Intelligence as information processing: brains, swarms, and computers
Lakeside Labs GmbH(湖畔实验室有限公司)
关于智能没有一个统一的定义,所以简单地问大脑、蜂群、计算机或其他系统是否智能是有问题的。为了比较不同认知系统所表现出的潜在智能,我使用了人工智能和人工生命常用的方法:让我们专注于它们的组织,而不是研究系统的底层。这个组织可以用信息来衡量。因此,我应用信息主义认识论来描述认知系统,包括大脑和计算机。这使我能够在不同的背景下框架脑机类比的有用性和局限性。我也用这个观点来讨论智能的进化和生态。
2021-08-09 cs.AI cs.IT math.IT
The brain is a computer is a brain: neuroscience's internal debate and the social significance of the Computational Metaphor
Society of Spoken Art(口语艺术协会);University of Hawai`i at Manoa(夏威夷大学马诺阿分校)
计算隐喻,将大脑与计算机进行比较,反之亦然,是神经科学和人工智能(AI)中最突出的隐喻。在这两个领域,对它的适当性都有很大的争论,特别是关于它是否有助于科学和技术的进步。然而,人们对计算隐喻如何在实验室之外使用的关注要少得多,特别是它如何塑造社会与人工智能的互动。因此,最近公开的对人工智能在延续种族主义,性别歧视和能力主义方面的作用的担忧表明,“人工智能“一词是错误的,需要一个新的词汇来描述这些计算系统。因此,有一个关于计算隐喻的基本问题很少被神经科学家问到:它对谁有帮助,对谁有伤害?这篇文章邀请神经科学界来考虑这个领域最有争议的隐喻的社会含义。
2021-07-18 cs.AI cs.CY
Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning
本研究首次将视觉Mamba模型应用于脑肿瘤多类分类,通过迁移学习微调,在独立测试集上实现100%准确率,证明其轻量高效,优于现有模型,并适用于其他医学影像分类。
2024-11-06 cs.AI cs.CV
Towards Neural Co-Processors for the Brain: Combining Decoding and Encoding in Brain-Computer Interfaces
Center for Neurotechnology(神经技术中心);Paul G. Allen School of Computer Science and Engineering(保罗·G·艾伦计算机科学与工程学院);University of Washington(华盛顿大学)
脑机接口领域正准备从使用脑信号控制假体设备的传统目标发展到在单个神经假体设备内组合神经解码和编码。这种装置充当大脑的“协处理器”,其应用范围从诱导赫布可塑性用于脑损伤后的康复到使瘫痪的肢体复活和增强记忆。本文综述了在闭环控制和可塑性诱导中同时解码和编码的最新进展。为了应对多通道解码和编码的挑战,我们引入了一个统一的框架,用于开发基于人工神经网络和深度学习的大脑协处理器。这些“神经协处理器”可用于与神经系统联合优化成本函数,以实现从目标神经康复到增强大脑功能的期望行为。
2018-12-28 cs.AI cs.HC cs.NE
Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short report
人工智能近年来取得了重大进展,这对神经科学领域产生了影响。因此,已经实现了不同的架构,以实时地从EEG信号中提取特征。然而,使用这样的架构需要大量的计算能力。因此,EEG设备通常仅用作EEG数据的发射器,实际数据处理在第三方设备中进行。这是昂贵的,不紧凑。在本文中,我们提出了一个盾牌,允许单板计算机,Jetson Nano从英伟达,转换成脑机接口,最重要的是,Jetson Nano的功能允许机器学习工具直接在数据收集设备上使用。在这里,我们提出了开发的设备的测试结果。https://github.com/HackerBCI/EEG-with-JetsonNano
2023-01-23 cs.AI q-bio.NC
Attention-based Transfer Learning for Brain-computer Interface
Tsinghua University(清华大学)
人脑的不同功能区在大脑活动中发挥着不同的作用,这一点在脑-机接口(BCI)领域尚未引起足够的重视。提出了一种基于注意力迁移学习的脑电分类方法。我们的方法考虑了不同脑功能区的重要性,以提高EEG分类的准确性,并提供了一种额外的方法来自动识别与新活动相关的脑功能区,而无需医疗专业人员的参与。我们的经验表明,我们的方法优于国家的最先进的方法在EEG分类的任务,可视化的结果表明,我们的方法可以检测到与特定任务相关的脑功能区。
2019-04-25 cs.AI cs.HC cs.LG
Attention Patterns Detection using Brain Computer Interfaces
Georgia Southern University(佐治亚南方大学);Valahia University of Targoviste(特尔戈维什特瓦拉几亚大学);Transilvania University of Brasov(布拉索夫特兰西瓦尼亚大学)
人类大脑提供了一系列功能,如表达情感,控制呼吸频率等,它的研究多年来一直吸引着科学家的兴趣。随着机器学习模型变得越来越复杂,生物计量数据通过新的非侵入性技术变得越来越容易获得,越来越有可能获得可能彻底改变人机交互的有趣生物特征数据。在这项研究中,我们提出了一种方法来评估和量化人类的注意力水平及其对学习的影响。在我们的研究中,我们采用了一个脑机接口(BCI)能够检测脑电波活动和显示相应的脑电图(EEG)。我们训练递归神经网络(RNNS)来识别个体正在执行的活动类型。
2020-05-20 cs.AI cs.HC eess.SP
New parallel programming language design: a bridge between brain models and multi-core/many-core computers?
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Babes-Bolyai University(巴比什-波雅依大学)
本文反复出现的主题是,序列的长时间模式,而不是序列的简单语句被送入计算设备,是他们(新提出的)模型的大脑活动或多核/众核计算机。在这样的模型中,这些长时间模式的一部分已经被提交,而另一部分则被预测。匹配模式和进行预测的这种组合似乎是在大脑模型中产生智能处理和在多核/众核计算机上获得高效推测执行的关键因素。通过适当设计大规模并行、交互式程序设计语言,可以在这些相距甚远的计算模型之间架起一座桥梁。Agapia是最近提出的一种语言,其中用户控制的长高层时间结构发生在过程的交互接口。在本文中,Agapia是用来连接HTM大脑模型与TRIPS多核/众核架构。
2008-12-15 cs.AI cs.PL
BRAIN: Bias-Mitigation Continual Learning Approach to Vision-Brain Understanding
organization= Department of Physics, J.K. Institute of Science , addressline= Jawahar Nagar , city= Trivandrum , postcode= 695013 , state= Kerala , country= India;organization= World Scientific University , addressline= Street 29 , postcode= 1011 NX , postcodesep= , city= Amsterdam , country= The Netherlands;organization= University of Intelligent Studies , addressline= Street 15 , city= Jabaldesh , postcode= 825001 , state= Orissa , country= India;organization= Electrical Engineering \& Computer Science Department, University of Arkansas , addressline= 1 University of Arkansas , postcode= 72703 AR , postcodesep= , city= Fayetteville , country= USA;organization= Department of Brain;Cognitive Sciences, Massachusetts Institute of Technology , addressline= 77 Massachusetts Ave , postcode= 02139 MA , postcodesep= , city= Cambridge , country= USA
本文提出BRAIN方法,通过持续学习缓解脑信号偏见问题,引入去偏对比学习损失和角度基遗忘缓解方法,提升模型性能。
2026-04-13 cs.AI cs.CV
Aligning Brain Signals with Multimodal Speech and Vision Embeddings
Carnegie Mellon University(卡内基梅隆大学)
本文研究预训练模型不同层级的语音和视觉嵌入与自然语音感知EEG信号的对齐,发现结合多模态、层级感知表征有助于更深入解码大脑对语言的经验性理解。
2025-11-10 cs.AI cs.LG
An Implant-to-Wearable IR-UWB Transmitter-Receiver Architecture and Layered Protocol for High-Density Brain-Computer Interfaces
Hangzhou Dianzi University(杭州电子科技大学);BroadLink Co., Ltd.(博联智能有限公司)
本文提出一种面向芯片的单向IR-UWB上行链路架构,用于高密度脑机接口,实现高速率神经遥测,并确保电路划分、波形映射、数据包处理及故障语义的一致性。
2026-09-22 cs.AI eess.SP
MRI Brain Tumor Detection with Computer Vision
本研究应用深度学习技术从MRI扫描中自动检测和分割脑肿瘤,采用逻辑回归、CNN、ResNet进行分类,并利用U-Net和EfficientDet增强肿瘤定位与识别,显著提升了诊断的准确性和效率。
2025-10-11 cs.AI cs.CV cs.LG
Why the Brain Cannot Be a Digital Computer: History-Dependence and the Computational Limits of Consciousness
本文以信息论方法量化可区分意识状态及其历史依赖,证明指定意识状态所需信息超过人脑容量,从而否定大脑等同经典数字计算机,并指向非经典信息处理机制。
2025-03-13 cs.AI physics.hist-ph q-bio.NC
Online LDA based brain-computer interface system to aid disabled people
Institute of Alparslan Defence Sciences, National Defence University(阿尔帕尔斯兰国防科学研究所,国防大学);İskenderun Technical University(伊斯肯德伦技术大学)
本论文旨在开发一种基于脑电的脑机接口系统,以辅助残疾人的日常生活。该系统依赖于一个最有效的事件相关电位波,P300,它可以通过oddball范式。开发的应用程序有一个基本的互动工具,使残疾人能够传达他们的需要,选择相关的对象的其他人。这些对象伪随机地在计算机屏幕上的可视界面中闪烁。用户必须关注相关对象以传达期望的需求。该系统能在15秒内检测出采集到的14通道脑电信号中的P300波,并利用线性判别分析分类器进行分类,从而准确地传达出期望的需求。在19名志愿者身上进行了实验,以验证所开发的BCI系统。结果表明,在线检测的准确率达到90.83%
2021-01-21 cs.AI cs.HC
Vision-Language Integration in Multimodal Video Transformers (Partially) Aligns with the Brain
Max Planck Institute for Psycholinguistics(马克斯·普朗克心理语言学研究所);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
本研究利用大脑记录探测预训练多模态视频Transformer,发现视觉增强语言处理中的掩码预测,但联合表征未捕获额外脑相关信息,微调可改善大脑对齐,表明多模态集成部分与大脑相关。
2023-11-13 cs.AI cs.CL cs.CV
Disentangling the Factors of Convergence between Brains and Computer Vision Models
Meta AI
为理解驱动脑-模型相似性的因素,本研究通过系统改变模型、训练和数据因素训练自监督视觉Transformer家族,结合fMRI和MEG分析其类脑表征,揭示了三因素的独立与交互影响及类脑表征的发展时序。
2025-08-25 cs.AI q-bio.NC
Human-AI Teaming Using Large Language Models: Boosting Brain-Computer Interfacing (BCI) and Brain Research
University Hospital Freiburg(弗莱堡大学医院);NeuroMentum AI
本文提出基于Janusian设计原则的人机协同框架及ChatBCI工具箱,通过与大语言模型交互推动脑机接口和脑科学研究,并在运动想象EEG解码项目中验证其有效性。
2024-12-30 cs.AI cs.HC
A Review of Brain-Computer Interface Technologies: Signal Acquisition Methods and Interaction Paradigms
School of Medicine, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)医学院)
本文为脑机接口技术综述,梳理了经典、分类及混合等各类BCI交互范式,划分并阐释非植入、介入、植入三类信号采集技术的原理与进展,分析二者的相互促进关系,为未来高效通用的BCI系统发展提供参考。
2025-03-01 cs.AI cs.HC
Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface
Korea University(高丽大学)
最近,先进的技术在解决大量数据的各种问题方面具有无限的潜力。然而,这些技术在处理大脑信号的脑机接口(BCI)中尚未显示出有竞争力的性能。基本上,大脑信号很难大量收集,特别是,在自发脑机接口中,信息量将是稀疏的。此外,我们推测,任务之间的高度空间和时间相似性增加了预测的难度。我们将此问题定义为稀疏条件。为了解决这个问题,引入了因子分解方法,使模型能够从潜在空间中获得不同的表示。为此,我们提出了两个特征提取器:类公共模块通过对抗学习作为生成器进行训练;类特定模块利用分类生成的损失函数,从而使用传统方法提取特征。为了最小化类公共特征和类特定特征共享的潜在空间,模型在正交约束下进行训练。结果,EEG信号被分解成两个单独的潜在空间。评价进行了单臂运动图像数据集。从结果中,我们证明了因子分解的EEG信号允许该模型在稀疏条件下提取丰富和决定性的特征。
2022-06-17 cs.AI eess.SP
A Spiking Neural Network based on Neural Manifold for Augmenting Intracortical Brain-Computer Interface Data
University of Chinese Academy of Sciences(中国科学院大学);Brain Cognition and Brain Disease Institute (BCBDI), Shenzhen-Hong Kong Institute of Brain Science, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院深港脑科学研究所脑认知与脑疾病研究所);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
本文提出用脉冲神经网络作为数据生成器,生成符合原始神经数据内在模式的脉冲序列,以增强皮层内脑机接口的有限训练数据,实验证明可提升BCI解码器的泛化能力。
2022-03-26 cs.AI q-bio.NC
BrainChat: Decoding Semantic Information from fMRI using Vision-language Pretrained Models
The College of Computer Science and Technology(计算机科学与技术学院);Zhejiang University(浙江大学);ZJUI(浙江大学伊利诺伊联合学院)
本文提出 BrainChat 框架,结合 CoCa、Masked Brain Modeling、对比对齐与交叉注意力生成解码器,实现 fMRI 图像描述和首次 fMRI 问答,并在有限数据场景下表现优异。
2024-06-10 cs.AI cs.CL cs.CV
Brain architecture: A design for natural computation
Newcastle University(纽卡斯尔大学)
50年前,约翰·冯·诺依曼(John von Neumann)将大脑的结构与他发明的至今仍在使用的计算机的结构进行了比较。在那些日子里,计算机的组织是基于大脑组织的概念。在这里,我们对神经系统的全球组织的当前结果进行了更新。对于神经系统,我们概述了神经元和皮层网络的空间和拓扑结构如何促进对故障的鲁棒性,快速处理和平衡的网络激活。最后,我们讨论了这种架构的自组织机制。毕竟,大脑的组织可能会再次激发计算机架构。
2008-02-27 cs.AI cs.NE physics.soc-ph
Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control
Korea University(高丽大学)
脑机接口(BCI)利用大脑信号与外部设备进行通信,而无需实际控制。特别地,BCI是用于控制机器人手臂的接口之一。在这项研究中,我们提出了一个基于知识蒸馏的框架,通过混合范式诱导脑电信号操纵机器人手臂,以供实际使用。教师模型的设计是为了对输入数据进行分层解码,并将知识传递给学生模型。为此,将软标签和蒸馏损失函数应用于学生模型训练。根据实验结果,学生模型取得了最好的性能中的单一架构为基础的方法。它被证实,使用分层模型和知识蒸馏,可以提高一个简单的架构的性能。由于不确定什么是知识转移,因此在未来的研究中澄清这一部分是重要的。
2022-12-14 cs.AI cs.HC cs.RO
Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems
Western Sydney University(西悉尼大学)
训练的T1类卷积神经网络(CNN)模型将用于检查其在输入预处理的脑电图(EEG)数据时成功识别运动想象的能力。从理论上讲,如果模型已经被准确训练,它应该能够识别一个类并相应地标记它。然后将恢复CNN模型,并使用更小的采样数据来尝试识别相同类别的运动想象数据,以尝试模拟实时数据。
2022-05-31 cs.AI cs.LG eess.SP
Multi-Armed Bandits in Brain-Computer Interfaces
Lund University(隆德大学);Blekinge Tekniska Högskola(布莱金厄理工学院)
多臂强盗(MAB)问题模拟了一个决策者,根据当前和获得的新知识优化其行动,以最大限度地提高其回报。这种类型的在线决策在脑机接口(BCI)的许多程序中是突出的,并且MAB先前已被用于调查,例如,使用什么样的心理命令来优化脑机接口的性能。然而,在BCI的上下文中的MAB优化仍然是相对未开发的,即使它有潜力提高BCI的性能在校准和实时实施。因此,本综述旨在进一步向BCI社区介绍MAB。该审查包括MAB问题和标准解决方法的背景,以及与BCI系统相关的解释。此外,它还包括BCI中MAB的最新概念以及对未来研究的建议。
2022-05-19 cs.AI cs.HC cs.SY
A New Age of Computing and the Brain
计算机科学和脑科学的历史是交织在一起的。在他未完成的手稿《计算机与大脑》中,冯·诺依曼讨论了大脑是否可以被认为是一台计算机器,并确定了自然计算和人工计算之间的一些相似之处和差异。图灵在他1950年发表在《心智》上的文章中认为,计算设备最终可以模仿智能,这导致了他提出的图灵测试。赫伯特·西蒙在1957年预测,大多数心理学理论将以计算机程序的形式出现。1976年,David Marr提出视觉系统的功能可以在计算和算法层面上进行抽象和研究,而不依赖于底层的物理基底。2014年12月,由计算社区联盟(CCC)和国家科学基金会计算机和信息科学与工程理事会(NSF CISE)支持的为期两天的研讨会在华盛顿召开,目的是将计算机科学家和大脑研究人员聚集在一起,探索这些新的机会和联系,并在两个研究团体之间建立新的现代对话。具体来说,我们的目标是:1。阐明脑科学和计算接口研究的概念框架,并确定该接口中的关键问题,以吸引CISE和大脑研究人员进入这个空间的方式呈现。2.通知和激发CISE研究社区内的研究人员关于大脑研究的机会,并确定和解释他们可以在推进这一倡议中发挥的战略作用。3.发展脑科学和CISE研究人员之间的新联系,对话和合作,这将导致高度相关和竞争性的建议,高影响力的研究和有影响力的出版物。
2020-04-27 cs.AI cs.CY q-bio.NC
Correlating instruction-tuning (in multimodal models) with vision-language processing (in the brain)
Technische Universität Berlin(柏林技术大学);IIIT Hyderabad(海得拉巴国家理工学院);Univ of Maryland(马里兰大学);Rice Univ(Rice 大学);Univ of Wisconsin - Madison(威斯康星大学麦迪逊分校);Spector Inc(Spector 公司);Microsoft(微软公司)
本研究探究指令微调的多模态大语言模型(MLLMs)与大脑视觉-语言处理的对齐性,发现其优于纯视觉模型且与CLIP相当,并揭示指令特定概念(如计数与识别)与大脑活动强相关,提示增强任务特定信息捕获可提升脑响应预测精度。
2025-05-26 cs.AI cs.LG q-bio.NC
EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Deep Learning Approach
本研究提出一种基于EEG和深度学习的脑机接口轮椅系统,通过滑动窗口特征提取训练五种模型,XGBoost达60%准确率,并实现SVC的GUI模拟及Raspberry Pi驱动方案。
2025-10-06 cs.AI cs.HC eess.SP
Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology(华中科技大学);School of Artificial Intelligence and Automation(人工智能与自动化学院)
针对基于脑电图的脑机接口易受对抗性攻击的问题,首次探索其对抗性伪影检测,通过在两个EEG数据集上用三种卷积神经网络实验验证检测方法性能,发现白盒和黑盒攻击均可检测且前者更易检测。
2022-11-28 cs.AI cs.CR cs.HC
An Investigation on Non-Invasive Brain-Computer Interfaces: Emotiv Epoc+ Neuroheadset and Its Effectiveness
Kennesaw State University(肯尼索州立大学)
在这项研究中,我们说明了脑机接口研究的进展,并提出了当代的方法。首先,我们探索了一种解码自然语音的方法,该方法旨在将人类语音直接从人脑解码到Facebook现实实验室和加州大学旧金山分校推出的数字屏幕上。然后,我们研究了最近提出的一个有远见的项目,使用脑机接口(BMI)的方法来控制人脑。我们还研究了著名的基于脑电图(EEG)的Epoc+ Neuroheadset,通过在三个人类受试者中试验神经耳机,使用大脑信号识别六个情绪参数,包括参与,兴奋,专注,压力,放松和兴趣,其中我们利用两个监督学习分类器,朴素贝叶斯和线性回归显示Epoc+设备的准确性和能力及其在神经技术研究中的相关应用。我们目前的实验研究和演示表明,69%和62%的精度分别提高上述分类器在阅读的性能矩阵的参与者。我们设想,非侵入性、可插入和低成本的BCI方法不仅是肢体瘫痪患者的替代方案,而且还将成为理解大脑的焦点,这将为我们访问和控制记忆和大脑铺平道路。
2022-06-24 cs.AI cs.CY cs.HC