基于智能计算的脑机制研究

解析脑认知原理和脑疾病的发病机制已是当下脑科学研究的热点。智能计算在脑影像领域的应用可为认知心理学研究、脑疾病的识别和干预以及类脑智能理论研究等提供借鉴和参考。本文介绍利用智能影像计算方法在识别脑认知网络成分、构建脑有向连接模型、预测认知行为变化、构建心理过程神经表征等方面的工作,并对未来相关研究进行展望。     

视错觉现象的分类和研究进展

视错觉指的是人或动物观察物体时,基于知觉经验或不当参照等形成的与客观事实不一致的特定感知.它能从独特的角度显示出视觉系统的认知功能和机理,因此研究错觉原理,建立合适的数学模型和计算机模拟模型,对心理学、生理学和计算机视觉等领域的发展有着重要的意义.在收集整理大量错觉图片的基础上,视错觉可按不同的现象和成因分为轮廓错觉、运动错觉、细胞群错觉、扭曲错觉、尺寸错觉和不可能图形等6类,其中典型错觉图片被选以介绍其成因和生理、心理、计算机领域的研究现状,阐述不同视错觉发生在视觉不同认知层次上,且拥有和正常视觉相同的神经基础,最后概述了视错觉现象的应用意义和前景.     

脑启发的视觉目标识别模型研究与展望

视觉目标识别是计算机视觉领域中最基本、最具有挑战性的研究课题之一.由于灵长类出色的视觉目标识别能力,对其神经功能机理的研究可能为类脑视觉带来革命性的突破.旨在系统地回顾最近在计算神经科学和计算机视觉交叉领域的工作,研究当前基于脑启发的目标识别模型及其依据的视觉神经机制.从认知功能和皮层动力学方面总结了灵长类视觉目标识别...     

基于颜色和形状任务的脑区功能连接的研究

针对视感知中的特征捆绑问题主要通过以下三个方面进行研究：首先,构建静息态和任务态的脑网络,利用堆结构贪婪算法进行模块划分;其次,计算视觉脑区之间的Z值;再次,计算视觉脑区之间的连接度。实验证明了视觉信息加工的两条通路、脑网络动态平衡特性以及参与绑定的重要脑区。研究视觉特征捆绑认知过程,有助于计算机视觉建模,为提高图像识别技术奠定基础。     

基于协同感知的视觉选择注意计算模型

鉴于在任务相关的视觉注意中,需要建立基于任务的视觉注意显著图来引导视觉注意,为此利用与人认知过程相接近的协同感知理论来研究基于任务的视觉注意计算模型,即首先利用协同识别理论研究二义及多义模式的视觉感知,得到协同视觉感知理论;然后将协同视觉感知中的模式与从视觉注意模型中提取的底层视觉特征相对应,利用偏置矩阵的性质计算底层视觉特征间受任务影响而产生的偏置,再由此偏置和底层视觉特征生成基于任务的视觉注意显著图;最后提出了基于协同感知理论的视觉选择注意计算模型。该算法用于基于任务的视觉搜索的实验结果表明,该算法是有效的,在认知上是合理的。     

大规模类脑计算系统BiCoSS: 架构、实现及应用

人脑具有协同多种认知功能的能力与极强的自主学习能力, 随着脑与神经科学的快速发展, 亟需计算结构模拟人脑的、性能更强大的计算平台进行人脑智能与认知行为机制的进一步探索. 受人脑神经机制的启发, 本文提出了基于神经认知计算架构的众核类脑计算系统BiCoSS, 该系统以并行计算的现场可编程门阵列(Field-programmable gate array, FPGA)为核心处理器, 以地址事件表达的神经放电作为信息传递载体, 以具有认知计算功能的神经元作为信息处理单元, 实现了四百万神经元数量级大规模神经元网络认知行为的实时计算, 填补了从细胞动力学层面理解人脑认知功能的鸿沟. 实验结果从计算能力、计算效率、功耗、通信效率、可扩展性等方面显示了BiCoSS系统的优越性能. BiCoSS通过人脑信息处理的计算架构以更贴近神经科学本质的模式实现了类脑智能; 同时, BiCoSS为神经认知和类脑计算的研究和应用提供了新的有效手段.     

脑神经电分析化学的研究及几点新思考

探索大脑的奥秘一直是科学家殚思竭虑的重大研究课题之一.脑的基本功能是利用外周神经获得的信息,构建对外部世界的"表征",并通过调节各个系统的多种生理功能以感知和适应环境的变化.这种调节的基础是神经元内部和彼此之间的信息传递,其中包括电传递和突触化学传递两大类.而化学信息传递主要是通过神经传递物质来完成的.这些物质包括胆碱类、儿茶酚胺类、氨基酸类、神经肽类以及最近发现的一氧化氮自由基.除了这些重要的神经传递物质以外,还有其它一些重要的生理活性物质,如葡萄糖、乳酸、丙酮酸、氧气、谷胱甘肽、抗坏血酸,以及活性氧自由基等也参与脑功能的过程.     

计算物理系统网络拓扑模型研究

计算物理系统是一个典型复杂系统,网络化是计算物理系统区别于以往智能系统的一个重要特性,构建网络拓扑模型成为研究计算物理系统的基础性问题.分析计算物理系统的工作信息流程以及系统网络化结构基础上,提出了感知、计算和控制3类功能节点模型,构建了以矩阵形式和立体形式表示的计算物理系统3重立体网络拓扑模型.智能交通案例表明,该模型能够清晰地描述计算物理系统的网络拓扑,为计算物理系统网络特性的分析提供基础,有利于计算物理系统抗毁性等特性以及演化规律的研究.     

认知任务驱动的fMRI脑功能网络构建方法

针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制,提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。首先计算fMRI体素对于认知任务的敏感度,然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点,从而构建任务驱动的脑功能网络。实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络,其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。结果表明,计算得到的大脑兴趣点具有更强的整合性,更适合用于表征特定认知任务下的脑功能网络。     

基于静息态 fMRI 的催眠控制呼吸研究

催眠是一种被证明有效的、无害的心理学上的呼吸控制方法.文章通过对13位有催眠背景的心理咨询师被试进行催眠控制呼吸实验,由催眠师引导被试进行催眠,运用静息态功能磁共振的方法来研究催眠控制呼吸状态下脑功能的异常.结果显示:在催眠状态下,脑活动在视觉皮层(枕叶)、感觉运动皮层(中央前回、中央后回、布洛德曼4、6区)、后扣带回以及颞中回上升;在背外侧前额皮层、小脑后叶以及缘上回下降,并且在全脑大规模静息态功能网络范围内相关关系增强(正常态r=0.64,催眠态r=0.80).此外,催眠状态下视觉皮层与运动皮层之间的功能连接增强.研究结果表明,视觉皮层和运动皮层在催眠控制呼吸的神经机制中发挥了重要的作用,其神经机制也可能与认知处理和感知处理密切相关.本研究结合了心理学以及脑科学,为催眠研究提供了一个认知脑科学的研究新视觉.     

类脑超大规模深度神经网络系统

大规模神经网络展现出强大的端到端表示能力和非线性函数的无限逼近能力,在多个领域表现出优异的性能,成为一个重要的发展方向.如自然语言处理(NLP)模型GPT,经过几年的发展,目前拥有1750亿网络参数,在多个NLP基准上到达最先进性能.然而,按照现有的神经网络组织方式,目前的大规模神经网络难以到达人脑生物神经网络连接的规...     

可用于机械臂控制的小脑脉冲神经元网络研究与FPGA实现

小脑对运动的调控和对环境的适应性是人体完成快速精准运动的关键,模拟并研究小脑的运行机制将为控制复杂多变的机器人模型提供更有效的方法.鉴于此,遵循神经元数量的真实生物比率,构建大规模小脑脉冲神经网络模型,模拟大脑中小脑的真实结构、信息传递方式和学习机制,实现对机械臂的误差纠正控制,同时依据系统在不同控制任务下的控制结果,得到不同突触可塑性对小脑网络控制效果的影响规律.为了进一步增加小脑控制系统的生物真实性,以更贴近人脑的并行运算方式在现场可编程门阵列(field programmable gate array,FPGA)平台上实现所构建的模型,并进行相应的资源优化,增加可实现的网络规模.FPGA实现结果显示,系统能够成功完成基于小脑误差纠正功能的自适应类脑机械臂控制,可以验证小脑的真实细胞动力学和大规模颗粒层提供的高容错性,并提供兼顾小脑应用功能实现和理论研究的平台.     

生物视觉系统的神经网络编码模型综述

生物视觉系统的研究一直是计算机视觉算法的重要灵感来源。有许多计算机视觉算法与生物视觉研究具有不同程度的对应关系,包括从纯粹的功能启发到用于解释生物观察的物理模型的方法。从视觉神经科学向计算机视觉界传达的经典观点是视觉皮层分层层次处理的结构。而人工神经网络设计的灵感来源正是视觉系统中的分层结构设计。深度神经网络在计算机视觉和机器学习等领域都占据主导地位。许多神经科学领域的学者也开始将深度神经网络应用在生物视觉系统的计算建模中。深度神经网络多层的结构设计加上误差的反向传播训练,使得它可以拟合绝大多数函数。因此,深度神经网络在学习视觉刺激与神经元响应的映射关系并取得目前性能最好的模型同时,网络内部的单元甚至学习出生物视觉系统子单元的表达。本文将从视网膜等初级视觉皮层和高级视觉皮层(如,视觉皮层第4区(visual area 4,V4)和下颞叶皮层(inferior temporal,IT))分别介绍基于神经网络的视觉系统编码模型。主要内容包括:1)有关视觉系统模型的概念与定义;2)初级视觉系统的神经网络预测模型;3)任务驱动的高级视觉皮层编码模型。最后本文还将介绍最新有关无监督学习的神经编码...     

脉冲神经网络:模型、学习算法与应用

脉冲神经网络是目前最具有生物解释性的人工神经网络,是类脑智能领域的核心组成部分.首先介绍各类常用的脉冲神经元模型以及前馈和循环型脉冲神经网络结构;然后介绍脉冲神经网络的时间编码方式,在此基础上,系统地介绍脉冲神经网络的学习算法,包括无监督学习和监督学习算法,其中监督学习算法按照梯度下降算法、结合STDP规则的算法和基于脉冲序列卷积核的算法3大类别分别展开详细介绍和总结;接着列举脉冲神经网络在控制领域、模式识别领域和类脑智能研究领域的应用,并在此基础上介绍各国脑计划中,脉冲神经网络与神经形态处理器相结合的案例;最后分析脉冲神经网络目前所存在的困难和挑战.     

The design of a brain sensory organ monitoring thinking activity inside the knowledge system: the brain system

In this article, by adopting brain functions, a brain-inspired system which has a hierarchical structure is designed. In particular, a brain sensory organ is defined as the 6th sense monitoring the brain’s activities of sensing input data, monitoring thinking activities, and maintaining the memory. This brain-inspired system with a brain sensory organ has functions of data acquisition, memory storing and maintenance, and memory recall processes. Emotion and the concept of emotional switching are specially designed and specified. In addition, a thought chain reaction extraction process by emotional switching, and a dynamic thinking associative map (DTAM) in the brain-inspired system were proposed and tested by sample data in the virtual memory.     

fMRI的视觉神经信息编解码方法综述

视觉神经信息编解码旨在利用功能磁共振成像(functional magnetic resonance imaging,fMRI)等神经影像数据研究视觉刺激与大脑神经活动之间的关系。编码研究可以对神经活动模式进行建模和预测,有助于脑科学与类脑智能的发展;解码研究可以对人的视知觉状态进行解译,能够促进脑机接口领域的发展。因此,基于fMRI的视觉神经信息编解码方法研究具有重要的科学意义和工程价值。本文在总结基于fMRI的视觉神经信息编解码关键技术与研究进展的基础上,分析现有视觉神经信息编解码方法的局限。在视觉神经信息编码方面,详细介绍了基于群体感受野估计方法的发展过程;在视觉神经信息解码方面,首先,按照任务类型将其划分为语义分类、图像辨识和图像重建3个部分,并深入阐述了每个部分的代表性研究工作和所用的方法。特别地,在图像重建部分着重介绍了基于深度生成模型(主要包括变分自编码器和生成对抗网络)的简单图像、人脸图像和复杂自然图像的重建技术。其次,统计整理了该领域常用的10个开源数据集,并对数据集的样本规模、被试个数、刺激类型、研究用途及下载地址进行了详细归纳。最后,详细介绍了视觉神经信息编解码模...     

生物神经网络仿真的方法和工具

大脑作为人体的关键器官,其复杂程度非常高,被了解的也最少。为了研究与大脑相关的疾病和人类智能的机理,出现了新的学科——神经网络的仿真。神经网络仿真是和传统的神经网络算法完全不同的一个领域,属于信息学、生物学、计算机科学、仿真等多个领域相互交叉的学科。本文介绍了神经网络仿真的基本原理以及国外出现的开源工具和支撑项目,并对存在的仿真建模工具进行了全面的比较,以便于用户根据自身建模的需要选择合适的工具。文章对生物神经网络仿真的计算量进行了评估,并结合我国最新研制的天河1-A超级并行计算机讨论了并行生物神经网络仿真的前景。     

Integrative connectionist learning systems inspired by nature: current models, future trends and challenges

The so far developed and widely utilized connectionist systems (artificial neural networks) are mainly based on a single brain-like connectionist principle of information processing, where learning and information exchange occur in the connections. This paper extends this paradigm of connectionist systems to a new trend—integrative connectionist learning systems (ICOS) that integrate in their structure and learning algorithms principles from different hierarchical levels of information processing in the brain, including neuronal-, genetic-, quantum. Spiking neural networks (SNN) are used as a basic connectionist learning model which is further extended with other information learning principles to create different ICOS. For example, evolving SNN for multitask learning are presented and illustrated on a case study of person authentification based on multimodal auditory and visual information. Integrative gene-SNN are presented, where gene interactions are included in the functioning of a spiking neuron. They are applied on a case study of computational neurogenetic modeling. Integrative quantum-SNN are introduced with a quantum Hebbian learning, where input features as well as information spikes are represented by quantum bits that result in exponentially faster feature selection and model learning. ICOS can be used to solve more efficiently challenging biological and engineering problems when fast adaptive learning systems are needed to incrementally learn in a large dimensional space. They can also help to better understand complex information processes in the brain especially how information processes at different information levels interact. Open questions, challenges and directions for further research are presented.     

An empirical investigation of bias and variance in time series forecasting: modeling considerations and error evaluation

Bias and variance play an important role in understanding the fundamental issue of learning and generalization in neural network modeling. Several studies on bias and variance effects have been published in classification and regression related research of neural networks. However, little research has been done in this area for time-series modeling and forecasting. We consider modeling issues related to understanding error components given the common practices associated with neural-network time-series forecasting. We point out the key difference between classification and time-series problems in consideration of the bias-plus-variance decomposition. A Monte Carlo study on the role of bias and variance in neural networks time-series forecasting is conducted. We find that both input lag structure and hidden nodes are important in contributing to the overall forecasting performance. The results also suggest that overspecification of input nodes in neural network modeling does not impact the model bias, but has significant effect on the model variance. Methods such as neural ensembles that focus on reducing the model variance, therefore, can be valuable and effective in time-series forecasting modeling.