|
就在7月6日韩壁丞老师主讲的全球首发脑机接口系列课正式结课，开课近1个月内硅谷Live收到了N多份关于脑机接口领域的优秀作业，有关于脑机接口四次课的课程报告，也有关于脑机接口技术的市场和行业分析报告。 未来的一段时间硅谷live会不定期的给各位硅谷Live的粉丝们分享这些优秀作业。下面请带着崇拜和尊敬的心态欣赏这些作业（至少小编每次围观这些作业的时候只有一个感觉就是：硅谷Live真牛！居然能把这们优秀的人都集中在一起！）另外，优秀作业被分享已经征得各位学员的同意了哦。 本次的优秀作业题目是：结合本次全球首发脑机接口系列课，思考未来5年内，你所在的学科领域或者职业领域和脑机接口结合产生最美好或者最sexy的场景是什么？比如神经科学、心理学、创业圈等。硅谷Live和大家一样都想知道关于脑机接口的登峰造极的状态是什么样子的？ 脑机接口课程学员Harold Yue的作业： 1. 基于fMRI 解码想象图片的可能性。 这里主要说的是 [1]这个工作，训练集的样本是 被试在真实看到图片的fMRI 信号，标签是看到图片中的物体类别，以此训练了一个分类器，可以以较高的精度来预测被试实际看到的物体类别（80 – 90%）。 作者的下一步是用这个分类器来尝试对被试的想象图片进行区分，也有一定的效果，准确率在60%左右。 这个工作首先证明了使用fMRI来解码想象图片是有一定可能性的。第二由于原作者使用的算法相对简单，使得目前的结果仍然有很大的提升空间。 2.基于EEG 信号重构 fMRI信号的可能性。 这里说的是另外一个比较老的文章，10年的，研一上课时候讲过。[2]，这篇文章主要试图做两个事，在特定的信号类型中，尝试用fMRI 信号去推出MEG信号，用MEG信号去反推fMRI信号。 结果表示，在一定频率内，俩信号拟合的还可以，但是在另外一些信号上，效果并不是特别好。 PS：前一段和朋友聊天时候聊到了这个问题，说最新的一个工作表示，这个方法在空间定位的精度比较低。。。自己不是特别关注这个领域，就没有追着看。 3. 介绍一个 基于GAN 的 Text To Image 工作，并与EEG 做对比。 这个工作可以说做的非常的漂亮！从思路到结果。。。都很赞。看到之后特别震惊，还有这种操作。。。从一句话可以生成比较匹配的图片。 放张结果图来看下。 我在这放这个工作的意思是想让大家来重新思考这样一个问题，如何以人为本的高效表征信息？拿图片来举例子。 最简单的方法莫过于把每一个像素的位置和颜色信息都按照一定的顺序记录下来，写到文件里。当然可以做一点压缩，同样的颜色可以取个index，不用记录那么清楚，相邻的像素有相关性也可以适当的压缩。 一个更优雅的方法，其实就有点像是这个GAN 做出来的，一句话，通过合适的算法，转化成人类能理解的图片。 那对于BMI来说，这里用的一句话，完全可以变成 ‘一段EEG 信号’。 一段EEG 信号，通过合适的算法，转化成人类能理解的图片，这样做会比较有趣。 可能有些人觉得有些科幻了，但是我不这么觉得。 Text to Image，或者EEG to Image，本质上还是一种信息到信息的映射，只要说这段EEG里面，本身包含足够的信息，这个工作是完全可行的。回到最开始那个fMRI解物体类别的工作，发现想象在视觉区有很好的表征，而这些皮层，要么比较浅（V1，V2），要么已经有信号可以被检测到（FFA 出来的人脸波形），换句话说，现在的EEG，有能力从这些脑区接收到信号。那剩下只是一个解码和重构的工作了。 正经的点评 “这是我今天给的唯一10分，我也觉得当之无愧。你的第二次作业不仅进行了细致分析，还给出了路线图，不仅场景领域选择有实用价值，分析的态度也值得尊敬和学习。” 脑机接口课程学员周仕达的作业： “要想搞清人脑，得先搞清猴脑。”非人灵长类动物是理解人类脑与认知的理想动物模型。猴类可用于研究在灵长类才出现的脑结构和功能以及其演化机制，为解析人类高级认知功能的神经环路结构和工作原理，提供必要的可侵入性实验材料。同时猴类可以为类脑计算和脑机智能技术，提供了创新架构和模拟基础。本世纪神经科学最重要的就是搞清大脑图谱，对灵长类大脑图谱进行的精准解析。 很多脑控公司开发的专注训练与关注注意缺陷多动障碍（ADHD）的相关产品都是与全脑的脑电波检测或干预相关，但如何从机制上上进行理解，发现更好的调控方式？ 目前关于注意的神经环路公认模型如下图所示：
其中红色箭头流向代表视觉外源性（自下而上，bottom-up）调控注意机制：较高级视皮层（Higher visual cortex）经侧脑室内皮层（LIP）或颞叶交界处（TPJ）透射至前额叶皮层（Prefrontal cortex）。蓝色箭头流向代表（自上而下，top-down）从高级的前额 叶皮层由上而下的注意调控机制。绿色箭头代表基于特征（非视觉转导）的注意调控机制：下额叶交界处（IFJ）经颞下皮质（IT）到较高级视皮层。 但介于目前人类对脑认知的局限性，认知相关活动的神经通路图谱仍然需要不断完善，特别是例如ADHD这样处于病理状态下的神经机制的解读更是一项需要时间和资金投入。 对于ADHD，未来几年，比较可行的方式是建立起学界公认的ADHD非人灵长类模型。切入点在寻找到合适的造模方法：如猴品系的选择、物理或基因层次（如多巴胺受体4缺陷型）造模方式的探索、以及最后的模型评价方式。在获得理想的非人灵长类模型后，在特定脑区植入电极，记录特定脑区与脑神经元电生理信号的变化，采用数学算法，提取出特征数值。如果使用这些特征数值能够在健康猴上重现出ADHD症状，并且针对这些信号进行干预能使动物回复正常话，无疑对了解ADHD这一疾病的机制了解有着巨大的帮助。 以上是第一部分“电”，而下一部分则是“光”。 脑机接口中的“机控”形式是通过向大脑施加特定的刺激信号实现对于大脑活动的调控。机控形式的脑机按口巳被广泛的应用于神经功能调控、感觉信息反馈等研究。机控形式脑机接口的调节大多是建立在电信号上，但电信号的调控方式存在以下不足。 1. 电刺激方式的影响范围难精确控制，荣哟干扰非相干脑区的正常柱活动，不利于精确运动控制。 2，电刺激方式影响的对象为所有细胞，无法针对特定类型的神经元进行调控研究，因此男仔神经机制上对控制命令做出解释和优化。 3. 传统的微电流刺激通常只能兴奋，无法实现抑制。 4. 微电流刺激通常在刺激时是无法有效记录的，无法获得神经元反馈的刺激信号。 光遗传技术是一项结合了光学和遗传学的神经元调控技术。简而言之就是将对特定光敏感的离子通道基因表达在特定类型的细胞膜上，随后通过一定波长光照下开启离子通道，形成动作电位或抑制动作电位的发生。 相较电刺激调控，光遗传的调控可以达到高空间特异性、高时间精度、双向以及可以记录神经元反馈信号。 从世界范围来看，运用光遗传学方法在非人灵长类进行研究还属于少数，但也实现了不少进展。 正经的点评： “你的第二次作业对一个垂直维度进行了深度分析，涉及到专业论述和论文引荐，观点具有理论依据；同时，研究方向具有非常大的可落地价值。” 带你深入挖掘脑机接口的世界 ↓ 点击进入 ↓ 脑机接口课程学员孙一铀的作业： 瓶颈(Bottleneck) 如今的CVPR(机器视觉顶级大会)越来越将重点放在深度学习模型的功能与应用拓展上，不少论文的课题让人不禁惊叹CNN的强大，从最早期的Classification超过人类开始，各类变种网络即应用层出不穷：Densecap[1]、Neural Doodle[2]、 Neural Style[3]、 DCGAN[4]……这些网络都在Performance上接近Intelligence乃至超过人类。CNN的结构在最早期的时候借鉴眼球中神经元的结构，但是基于此的图像记忆与推理的研究工作似乎就此遇上了一个天大的瓶颈。人类可以弄清楚线虫中的神经元组合，但很难弄明白果蝇的脑神经元，很大可能是果蝇的神经系统包括了视觉系统使得分析变得异常复杂。而最近一项对灵长类动物进行人脸识别的研究[5]，让我们看到了一步步解锁大脑奥秘的希望，脑机科学的研究必将人工智能推上一个新的高度。 而人工智能对脑机科学研究的重要性自然不必多说，信号处理中的独立成分分析，以及如何利用稀疏数据与无标签数据产出更有意义的结果——半监督学习、无监督学习等等，将成为脑机科学的强大的臂膀。
“你的第二次作业阐述了AI与脑机接口产业运用，进行了细致需求分析，也对运用场景做了描述，并参考了部分论文”。 未来一段时间内，我们还会继续分享这类优秀的不要不要的作业，请持续关注硅谷Live！另外硅谷Live学徒计划第一季马上就要结束，我们会在结束之后公布最终能够去到波士顿学习的几位学员名单以及他们在哈佛实验室的求学之旅。会不会有第二季呢？你猜？ 注：还请大家动动手指关注硅谷live服务号，这样才能收到开课提醒和更多课程干货哦~ |
|
|
