作者:Cami Rosso writes about science, technology, innovation, and leadership.
已经实现了脑部计算机界面的重要里程碑。新的同行评审神经科学 学习在加利福尼亚大学的研究人员的带领下,洛杉矶(UCLA)通过利用机器学习来使用户能够仅利用自己的想法来移动光标或机器人手臂,从而表明了非侵入性脑部计算机界面(BCI)技术的性能突破。
•为了显着提高BCI的性能,我们使用共同的自主权,在这里人工智能(AI)副驾驶与BCI用户合作以完成任务目标加州大学洛杉矶分校(UCLA)副教授乔纳森·考(Jonathan Kao)是研究的主要作家乔纳森·考(Jonathan Kao),以及UCLA共同作者Chang Xie,Mike QU,Charles Kobashigawa,Brent Gaisford,Brent Gaisford,Brandon McMahan,Xu Yan,Xu Yan,Abhishek Mishra,Abhishek Mishra,Sangjoon Lee和Johannes Lee。
脑部计算机界面,也称为脑机界面(BMI),使用户能够使用其思想控制外部设备。这可能会带来改变生活的希望,以改善瘫痪的日常生活。根据Grand View BCIS的数据,全球大脑计算机界面可寻址的市场规模在2024年超过1600亿美元,而2025 - 2023年的非侵入性BCI增长率估计为9.35%的复合年增长率(CAGR),而Invasive BCIS的复合年增长率为1.49%。BCI提供者的例子包括Ant Neuro,BlackRock Neurotech,Elon Musk的Neuralink Corp.,Synchron,Medtronic,Emotiv,Neurosky,OpenBCI和其他公司。
BCIS可以是侵入性的或无创的。具有侵入性的BCI需要神经外科手术来植入这些设备,并用于帮助癫痫,帕金森氏病,脑瘫,多发性硬化症,中风,脊髓损伤,肌萎缩性侧面硬化症(ALS)或Lou Gehrig疾病和运动神经元疾病(以及MND)以及Ampcute。
由于不需要大脑手术,因此非侵入性脑部计算机界面可能具有更大的市场潜力,超出了医疗用途,并且可以扩展到消费者,可穿戴设备,游戏等。但是,由于历史上无创的BCIS具有较低的信噪比,因此存在性能权衡,与入侵BCI相比,准确性降低。
在这项研究中,加州大学洛杉矶分校的研究人员使用人工来解决此绩效问题智力为此模式识别从非侵入性脑部计算机界面解码嘈杂数据的功能。该小组记录了三名健康参与者的无创64通道帽的脑电图(EEG)信号,另一名由于T5水平的脊髓损伤而瘫痪,并且失去了腿部和下半身的运动控制和感觉。研究人员创建了AI算法,以帮助破译大脑活动,以查明指示参与者预期运动的信号。
该团队使用了AI卷积神经网络 - 卡尔曼过滤器(CNN-KF)。卷积神经网络(CNN或Convnet)是AI中经常用于包含图像或视频,自然语言处理,语音识别和时间序列分析的视觉数据集中经常使用的深度学习算法。受到人类视觉系统的启发,卷积神经网络从数据中学习特征以做出预测。
想象一下,试图估计过去,现在和未来的状态,对您要建模的内容的确切了解有限。Kalman过滤器有助于通过递归方法解决过滤问题,以便从嘈杂的时间序列数据中估算未知变量。它用于机器人技术,计算机视觉,信号处理,时间序列分析,航空航天,甚至用于空中交通管制。卡尔曼过滤器于1960年由匈牙利美国鲁道夫·E·卡尔曼(Hungarian American Rudolf E.ASME(美国机械工程师学会)。将其视为过滤噪声数据以找到有意义的信号的有力方法。
研究人员写道:'研究人员写道:'研究人员写道:研究人员写道,仅利用目标信息(包括潜在目标位置的位置),仅根据神经数据来解码运动。”CNN-KF(卷积神经网络 - 卡尔曼滤波器)和人工智能(AI)副驾驶员通过更新封闭环(CNN-KF)的解码器参数来利用任务结构,并根据观察结果改变动作的分布环境用户正在与(Copilot)互动。
换句话说,团队不仅使用AI来解码用户的预期操作思想,还可以实时翻译用户意图和方向。他们创建了两个AI副驾驶,以帮助大脑计算机接口用户控制机器人臂和计算机光标。
该小组报告说,他们的AI副副型解决方案改善了光则控制和机器人ARM任务的参与者的性能3.9倍。此外,研究人员报告说,瘫痪的患者在没有AI副驾驶的帮助下无法执行任务。
通过这种令人鼓舞的概念证明,这项研究为开发更复杂的AI副驾驶增长了更高的加速度和准确性,将来扩展到了更复杂的任务。
版权所有©2025 Cami Rosso保留所有权利。