0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

神經(jīng)網(wǎng)絡(luò)借助腦磁波,知道你在「猶豫不定」

MqC7_CAAI_1981 ? 來源:未知 ? 作者:伍文輝 ? 2018-03-28 14:06 ? 次閱讀

人工神經(jīng)網(wǎng)絡(luò),近來成為了越來越強大的工具。

數(shù)據(jù)分析、社會科學(xué)、機器人、腦科學(xué)的分類、預(yù)測、模式識別都開始離不開神經(jīng)網(wǎng)絡(luò)。

薩拉托夫國立技術(shù)大學(xué)研究團隊搭建了一個神經(jīng)網(wǎng)絡(luò)用來檢測人類遲疑不決的狀態(tài)。

在神經(jīng)生物學(xué)里,這個神經(jīng)網(wǎng)絡(luò)可以分類神經(jīng)元發(fā)出的信號,以及檢測出腦相關(guān)的病理活動,比方說癲癇,還有神經(jīng)退化性疾病,帕金森和老年癡呆等。

“不過,雖然說神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識別和分類上已經(jīng)有很出色的表現(xiàn),但是要把神經(jīng)元的信號區(qū)分出來還需要做更多的工作,特別是在人猶豫不決的情況下?!笨茖W(xué)出版物 CHAOS 報道。

在這個研究里,研究團隊會對被試進行雙穩(wěn)態(tài)視覺刺激(bistable visual stimuli),人工神經(jīng)網(wǎng)絡(luò)可以借助腦磁波,把被試精確地按敏感程度劃分出猶豫的程度。

△雙穩(wěn)態(tài)視覺刺激:給被試看到有歧義的圖片。

“這樣一來,我們就可以‘看穿’人腦了。知道人在做決定的時候有沒有處于這種不確定性的心態(tài)。”人工智能科學(xué)與教育中心主任兼神經(jīng)科技教授Alexander Khramov說。

更厲害的是,這個網(wǎng)絡(luò)還能以準確地測出一個人猶豫的時長。

以往,用頻率時間分析等傳統(tǒng)的方法去確認大腦內(nèi)部的活動是極其困難的。但是有了神經(jīng)網(wǎng)絡(luò)之后,它能夠看到人類還無法理解的不明顯的信號特征。

這個研究工作,可以幫助研究人員創(chuàng)造一個在做復(fù)雜決策時也能夠停下來思考的智能體。當遇到復(fù)雜環(huán)境的時候,可以進入等待狀態(tài),并搜集更多的信息。

等以后機器人去外太空執(zhí)行任務(wù)的時候,比方說在火星上遇到了不知道咋辦的環(huán)境條件時,需要請求地球上人類的幫助,由人類完成一些復(fù)雜的操作。那這個時候,即使識別出機器人的猶豫,向地球發(fā)送求助指令就很重要。

另外,這個神經(jīng)網(wǎng)絡(luò)也可以在測試和訓(xùn)練人的認知能力的過程中用到。

像是飛行員、司機、營救專家、軍人或運動員等很多高壓職業(yè),他們的工作環(huán)境里很多關(guān)鍵決策是不能等的。那么當這個神經(jīng)網(wǎng)絡(luò)識別到人處于猶豫狀態(tài)的時候,就可以馬上向外界請求支持或由更高的系統(tǒng)接管,減少災(zāi)難的發(fā)生。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴

原文標題:讀取腦磁波,神經(jīng)網(wǎng)絡(luò)知道你在「猶豫不定」

文章出處:【微信號:CAAI-1981,微信公眾號:中國人工智能學(xué)會】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    深度學(xué)習(xí)領(lǐng)域,神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù),如圖像識別、自然語言處理和游戲智能等。其中,卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)
    的頭像 發(fā)表于 11-15 14:53 ?511次閱讀

    關(guān)于卷積神經(jīng)網(wǎng)絡(luò),這些概念厘清了么~

    這個小型網(wǎng)絡(luò),用于描述網(wǎng)絡(luò)的方程中也具有32個偏置和32個權(quán)重。 CIFAR神經(jīng)網(wǎng)絡(luò)是一種廣泛用于圖像識別的CNN。它主要由兩種類型的層組成:卷積層和池化層,這兩種層分別使用卷積和池化兩種方法,
    發(fā)表于 10-24 13:56

    BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種人工智能和機器學(xué)習(xí)領(lǐng)域
    的頭像 發(fā)表于 07-10 15:24 ?1586次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來發(fā)展等多個方面,詳細闡述BP
    的頭像 發(fā)表于 07-10 15:20 ?1122次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    : 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本概念 循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時間序列特性的神經(jīng)網(wǎng)絡(luò),它能夠處理序列數(shù)據(jù),具有記憶功能。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同,循環(huán)神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-05 09:52 ?587次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    。 遞歸神經(jīng)網(wǎng)絡(luò)的概念 遞歸神經(jīng)網(wǎng)絡(luò)是一種具有短期記憶功能的神經(jīng)網(wǎng)絡(luò),它能夠處理序列數(shù)據(jù),如時間序列、文本、語音等。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同,遞歸
    的頭像 發(fā)表于 07-04 14:54 ?794次閱讀

    循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別

    結(jié)構(gòu)。它們處理不同類型的數(shù)據(jù)和解決不同問題時具有各自的優(yōu)勢和特點。本文將從多個方面比較循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別。 基本概念 循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有循環(huán)連接的
    的頭像 發(fā)表于 07-04 14:24 ?1321次閱讀

    循環(huán)神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的區(qū)別

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)和遞歸神經(jīng)網(wǎng)絡(luò)(Recursive Neural Network,簡稱RvNN)是深度學(xué)習(xí)中兩種重要的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它們
    的頭像 發(fā)表于 07-04 14:19 ?940次閱讀

    深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

    探討深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNNs)與基本神經(jīng)網(wǎng)絡(luò)(通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò))的區(qū)別時,我們需
    的頭像 發(fā)表于 07-04 13:20 ?917次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的區(qū)別

    深度學(xué)習(xí)領(lǐng)域,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN)是兩種極其重要
    的頭像 發(fā)表于 07-03 16:12 ?3390次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    神經(jīng)網(wǎng)絡(luò)許多領(lǐng)域都有廣泛的應(yīng)用,如語音識別、圖像識別、自然語言處理等。然而,BP神經(jīng)網(wǎng)絡(luò)也存在一些問題,如容易陷入局部最優(yōu)解、訓(xùn)練時間長、對初始權(quán)重敏感等。為了解決這些問題,研究者們提出了一些改進的BP
    的頭像 發(fā)表于 07-03 11:00 ?819次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種常見的前饋神經(jīng)網(wǎng)絡(luò),它使用反向傳播算法來訓(xùn)練網(wǎng)絡(luò)。雖然BP神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-03 10:14 ?864次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種不同類型的人工神經(jīng)網(wǎng)絡(luò),它們
    的頭像 發(fā)表于 07-03 10:12 ?1216次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    不同的神經(jīng)網(wǎng)絡(luò)模型,它們結(jié)構(gòu)、原理、應(yīng)用等方面都存在一定的差異。本文將從多個方面對這兩種神經(jīng)網(wǎng)絡(luò)進行詳細的比較和分析。 引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦
    的頭像 發(fā)表于 07-02 14:24 ?4213次閱讀

    基于毫米雷達的手勢識別神經(jīng)網(wǎng)絡(luò)

    預(yù)處理后的信號輸入卷積神經(jīng)網(wǎng)絡(luò)時域卷積網(wǎng)絡(luò)(CNNTCN)模型,提取時空特征,并通過分類評估識別性能。實驗結(jié)果表明,該方法特定領(lǐng)域的識別中實現(xiàn)了98.2%的準確率,并在不同的神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 05-23 12:12