脑电波技术新突破:读心准确率达到95%

简介:

0?wx_fmt=png

华盛顿大学公布了一项研究,研究人员称开发出了一种新的计算机程序能实时解码人们的思想,其判断实时基于大脑中的电信号,并在显示器中看人们在不同电信号下的反应。解码发生在人第一次看到图像几毫秒后,研究人员表示,准确率已达到95%。


该研究将帮助有语言障碍的人能有一个更好的沟通方式,如瘫痪者、中风者以及自闭症等。研究者将电极植入患者的颞叶中,观察患者对于两种图片的神经反应,这两种图片分别是关于头像和房子,大量的图片以400毫秒的间隔随机出现,研究者们将预测患者看到的是哪种图片。


0?wx_fmt=jpeg


西雅图港景医疗中心七名癫痫病患者成为此次的研究对象,试验中,多个颞叶位置上的电极与计算机软件相连接后,提取出两个脑电波信号的特征:事件相关电位和宽带频谱变化。实验结果表明,从不同的电极位置,对于图像的反应是不同的。有的人对头像敏感,而有的人对房子敏感。


计算机软件对脑电波的采集频率在每秒1000次。软件同样会分析这些数据以确定这些电极的具体位置,信号类型与实际看到的物体是有关联的。通过这种方式,还可以做到高准确度的预测。


0?wx_fmt=jpeg


研究者认为,该项技术对于运动机能、癫痫病以及记忆等研究都会有很大帮助,比如通过电信号定位癫痫病的发病区域。


实际上,该项技术对于大众来说,同样是至关重要的。如今已经有很多人将该技术应用到消费级产品中,可监测情绪、睡眠等。还有一些意念控制类的产品,控制对象包括无人机、轮椅、耳麦等。最近,IBM的工程师想要用头戴式脑电波监测头盔控制机器人BB-8。不过,这些产品因为技术还没有达到很成熟的水平,目前都还难以普及。相信随着技术的越臻成熟,这些产品也将成为我们生活中的常见品。


原文发布时间为:2016-02-02

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
8月前
|
机器学习/深度学习 数据采集 算法
基于影像组学的膀胱癌治疗反应评估:深度学习的应用
本文旨在探讨基于影像组学的膀胱癌治疗反应评估方法,介绍影像组学技术的基本概念和特征提取方法,并探讨深度学习算法在癌症治疗反应评估中的应用。将参考和解析文献Bladder Cancer Treatment Response Assessment in CT using Radiomics with Deep-Learning的分析过程。
82 0
|
10月前
|
XML PyTorch 算法框架/工具
yolo5 训练无人人机识别系统
yolo5 训练无人人机识别系统
66 0
|
10月前
|
传感器 数据采集 人工智能
人体行为足力特征分析及其应用研究_kaic
随着社会现代化的发展和科技的不断进步,我国航天事业蓬勃发展,与此同时产生了很多亟待解决的难题,康复医疗成为航天医学和康复领域的重要课题之一。载人航天实践证明,失重对航天员生理功能有很大影响,这不仅涉及到航天员完成任务的安全性,同时会制约航天员返回地球后的再适应能力。这种因失重产生的生理问题与老年人的生理机能退化有相似之处,老年人摔倒是社会迫切需要面对的另一重大社会问题。老年人群体的跌倒发生率最高且后果严重,这不仅会导致高龄老年人安全感的严重缺失,还会大量消耗医疗服务资源。因此,开展助老防摔装备的研究是目前医疗和社会领域的必要发展方向,它有助于减少老年人跌倒所带来的生命危险.。
|
11月前
|
机器学习/深度学习 人工智能
模型进化狂飙,DetectGPT能否识别最新模型生成结果?(1)
模型进化狂飙,DetectGPT能否识别最新模型生成结果?
125 0
|
11月前
|
算法 测试技术 数据安全/隐私保护
模型进化狂飙,DetectGPT能否识别最新模型生成结果?(2)
模型进化狂飙,DetectGPT能否识别最新模型生成结果?
|
11月前
|
机器学习/深度学习 存储 人工智能
MIT新材料打造「人造突触2.0」,模拟深度学习训练提速100万倍!
MIT新材料打造「人造突触2.0」,模拟深度学习训练提速100万倍!
101 0
|
机器学习/深度学习 数据采集 算法
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
|
机器学习/深度学习 计算机视觉
基于深度学习的柑橘黄龙病识别方法
基于深度学习的柑橘黄龙病识别方法
基于深度学习的柑橘黄龙病识别方法
|
机器学习/深度学习 存储 算法
一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法
针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题,本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法: 1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet特征提取结构; 2)改进YOLOv4网络的加强特征提取部分PANet结构; 3)利用迁移学习与YOLOv4网络训练技巧; 4)模型对水稻病虫害检测的平均精确度达到89.91%,检测速度可达每秒34.51 帧,体量缩减为42.45 MB; 5)与YOLOv4网络相比,网络规模减小了93.88%、网络参数缩减为原来的8.05%、训练速度每秒钟提升了11.59 帧。
436 0
|
机器学习/深度学习
当深度学习搭上一双鞋,有人要用这检测你的压力水平!可无线操作,准确率达84%
当深度学习搭上一双鞋,有人要用这检测你的压力水平!可无线操作,准确率达84%
当深度学习搭上一双鞋,有人要用这检测你的压力水平!可无线操作,准确率达84%

热门文章

最新文章