Следующее поколение интернета: серфинг на мозговых волнах, человек и машина в цепочке 🧠

Искусственный интеллект в настоящее время развивается стремительно, однако технологические прорывы незначительны. Приложения, возглавляемые роботами для взаимодействия с LLM, расцветают во множестве направлений, но область ИИ уже вступила в стадию масштабной инженеризации и коммерческой экспансии, в то время как на теоретическом уровне достигла стагнации. Будущие активы и инновационные центры несомненно будут направлены на интерфейсы мозг-компьютер, замещающие материалы для новых источников энергии и космическую экономику.

Основные составные части BCI:

🧠Сбор сигналов
Инвазивный: высокое качество сигнала за счет хирургической имплантации электродов (например, массивов микроэлектродов, ECoG), но существует риск инфекции.
Неинвазивные методы: ЭЭГ (электроэнцефалография): записывает электрическую активность через электроды на коже головы, низкая стоимость, но плохое пространственное разрешение. МЭГ (магнитоэнцефалография): регистрирует магнитные сигналы, высокое разрешение, но дорогое оборудование. ФМРТ (функциональная магнитно-резонансная томография): косвенно измеряет нейронную активность через сигналы, зависимые от уровня кислорода в крови (BOLD). ФНИРС (функциональная near-infrared spectroscopy): использует световые сигналы для обнаружения изменений в уровне кислорода в крови, портативно, но низкое временное разрешение.

🧠Тип сигнала Событийно-обусловленный потенциал (ERP): например, P300 (положительная волна, появляющаяся через 300 мс), используется в системах орфографии. Потенциалы, вызванные ощущениями: например, визуально вызванные потенциалы (VEP), слуховые потенциалы (AEP). Сигналы воображаемого движения (SMR): создаются путем воображения движения конечностей, используются для управления протезами или курсором.

🧠Обработка сигналов Извлечение признаков: удаление шума и извлечение полезной информации, общие методы включают: Совместное пространственное представление (CSP): максимизация разницы дисперсий двух классов сигналов (формула см. ниже). Независимый компонентный анализ (ICA): разделение источников сигналов, удаление артефактов (например, помех от моргания). Вейвлет-преобразование (WT): извлечение временно-частотных признаков. Алгоритмы классификации: отображение признаков на управляющие команды, общие методы включают: Метод опорных векторов (SVM): разделение различных классов с помощью гиперплоскости. Нейронные сети (NN): такие как многослойный перцептрон (MLP), сверточные нейронные сети (CNN). Система нечеткой логики (FIS): обработка неопределенных сигналов.

Будущие направления исследований
1. Разработка недорогих, высокоразрешающих неинвазивных устройств (например, низкоплотных ЭЭГ);
2. Повышение точности классификации с помощью высокопроизводительных алгоритмов глубокого обучения (таких как LSTM, Transformer).
3. Оптимизация алгоритма обработки сигналов в реальном времени для снижения задержки;
4. Расширенные сценарии применения (например, распознавание эмоций, управление виртуальной реальностью).