學術發布 | 一項基於大腦生物電和神經網絡機器學習的交互研究

2020-08-28 宏智力

近期，來自湖南大學、英國華威大學（The University of Warwick）、美國紐約州立大學布法羅分校（University at Buffalo, USA）、以及IBM人工智慧研究院（IBM Research AI, USA）的Di Wu、Huayan Wan、Siping Liu等研究人員在arXiv學術平臺發表了題為《DeepBrain: Towards Personalized EEG Interaction through Attentional and Embedded LSTM Learning》的學術報告。

文中所述的DeepBrain是一種結合「精密的大腦機器人」fine brain-robot interaction (BRI)和原始大腦生物電信號的端對端解決方案。系統主要面向殘障人士和老年人等行動困難的人群，通過DeepBrain神經網絡對腦電信號的分析和學習，讓行動不便人士可以通過大腦發出指令操控機器人等外設設備。

文中預研提及EPOC和BrainLink 兩款個人可穿戴腦電採集設備，經過便攜性、數據精確度、佩戴體驗和成本等多維度對比後，研究人員最終選擇BrainLink作為研究項目的腦電採集設備。

DeepBrain主要採用了兩方面的技術創新，一是呈現堆疊的長短期內存（堆疊的LSTM）具有特定預處理技術的結構腦電信號的時間依賴性及其分類；二是提出了個性化設計，通過增強腦電信號的解釋能力，捕捉多個特徵，實現對單個腦電信號的準確識別帶有注意機制的堆疊LSTM。大致架構如下圖所示：

在這篇論文中，展示了一種利用LSTM神經網絡建立時間序列模型，並將預測行為實時反饋給家用機器人的技術可行性。DeepBrain在涉及長期時間依賴性和弱時間依賴性的真實數據採集難點上產生了相對良好的結果。與MLP、SVM、LSTM和疊加LSTM，DeepBrain模型得到了更好的結果，表明該方法的穩健性。實驗表明，文中提出的端到端解決方案能低成本地達到令人滿意的運行速度、精度和能效。


論文標題：DeepBrain: Towards Personalized EEG Interaction through Attentional and Embedded LSTM Learning

作者：Di Wu, Huayan Wan, Siping Liu, Weiren Yu, Zhanpeng Jin, Dakuo Wang

論文來源於：https://arxiv.org/abs/2002.02086


相關焦點

  • 基於功能磁共振和機器學習的疼痛神經標誌研究進展
    本文總結了在研究對象處於不同疼痛狀態下（如傷害性刺激誘發的急性疼痛、臨床慢性疼痛等），基於fMRI和機器學習檢測到的fMRI-NPS，及不同ML模型在疼痛預測實驗的性能研究進展，並指出了fMRI-NPS在臨床研究如疼痛的神經病理學機制研究、藥物療效評估等方面的意義。
  • ...語音識別,生物醫學信號處理和基於語音和生物電的人機互動技術
    ： 研究方向： 主要從事智能信息處理和人機互動技術研究。具體內容涉及：盲信號處理，語音識別，生物醫學信號處理和基於語音和生物電的人機互動技術 聯繫方式 E-Mail：       電話：       郵編： 230039 地址
  • 最強大腦皮層神經網絡重建 揭哺乳動物最大神經線路圖
    最新Science雜誌封面，發布了知名的德國馬克斯·普朗克腦研究所的最新腦科學成果：他們七年磨一劍，重建了非常複雜的大腦皮層神經網絡，揭示了迄今為止最大哺乳動物神經線路圖。對於從生物神經網絡中不斷學習的人工神經網絡大趨勢裡，這是第一個裡程碑事件。」所以這究竟是一項怎樣的突破性研究？首次揭秘哺乳動物大腦神經元連接哺乳動物的大腦皮層是一個非常複雜的神經過程網絡：又長又薄，有分支，而且非常密集。
  • 機器學習新突破:谷歌研究人員利用AI自動重構大腦神經元
    在神經系統中繪製神經網絡的結構——這是一個被稱為「連接組學」的研究領域——無疑是計算密集型的。人類的大腦中有大約860億個通過100萬億個突觸連接起來的神經元，而對一個立方毫米的大腦組織進行成像，就可以生成超過1000TB的數據（10億張照片）。
  • 重建腦科學與AI之間的橋梁,人工神經網絡比機器學習更優嗎?
    圖片來源@全景視覺文丨學術頭條幾十年來，神經科學在人工智慧的研究歷程中起到了舉足輕重的作用，人工智慧的奠基人 Donald Hebb、Warren McCulloch、Marvin Minsky 和 Geoff Hinton 最初的研究動力均源自對他們大腦工作機理的濃厚興趣
  • 基於複數神經網絡首發量子機器學習開發工具 「量槳」,飛槳布局...
    (圖：百度首席技術官王海峰)百度集團副總裁、深度學習技術及應用國家工程實驗室副主任吳甜正式對外發布飛槳最新的全景圖，包含飛槳開源深度學習平臺和飛槳企業版兩部分。飛槳開源深度學習平臺部分，包含核心框架、基礎模型庫、端到端開發套件與工具組件，持續開源核心能力，為產業、學術、科研創新提供基礎底座。
  • 人工智慧、機器學習、神經網絡和深度學習之間是什麼樣的關係?
    其中有很多細節，其中最核心，我們可以理解為人的大腦的部分，就是機器學習。　　神經網絡(NeuralNetwork)簡單說就是機器學習眾多算法中的一類，設計的時候就是模仿人腦的處理方式，希望其可以按人類大腦的邏輯運行(儘管目前來說對人腦的研究仍不夠透徹)。神經網絡已經有很多年的歷史，但現在基本很少聽到了。飲鹿網(innov100)產業研究員認為神經網絡可以簡單的分為單層，雙層，以及多層網絡。
  • 百度大腦這樣思考:模仿人類大腦神經網絡
    原標題：百度大腦這樣思考：模仿人類大腦神經網絡 　　巴西世界盃足球賽激戰正酣，有爆冷出局的，也有意外晉級的。本屆比賽雖然沒有了「預言帝」章魚保羅，但是預測比賽結果已經有了新工具——能夠分析數據、學習思考的人工智慧。
  • 基於神經網絡的分布式交互指揮系統的方案設計
    基於神經網絡的分布式交互指揮系統的方案設計 佚名 發表於 2020-12-02 10:47:50 一、指揮系統的核心需求 按照首長提出的「指揮決策要由逐級決策向分布交互決策轉變
  • 高清圖解:神經網絡、機器學習、數據科學一網打盡|附PDF
    今天，新智元要為大家推薦一個超實用、顏值超高的神經網絡+機器學習+數據科學和Python的完全圖解，文末附有高清PDF版連結，支持下載、列印，推薦大家可以做成滑鼠墊、桌布，或者印成手冊等隨手攜帶，隨時翻看。
  • 機器學習與人工智慧之六:人工神經網絡
    觀眾老爺這期講機器學習的神經網絡算法，本來小編想先介紹基於我們人類知識和規則的機器學習的，但想著打鐵要趁熱，上期我們將人類的視覺系統進行了建模，今天咱們了解一下機器學習的人工神經網絡算法，這樣能比對出機器與人的差異，也能深入理解人工智慧算法具體的實現和原理。
  • 金融領域裡的機器學習算法介紹:人工神經網絡
    人工智慧的發展在很大程度上是由神經網絡、深度學習和強化學習推動的。這些複雜的算法可以解決高度複雜的機器學習任務，如圖像分類、人臉識別、語音識別和自然語言處理等。這些複雜任務一般是非線性的，同時包含著大量的特徵輸入。我們下面我們將分幾天的時間對這些算法及其在金融領域的應用進行闡述。
  • OpenAI發布「顯微鏡」,可視化神經網絡內部結構
    意為可以像實驗室中的顯微鏡一樣工作，幫助AI研究人員更好地理解神經網絡的結構和特徵。OpenAI在研究中提到：現代神經網絡模型強大的能力來源於成千上萬個神經元相互作用，但神經元之間的「協作」一直是個迷，OpenAI 發布的這個顯微鏡能夠幫助快速探索這些神經元。
  • 如今統治機器學習的深度神經網絡,也曾經歷過兩次低谷
    眾人只記住了Hinton教授，在 SVM 熱潮中堅持研究神經網絡，經歷了20多年的門庭冷落，帶領弟子練就了絕世武功。但是燕樂純，則被稱為神經網絡闢荒的眾大佬之一。實際上這哥們完全是跟Hinton教授一樣，是「黑暗中舉著火炬的人」。人工神經網絡的三次崛起和兩次低谷回顧歷史，今天遍地開花的神經網絡，並不是最近才冒出來的新鮮玩意，而是名副其實的老古董。
  • 基於神經網絡算法 羊毛_基於pso算法和bp算法訓練神經網絡 - CSDN
    圖神經網絡是用於圖結構數據的深度學習架構，將端到端學習與歸納推理相結合，業界普遍認為其有望解決深度學習無法處理的因果推理、可解釋性等一系列瓶頸問題，是未來 3 到 5 年的重點方向。2019 年圖神經網絡有哪些研究成果值得關注？2020 年它又將朝什麼方向發展？讓我們一起來一探究竟。
  • 盤點| 機器學習入門算法:從線性模型到神經網絡
    原標題：盤點 | 機器學習入門算法：從線性模型到神經網絡 選自Dataconomy 機器之心編譯 參與：王宇欣、吳攀、蔣思源 回歸或分類 雖然機器學習也可以用於其它的用途，但是我們將在本指南中著重於預測。預測是一種基於輸入變量來估計輸出變量的過程。比如，如果我們輸入特定房子的特徵，則可以預測售價。
  • 迄今最大腦皮層神經網絡研究成果發布
    據美國艾倫腦科學研究所消息，由該所和哈佛醫學院（HMS）、弗蘭德斯神經電子學研究所科學家（NERF）共同組成的國際研究團隊，在本周出版的《自然》雜誌上發表了迄今最大的腦皮層神經元連接網絡研究報告，揭示了腦網絡組織中的一些關鍵因素。
  • 基於憶阻器的神經網絡應用研究
    基於憶阻突觸器件的硬體神經網絡是神經形態計算的重要發展方向，是後摩爾時代突破傳統馮·諾依曼計算架構的有力技術候選。綜述了國內外憶阻硬體神經網絡的近期發展現狀，從器件發展和神經網絡兩個方面，詳細闡述了憶阻器這一新興信息器件在神經形態計算中所發揮的角色作用，討論了依然存在的關鍵問題和技術挑戰。憶阻器為實現存算一體化架構和超越摩爾定律提供了技術障礙突破的可行方案。
  • 學術發布 | 臺灣研究團隊稱「腦紋識別」準確率可高達96%
    其中，去年俄國奧運選手生物體徵信息被盜和禁藥組織電腦被入侵導致俄運動代表團無法參與奧運會，這一事件造成了極大的輿論和對公平競賽的惡劣影響。腦電圖（Electroencephalography，EEG）是生物統計學研究的一種方法，它採集頭皮特定位置的電磁波，反映個人的大腦活動。從生物統計學的角度來看，EEG滿足了普遍性的要求，因為它具有唯一性，可以應用於任何一個人。
  • 基於憶阻器的神經網絡應用研究
    2010年密西根大學盧偉教授團隊[7]提出可以通過操控憶阻器件中離子遷移過程而精細調控器件電導值，率先在Si：Ag憶阻器中實驗模擬實現了突觸權重調節行為和脈衝時序依賴突觸可塑性，從而掀起了憶阻人工神經突觸和神經網絡的研究熱潮。