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(rèn)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)讀懂人心,讓癱瘓肢體恢復(fù)運(yùn)動功能

NVIDIA英偉達(dá) ? 來源:lq ? 2019-01-24 16:58 ? 次閱讀

在經(jīng)歷了一場意外后,Ian Burkhart 遭受了嚴(yán)重的脊髓損傷,導(dǎo)致胸部以下全部癱瘓。

不過幸運(yùn)的是,借助一個(gè)由神經(jīng)網(wǎng)絡(luò)提供支持的腦機(jī)接口,他現(xiàn)在可以用右手撿東西、倒液體,甚至可以玩《吉他英雄》(Guitar Hero)。

(Ian Burkhart 在俄亥俄州立大學(xué) Wexner 醫(yī)療中心玩吉他電子游戲,研究人員 Nick Annetta 在一旁觀看。照片由 Battelle 提供。)

俄亥俄州立大學(xué)與其附近的獨(dú)立研發(fā)組織 Battelle 合作開展了一項(xiàng)臨床試驗(yàn),Burkhart 是參加此項(xiàng)實(shí)驗(yàn)的首位患者。

Burkhart 的大腦內(nèi)植入了一枚由 Blackrock Microsystem 公司生產(chǎn)的微芯片,與運(yùn)行著 Battelle 算法的計(jì)算機(jī)相連。該算法會解讀他的神經(jīng)活動,并將信號傳輸?shù)狡溆冶凵蠑y帶電極的袖套。該袖套也是由 Battelle 設(shè)計(jì),可刺激 Burkhart 手臂上的神經(jīng)和肌肉,從而引發(fā)特定的手部動作。

目前,Burkhart 只能在俄亥俄州的實(shí)驗(yàn)室里使用這個(gè)名為“NeuroLife”的系統(tǒng)。不過研究人員的終極目標(biāo)是讓 NeuroLife 變得足夠便攜,可以安裝在用戶的輪椅上,滿足家用需求。

“如果患者可以在家中使用 NeuroLife 系統(tǒng)完成日常活動,如吃飯、刷牙、穿衣等,那么該系統(tǒng)就會極大地提高他們獨(dú)立生活的能力?!盉attelle 高級研究統(tǒng)計(jì)學(xué)家 David Friedenberg 在《自然醫(yī)學(xué)》(Nature Medicine) 上發(fā)表的一篇合著論文中說道。

“我們希望盡可能地簡化該系統(tǒng)的操作方法,以便用戶和照顧他們的人可以輕松安裝。” 他說到,“即使沒有一群博士和工程師在場,他們也知道應(yīng)該如何使用?!?/p>

(Ian Burkhart 正在與項(xiàng)目首席研究人員 Gaurav Sharma 交談。照片由俄亥俄州立大學(xué) McCulty 拍攝,由 Battelle 提供。)

神經(jīng)網(wǎng)絡(luò)讀取神經(jīng)信號

AI 可應(yīng)用于包括義肢和助聽器在內(nèi)的多種輔助性技術(shù)工具。深度學(xué)習(xí)模型可以為語言障礙者提供合成語音,幫助盲人重見光明,還可以將手語翻譯成文字。

輔助性設(shè)備開發(fā)人員之所以采用深度學(xué)習(xí),是因?yàn)樯疃葘W(xué)習(xí)非常擅長解碼噪音信號,比如腦電活動。

通過使用NVIDIA Quadro GPU,深度學(xué)習(xí)神經(jīng)解碼器(即可將神經(jīng)活動轉(zhuǎn)化為預(yù)期命令信號的算法)接受大腦信號訓(xùn)練。這些信號均來自與 Burkhart 進(jìn)行的腳本式會話,期間研究人員會讓他思考執(zhí)行特定的手部動作。之后,神經(jīng)網(wǎng)絡(luò)會分析大腦信號對應(yīng)的預(yù)期動作。

但是,創(chuàng)建強(qiáng)大的神經(jīng)解碼系統(tǒng)的關(guān)鍵挑戰(zhàn)在于,大腦信號每年都會發(fā)生變化?!叭绻骋惶炷愀械嚼哿?,或者注意力不集中,可能就會影響控制不同動作的神經(jīng)活動模式?!?Battelle 高級分析小組的首席研究統(tǒng)計(jì)學(xué)家 Michael Schwemmer 如是說。

(為了重新校準(zhǔn)神經(jīng)網(wǎng)絡(luò),Burkhart 必須思考以特定的方式做出手部動作。這張照片攝于 2018 年 9 月,當(dāng)時(shí)他正在俄亥俄州立大學(xué)的 Wexner 醫(yī)療中心進(jìn)行相關(guān)工作。照片由 Battelle 提供。)

因此,每次 Burkhart 來到實(shí)驗(yàn)室(一周兩次)都要對神經(jīng)解碼器進(jìn)行15到30分鐘的重新校準(zhǔn)。在此期間,他要完成一個(gè)腳本化的過程,依次思考移動他的手的不同部位。

這些會話一周要進(jìn)行兩次,每次都會生成新的大腦數(shù)據(jù),用于更新兩個(gè)神經(jīng)網(wǎng)絡(luò)。至于這兩個(gè)神經(jīng)網(wǎng)絡(luò),一個(gè)利用了標(biāo)記數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí),另一個(gè)則進(jìn)行無監(jiān)督學(xué)習(xí)。

在解碼 Burkhart 的大腦信號和預(yù)測其思考的動作方面,這兩個(gè)網(wǎng)絡(luò)的準(zhǔn)確度可達(dá)到 90% 以上。無監(jiān)督學(xué)習(xí)將此準(zhǔn)確度維持了超過一年,且不需要進(jìn)行大幅度的重新校準(zhǔn)。

此外,深度學(xué)習(xí)也加快了 NeuroLife 系統(tǒng)處理用戶大腦信號以及將該信號傳輸至電極袖套的速度。目前的反應(yīng)時(shí)滯是 0.8 秒,與之前的方法相比提升了 11%。

“在嘗試端起一杯水時(shí),你會希望思考一下就能做出相應(yīng)的動作,而不希望出現(xiàn)很長的延遲。” Friedenberg 說道, “因此我們很看重對于延遲的測量?!?/p>

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(diǎn)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(bào)投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4771

    瀏覽量

    100777
  • 微芯片
    +關(guān)注

    關(guān)注

    0

    文章

    61

    瀏覽量

    13585

原文標(biāo)題:神經(jīng)網(wǎng)絡(luò)讀懂人心,讓癱瘓肢體恢復(fù)運(yùn)動功能

文章出處:【微信號:NVIDIA_China,微信公眾號:NVIDIA英偉達(dá)】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

    在深度學(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)神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 11-15 14:53 ?438次閱讀

    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)是兩種在人工智能和機(jī)器學(xué)習(xí)領(lǐng)域
    的頭像 發(fā)表于 07-10 15:24 ?1524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(gè)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(gè)方面,詳細(xì)闡述BP
    的頭像 發(fā)表于 07-10 15:20 ?1089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)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能夠處理序列數(shù)據(jù),具有記憶
    的頭像 發(fā)表于 07-05 09:52 ?579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神經(jīng)網(wǎng)絡(luò),它能夠處理序列數(shù)據(jù),如時(shí)間序列、文本、語音等。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同
    的頭像 發(fā)表于 07-04 14:54 ?770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

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是深度學(xué)習(xí)領(lǐng)域中兩種非常重要的神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-04 14:24 ?1301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

    在探討深度神經(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(shí),我們需要從多個(gè)維度進(jìn)行深入分析。這些維度包括
    的頭像 發(fā)表于 07-04 13:20 ?876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

    在深度學(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 ?3302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

    反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡稱BP神經(jīng)網(wǎng)絡(luò))是一種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,以達(dá)到最小化誤差的
    的頭像 發(fā)表于 07-03 11:00 ?809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)在某些方面與深度
    的頭像 發(fā)表于 07-03 10:14 ?851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),它們在
    的頭像 發(fā)表于 07-03 10:12 ?1192次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其功能

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其功能
    的頭像 發(fā)表于 07-02 14:45 ?2103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

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡稱CNN)和BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Networks,簡稱BPNN)是兩種
    的頭像 發(fā)表于 07-02 14:24 ?4021次閱讀

    神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)建模中的應(yīng)用

    數(shù)學(xué)建模是一種利用數(shù)學(xué)方法和工具來描述和分析現(xiàn)實(shí)世界問題的過程。神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)和功能的計(jì)算模型,可以用于解決各種復(fù)雜問題。在數(shù)學(xué)建模中,神經(jīng)網(wǎng)絡(luò)可以作為一種有效的工具
    的頭像 發(fā)表于 07-02 11:29 ?947次閱讀

    詳解深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    在如今的網(wǎng)絡(luò)時(shí)代,錯(cuò)綜復(fù)雜的大數(shù)據(jù)和網(wǎng)絡(luò)環(huán)境,傳統(tǒng)信息處理理論、人工智能與人工神經(jīng)網(wǎng)絡(luò)都面臨巨大的挑戰(zhàn)。近些年,深度學(xué)習(xí)逐漸走進(jìn)人們的視線,通過深度學(xué)習(xí)解決若干問題的案例越來越多。一
    的頭像 發(fā)表于 01-11 10:51 ?2055次閱讀
    詳解深度學(xué)習(xí)、<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>與卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的應(yīng)用