Nature:科学家首次利用深度学习量化人类意识

简介: Nature:科学家首次利用深度学习量化人类意识

【新智元导读】一项由韩国、比利时等合作的最新脑科学研究发现,利用深度学习可以量化意识,研究对睡眠、麻醉、脑损伤等不同状况都获得了实验数据。


现在,科学家对人类意识有了新认识!

 

这次的研究,是通过深度学习算法的AI方式来揭开谜题。

 

竟然!睡眠、全身麻醉、严重脑损伤等不同状况下的意识,都得了有效测量。

 

量化人类意识


最近,由欧盟资助的一项有关HBP SGA3和DoCMA的项目研究取得了重大进展,已经可以量化人类意识。

 

论文题为《利用可解释的深度学习量化不同状态下的唤醒和意识》,发表在今年2月25日的《自然通讯》上。

 

 

全文下载地址:https://www.nature.com/articles/s41467-022-28451-0

 

该项目由韩国高丽大学Minji Lee牵头,参与合作研究的还有比利时列日大学等。

 

论文第一作者、韩国高丽大学大脑与认知工程系Minji Lee

 

在这项研究中,研究团队成功开创了一种可解释的意识指示器(explainable consciousness indicator,简称ECI),这种指示器能帮助科学家探索意识的不同组成部分。

 

意识将由两部分来描述:一部分叫做Arousal,即「清醒状态」,另一部分叫做Awareness,指人的「认知能力」。

 

也就是说,正常的人睁开双眼,就意味着这个人处于「清醒状态」。如果他有能力接收不同的指令,依照指令行动,则表明他具备了「认知能力」。

 

然而,在不同条件下,包括无梦的睡眠、有梦的睡眠、麻醉状态以及严重的大脑损伤,人们具有不同水平的意识能力。

 

这项研究正是使用了睡眠、全身麻醉、严重脑损伤共3类实验数据,分别获得了6个、16个和34个观察样本。

 

 

到目前为止,这是第一个对意识进行量化的研究,实验得到了较为可靠的数据。

 

不过,论文合作者、列日大学昏迷研究小组主任Olivia Gosseries表示,「想要在临床实践中应用这项新工具,并开发出线上实时工具,还需要更多的研究。」

 

比利时列日大学Olivia Gosseries

 

Olivia认为,ECI意识指示器在手术室或者ICU投入使用之前,我们的研究还有路要走。

 

ECI意识指示器


研究是如何在ECI的帮助下进行的?这是ECI意识指示器框架示意图:

 

 

它的工作原理可以分步解释为:


第一步,将原始脑电信号转换为3D时空矩阵。

 

第二步,转换后的3D特征被用于卷积神经网络的两种意识成分:「清醒状态」和「认知能力」,在每种意识状态下,脑电图数据被训练成两类:低类和高类。

 

第三步,对每种意识状态的类间概率取平均值,用于计算每个会话中的ECI。

 

最后一步,研究使用分层关联传播(LRP)检查模型已经学习了哪些大脑信号,以及它为什么会做出这样的决定。

 

研究指出,ECI意识指示器借助深度学习能够区分「清醒状态」和「认知能力」。

 

加号表示高水平,减号表示低水平

 

研究人员表示,这种新型的研究工具是一种可靠的「鉴别器」,是衡量意识的一种客观工具。

 

与此同时,ECI还具有提升不同环境下病患临床护理水平的潜力,例如,在手术过程中监测麻醉诱导状态和诊断昏迷或植物人状态。

 

研究显示,大部分状态的「清醒程度」和「认知能力」是一致的,上图表现即「清醒状态」和「认知能力」栏有相同的「+」和「-」。

 

但是,快速眼动睡眠状态(REM)和氯胺酮引起的麻醉状态有较低的「清醒程度」和较高的「认知能力」,这两种状态和其它的状态有显著的区别。

 

该论文的第二作者、韩国高丽大学AI系的Seong-Whan Lee教授表示,论文展示了全球首创的ECI意识测量,是一种可以同时量化「清醒程度」和「认知水平」的新技术。

 

研究对生理、药理、病理3类情况,进行了8种状态的意识解释:

 

 

在生理状态中,第1类,正常的醒着状态是高「清醒程度」、高「认知能力」;第2类,做梦的快速眼动(REM)睡眠状态是低「清醒程度」、高「认知能力」;第3类,无梦的非快速眼动(NREM)睡眠状态是低「清醒程度」、低「认知能力」。

 

在药理状态中,第4类,氯胺酮麻醉是低「清醒程度」、高「认知能力」;第5类,异丙酚或氙气诱导麻醉是低「清醒程度」、低「认知能力」。

 

在病理状态中,第6类,微意识状态(MCS)是高「清醒程度」、高「认知能力」;第7类,无行为能力的微意识状态(MCS*)是高「清醒程度」、高「认知能力」;第8类,无反应性觉醒综合征状态(UWS)是高「清醒程度」、低「认知能力」。

 

此外,大脑的顶叶区域和人的「清醒程度」、「认知能力」的衡量最具相关性。

 

据悉,这项HBP SGA3(全称:Human Brain Project Specific Grant Agreement 3)是人脑研究项目的最后一个阶段。

 

本次合作成果颇丰,展示了EBRAINS共享数据平台工具,在研究大规模的人类神经图像集方面非常有效。

 

未来,研究量化意识的专家借助HBP小组的一些成果,继续发展数字神经科学和脑科学。


参考资料:

https://neurosciencenews.com/human-consciousness-ai-20447/https://www.jkwshk.tv/gwjz/20220423/135634.html

相关实践学习
深入解析Docker容器化技术
Docker是一个开源的应用容器引擎,让开发者可以打包他们的应用以及依赖包到一个可移植的容器中,然后发布到任何流行的Linux机器上,也可以实现虚拟化,容器是完全使用沙箱机制,相互之间不会有任何接口。Docker是世界领先的软件容器平台。开发人员利用Docker可以消除协作编码时“在我的机器上可正常工作”的问题。运维人员利用Docker可以在隔离容器中并行运行和管理应用,获得更好的计算密度。企业利用Docker可以构建敏捷的软件交付管道,以更快的速度、更高的安全性和可靠的信誉为Linux和Windows Server应用发布新功能。 在本套课程中,我们将全面的讲解Docker技术栈,从环境安装到容器、镜像操作以及生产环境如何部署开发的微服务应用。本课程由黑马程序员提供。     相关的阿里云产品:容器服务 ACK 容器服务 Kubernetes 版(简称 ACK)提供高性能可伸缩的容器应用管理能力,支持企业级容器化应用的全生命周期管理。整合阿里云虚拟化、存储、网络和安全能力,打造云端最佳容器化应用运行环境。 了解产品详情: https://www.aliyun.com/product/kubernetes
相关文章
|
1月前
|
机器学习/深度学习 数据采集 编解码
基于深度学习分类的时相关MIMO信道的递归CSI量化(Matlab代码实现)
基于深度学习分类的时相关MIMO信道的递归CSI量化(Matlab代码实现)
|
2月前
|
机器学习/深度学习 存储 人工智能
深度解析大模型压缩技术:搞懂深度学习中的减枝、量化、知识蒸馏
本文系统解析深度学习模型压缩三大核心技术:剪枝、量化与知识蒸馏,详解如何实现模型缩小16倍、推理加速4倍。涵盖技术原理、工程实践与组合策略,助力AI模型高效部署至边缘设备。
629 1
|
9月前
|
机器学习/深度学习 传感器 人工智能
穹彻智能-上交大最新Nature子刊速递:解析深度学习驱动的视触觉动态重建方案
上海交大研究团队在Nature子刊发表论文,提出基于深度学习的视触觉动态重建方案,结合高密度可拉伸触觉手套与视觉-触觉联合学习框架,实现手部与物体间力量型交互的实时捕捉和重建。该方案包含1152个触觉感知单元,通过应变干扰抑制方法提高测量准确性,平均重建误差仅1.8厘米。实验结果显示,其在物体重建的准确性和鲁棒性方面优于现有方法,为虚拟现实、远程医疗等领域带来新突破。
236 32
|
8月前
|
机器学习/深度学习 存储 传感器
DeepMind发布Matryoshka(套娃)量化:利用嵌套表示实现多精度LLM的低比特深度学习
本文介绍 Google DeepMind 提出的 Matryoshka 量化技术(MatQuant),该技术通过训练单个大型语言模型(LLM)实现多精度部署,革新了深度学习
211 4
|
机器学习/深度学习 存储 算法
关于深度学习量化的操作
0. 简介 深度学习中做量化提升运行速度是最常用的方法,尤其是大模型这类非常吃GPU显存的方法。一般是高精度浮点数表示的网络权值以及激活值用低精度(例如8比特定点)来近似表示达到模型轻量化,加速深度学习模型推理,目前8比特推理已经比较成熟。比如int8量化,就是让原来32bit存储的数字映射到8bit存储。int8范围是[-128,127], uint8范围是[0,255]。 使用低精度的模型推理的优点:1. 模型存储主要是每个层的权值,量化后模型占用空间小,32比特可以缩减至8比特,并且激活值用8比特后,减小了内存的访问带宽需求。2:单位时间内处理定点运算指令比浮点数运算指令多。 1.
237 12
|
机器学习/深度学习 人工智能 自然语言处理
深度学习还不如浅层网络?RL教父Sutton持续反向传播算法登Nature
【9月更文挑战第24天】近年来,深度学习在人工智能领域取得巨大成功,但在连续学习任务中面临“损失可塑性”问题,尤其在深度强化学习中更为突出。加拿大阿尔伯塔大学的研究人员提出了一种名为“持续反向传播”的算法,通过选择性地重新初始化网络中的低效用单元,保持模型的可塑性。该算法通过评估每个连接和权重的贡献效用来决定是否重新初始化隐藏单元,并引入成熟度阈值保护新单元。实验表明,该算法能显著提升连续学习任务的表现,尤其在深度强化学习领域效果明显。然而,算法也存在计算复杂性和成熟度阈值设置等问题。
234 2
|
机器学习/深度学习 自动驾驶 安全
基于深度学习的图像识别技术在自动驾驶系统中的应用网络安全与信息安全:防御前线的关键技术与意识
【4月更文挑战第30天】随着人工智能技术的飞速发展,深度学习已成为推动多个技术领域革新的核心力量。特别是在图像识别领域,深度学习模型已展现出超越传统算法的性能。在自动驾驶系统中,准确的图像识别是确保行车安全和高效导航的基础。本文将探讨深度学习在自动驾驶中图像识别的应用,分析关键技术挑战,并提出未来的发展方向。
|
机器学习/深度学习 安全 网络安全
利用深度学习优化图像识别流程网络安全与信息安全:防范漏洞、强化加密、提升意识
【5月更文挑战第27天】 在本文中,我们探索了深度学习技术如何革新传统的图像识别过程。通过构建一个基于卷积神经网络(CNN)的模型,我们展示了从数据预处理到特征提取再到分类决策的整个优化流程。实验结果表明,该模型在处理复杂图像数据集时,不仅提高了识别准确率,还显著缩短了处理时间。文章最后讨论了模型在现实世界应用中的潜力以及未来改进的方向。 【5月更文挑战第27天】在数字时代,网络安全与信息安全已成为全球关注的焦点。本文将深入探讨网络安全漏洞的成因与危害,加密技术的重要性及其应用,以及提升公众安全意识的必要性。通过对这些关键领域的分析,我们旨在为读者提供一套全面的安全防护策略,以应对日益复杂的
|
机器学习/深度学习 自然语言处理 监控
7 Papers & Radios | MIT研究登Science;腾讯深度学习推荐系统首次入选OSDI顶会
7 Papers & Radios | MIT研究登Science;腾讯深度学习推荐系统首次入选OSDI顶会
343 0
|
机器学习/深度学习 存储 缓存
每秒10亿次更新、实现秒级同步延迟,腾讯深度学习推荐系统首次入选OSDI顶会(2)
每秒10亿次更新、实现秒级同步延迟,腾讯深度学习推荐系统首次入选OSDI顶会
346 0