类脑智能研究的回顾与展望

人工智能学科诞生以来,实现人类水平的智能系统便是本学科探索的长期目标.然而经历了近60年的发展,目前还没有任何一个通用智能系统能够接近人类水平:具有协同多种不同的认知能力;对复杂环境具备极强的自适应能力;对新事物、新环境具备自主学习的能力等.随着脑与神经科学、认知科学的发展,在不同尺度观测各种认知任务下脑神经网络的部分活动并获取相关数据已成为可能.因此,受脑工作机制启发,发展类脑智能成为近年来人工智能与计算科学领域研究的热点.类脑智能是以计算建模为手段,受脑神经机制和认知行为机制启发并通过软硬件协同实现的机器智能.类脑智能系统在信息处理机制上类脑,认知行为和智能水平上类人,目标是使机器实现各种人类具有的多种认知能力及其协同机制,最终达到或超越人类智能水平.文中将从脑科学、认知科学、人工智能研究交叉的视角回顾与类脑智能研究有关的历史、现状与研究焦点,并展望该研究领域的发展方向、可能的应用领域及其潜在的深远影响.

混合智能管理系统理论与方法研究

随着人工智能技术的飞速发展及其在诸多行业中广泛和深入的应用,人机混合智能系统逐渐涌现.以人机协同混合智能为特定管理目标的混合智能管理系统,正处于萌芽阶段,已逐渐受到学术界、政府部门和产业界的重视,相关研究对实施科技强国战略具有重要意义.结合国家自然科学基金委管理科学部“十四五”规划相关领域专家的前期讨论意见,本文凝练出该领域值得深入探索的五个研究方向,并给出了每个方向的典型科学问题示例.

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MIBCI)对运动康复具有重大意义。然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统。近年来,精细运动想象编解码研究逐渐受到关注与重视,在范式与解码方法两方面取得了一些研究进展。范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中。本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用。

丙泊酚梯度镇静下功能核磁共振全脑功能的次序变化

目的不同剂量的丙泊酚在大脑中的作用部位是不同的,本研究拟动态地观察丙泊酚在脑内的作用途径,进一步探索其镇静机制。方法招募健康志愿者12例,男6例,女6例,年龄18~40岁,BMI 20~25 kg/m^2,ASA Ⅰ级。在未输注丙泊酚状态下进行一次静息态功能核磁共振(RS-fMRI)扫描,然后设定丙泊酚初始效应室浓度(Ce)为0.5 μg/ml,稳定5 min后完成一次RS-fMRI扫描。逐渐以0.5 μg/ml的增幅递增,每个Ce下均完成一次RS-fMRI扫描,直到Ramsay评分达到6分。在全脑范围内进行局部一致性(ReHo)的对比分析。结果与清醒时比较,Ce 0.5 μg/ml时小脑后叶、舌回、枕叶、颞叶等脑区ReHo值明显增加(P<0.05),前扣带回、中央前回、额叶等ReHo值明显降低(P<0.05)。与Ce 0.5 μg/ml时比较,Ce 1.0 μg/ml时额叶等脑区ReHo值明显增加(P<0.05),小脑后叶、海马旁回等ReHo值明显降低(P<0.05)。与Ce 1.0 μg/ml时比较,Ce 1.5 μg/ml时楔前叶、前扣带回、枕叶等脑区ReHo值明显增加(P<0.05),小脑前叶、梭状回、顶叶等ReHo值明显降低(P<0.05)。与Ce 1.5 μg/ml时比较,Ce 2.0 μg/ml时小脑前叶、小脑后叶、颞叶等脑区ReHo值明显增加(P<0.05),楔前叶、额叶、顶叶等ReHo值明显降低(P<0.05)。结论丙泊酚的作用部位广泛,包含皮层和皮层下中枢,表现为效应脑区分布和局部脑活动强度的动态变化。小脑、扣带回和楔前叶在丙泊酚镇静加深的过程中起关键作用。

基于机器学习和几何变换的实时2D/3D脊椎配准

在图像引导的脊柱手术中,实时高效的2D/3D配准是一项重要且具有挑战性的任务.通常的2D/3D配准一般是将三维图像投影到二维平面,然后进行2D/2D的配准.由于投影空间涉及到3个平移以及3个旋转参数,其投影空间的复杂度为O(n6),使得配准很难兼具高准确性和高实时性.本文提出了一个结合机器学习与几何变换的2D/3D配准方法,首先,使用统计形状模型对目标脊椎进行建模,并构建了一种新的投影方式,使得6个投影参数中的4个可以使用几何的方法计算出来;接下来利用回归学习的方法学习目标脊椎的形状与投影参数之间的关系;最终,结合学到的关系和几何变换完成配准.本方法的两个姿态参数的平均预测误差为0.84?和0.81?,平均目标配准误差(Mean target registration error,m TRE)为0.87 mm,平均配准时间为0.9 s.实验结果表明本方法具有很好的实时性和准确性.

机器学习在神经精神疾病诊断及预测中的应用

多模态磁共振神经影像技术的发展为大脑工作原理研究及脑部疾病早期诊断提供了新的手段。当前多数神经精神性疾病的诊断仅依据其临床症状,缺少客观的神经影像生物学标志物。传统的基于组间比较的单变量分析仅能在组间水平进行推断,无法提供个体水平的诊断和预测,临床应用价值非常有限。机器学习技术可在不同水平对神经影像进行计算分析和研究,发现其中规律从而有效预测和分类未知数据,找出与脑疾病高度相关的脑区特征,提供个体水平的诊断并探测脑疾病的病理生理机制。本文对基于机器学习的神经影像分析步骤及机器学习在神经精神疾病智能诊断及预测研究中的应用进行综述,并对未来研究发展进行展望。

适用于文字检测的候选框提取算法

在文字检测的相关研究中,针对文字的候选框提取方法并未得到广泛关注与深入挖掘。一方面由于文字本身结构和一般物体具有较强的差异性,另一方面由于文字对检测的精度要求高。本文提出了一种针对文字的候选框提取算法,该算法首先利用全卷积网络进行快速预测文字区域,有效地减少了候选框的搜索范围,然后针对文字特性对EdgeBox算法进行改进,使之适用于自然场景文字候选框的提取。此外,本文在两个自然场景文字检测的标准数据集上对该算法进行了评测,并与其他已有的候选框提取方法进行了比较。实验结果表明本文方法相较其他算法,具有更好的性能和鲁棒性。

基于静息态功能磁共振的脑肿瘤患者手术麻醉前后健侧脑功能网络构建及分析

目的应用静息态功能磁共振(rs-fMRI)成像技术,对脑肿瘤患者手术麻醉前后健侧脑功能网络进行构建及分析。方法前瞻性纳入2018年12月至2021年12月北京大学国际医院行胶质瘤切除术患者18例,均为右利手。年龄20~65(45.1±13.6)岁,其中男6例,女12例。美国麻醉医师协会(ASA)分级Ⅰ~Ⅱ级。分别在患者清醒和外科麻醉深度下进行磁共振扫描,并以图理论的方式进行健侧脑功能网络构建及分析,计算其全局和节点拓扑属性。全局拓扑属性包括:全局效率(Eg)、局部效率(Eloc)、集聚系数(Cp)、最短路径长度(Lp)和小世界属性(SW)。节点拓扑属性包括:节点度(ND)、节点效率(NE)及介数中心度(BC)。比较所有不同脑半球占位患者在清醒和麻醉状态下健侧脑网络全局和节点拓扑属性的改变。结果清醒状态下,所有患者健侧脑网络全局拓扑属性中的Eloc和Cp分别为0.259±0.007和0.197±0.010,麻醉后降低到0.242±0.013和0.177±0.021,差异均有统计学意义(均P<0.01)。所有患者健侧脑网络节点拓扑属性表现为默认模式网络相关脑区的ND、NE及BC升高,边缘系统和皮层下结构NE和BC降低。左侧脑半球占位患者清醒状态下Eloc和Cp分别为0.258±0.008和0.198±0.008,麻醉后降低到0.241±0.011和0.177±0.015,差异均有统计学意义(均P<0.01);而右侧脑半球占位患者麻醉后仅发生Eloc降低,清醒和麻醉后Eloc分别为0.260±0.006和0.243±0.016,差异有统计学意义(P<0.05);麻醉后不同脑半球占位患者节点拓扑属性呈双向变化,且左侧脑半球占位患者麻醉后更易受广泛影响,麻醉药物的作用可能存在一定半球偏侧性,如果肿瘤在优势半球,则优势侧代偿功能更易受损。结论麻醉诱发的脑肿瘤患者意识丧失期间,大脑整合信息能力变弱,局部区域之间的功能连接减弱,部分脑区发生了功能连接重组,脑网络变化呈双相调控。