Следующее поколение интернета: серфинг на мозговых интерфейсах, человек на блокчейне 🧠

Искусственный интеллект в настоящее время находится на пике популярности, однако технические прорывы незначительны. Приложения, такие как роботы на базе LLM, расцветают, но область ИИ вступила в стадию масштабной инженерии и коммерческой экспансии, в теоретическом плане достигнув стадии стагнации. Будущие активы и точки инноваций обязательно будут направлены на интерфейсы мозг-компьютер, заменяющие материалы для новых источников энергии и космическую экономику.

Интерфейс мозг-компьютер (Brain-Computer Interface, BCI) — это технология, позволяющая осуществлять прямое взаимодействие между человеческим мозгом и компьютером или другими внешними устройствами путем записи и декодирования активности мозга. Его основной целью является предоставление возможностей для коммуникации и управления пациентам с нарушениями двигательной функции, а также расширение применения для здорового населения (например, управление играми, мониторинг внимания и т. д.).

Основные компоненты BCI:

🧠Сбор сигналов

Инвазивные: с помощью хирургической имплантации электродов (например, массивы микроэлектродов, ECoG) достигается высокая качество сигнала, но существует риск инфекции.

Неинвазивные: ЭЭГ (электроэнцефалография): запись электрической активности с помощью электродов на коже головы, низкая стоимость, но низкое пространственное разрешение. МЭГ (магнитоэнцефалография): запись магнитных сигналов, высокая разрешающая способность, но дорогостоящее оборудование. ФМРТ (функциональная магнитно-резонансная томография): косвенная оценка нервной активности на основе сигналов, зависящих от уровня кислорода в крови (BOLD). fNIRS (ближняя инфракрасная спектроскопия): использование световых сигналов для обнаружения изменений в уровне кислорода в крови, портативно, но низкое временное разрешение.

🧠Типы сигналов

Событийно-обусловленные потенциалы (ERP): например, P300 (положительное колебание, возникающее через 300 мс), используется в системах для письма. Потенциалы, вызванные ощущениями: например, визуально вызванные потенциалы (VEP), слуховые вызванные потенциалы (AEP). Сигналы воображаемого движения (SMR): создаются при воображении движения конечностей, используются для управления протезами или курсором.

🧠Обработка сигналов

Извлечение признаков: удаление шумов и извлечение полезной информации, часто используемые методы включают:

Совместное пространственное представление (CSP): максимизация различий дисперсии между двумя классами сигналов (формула см. ниже). Анализ независимых компонент (ICA): разделение источников сигнала, удаление артефактов (например, помех от моргания). Вейвлет-преобразование (WT): извлечение временных и частотных характеристик. Алгоритмы классификации: отображение признаков на управляющие команды, часто используемые методы включают:

Метод опорных векторов (SVM): разделение различных классов с помощью гиперплоскости. Нейронные сети (NN): такие как многослойные перцептроны (MLP), свёрточные нейронные сети (CNN). Системы нечеткой логики (FIS): обработка неопределенных сигналов.

Направления будущих исследований

1. Разработка недорогих, высокоразрешающих неинвазивных устройств (например, низкоплотное ЭЭГ);

2. Сочетание высокопроизводительных алгоритмов глубокого обучения (например, LSTM, Transformer) для повышения точности классификации.

3. Оптимизация алгоритмов обработки сигналов в реальном времени для уменьшения задержек;

4. Расширение областей применения (например, распознавание эмоций, управление виртуальной реальностью).