“大腦解碼”技術 助吸煙者抵抗尼古丁誘惑
一項革命性機器學習方法預測神經認知的改變，類似於手機文本條目和網際網路搜索引擎。
上周在西班牙，在大腦學習神經資訊處理系統和解讀神經影像學的研討會(Neural Information Processing Systems' Machine Learning and Interpretation in Neuroimaging workshop)上提出的這項研究，由國家藥物濫用研究所提供資金支援。該研究所對幫助人們控制藥癮的這些方法非常感興趣。
艾麗安娜-安德森(Ariana Anderson)博士說：“在這個成癮和渴望的研究中，研究團隊分類了從抽煙者那裏獲得的資料，這些資料是在他們觀看引誘出尼古丁渴望的時候掃描獲得的。目的是為了詳細的瞭解大腦的哪個區域和哪個神經網路明確的抵抗或渴望尼古丁誘惑。“安德森博士是綜合神經成像技術實驗室(Laboratory of Integrative Neuroimaging Technology)的博士後研究員也是這項研究的主要作者。
安德森說：“我們對探測人類大腦結構和功能之間的關係非常感興趣，特別是涉及到更高級別的認知，例如心理意象。實驗室參與現代資料分析的積極開發，例如機器學習，特別注意揭示神經組織系統水準的方法。
在這項研究中，吸煙者有時候觀看引誘渴望的視頻，有時候看“中立”視頻，有時候卻完全沒有視頻。他們被指示當尼古丁出現的時候抵抗它的誘惑。
通過功能磁共振成像掃描從研究參與者身上獲得的資料隨後被進行了分析。傳統的機器學習方法被馬爾科夫過程(Markov processes)所擴張，馬爾科夫過程使用過去史來預測未來狀況。
在掃描期間通過測試大腦網路隨著時間的活躍性，機器學習演算法的結果能夠在被試者潛在的神經認知結構上發生預見的變化，高精度（某些模型測試達到90%）的預測出他們正在注意的，就渴望而言，他們如何應對他們的渴望。
在加州大學洛杉磯分校讀完統計學博士學位的的安德森說：“我們檢測人們是否注意並抵抗誘惑，或者沉溺其中，或者觀看與吸煙和渴望無關的視頻。本質上說，我們一直預測和探知人們正在觀看什麼類型的視頻，是否他們正在抵擋他們的渴望。”
其研究人員說，其實這種演算法能夠完成或者“預測”被試者的精神狀態和思考方式，它同網際網路搜索引擎或手機短信系統在使用者停止輸入前預見或完成一個句子是以差不多的方式。基於馬爾科夫過程的機器學習方法，展示了在傳統方法上精准度的一個巨大的改進。
機器學習方法通常創造了一個“決策層”，本質上是把需要區分的不同階層劃分開的分界線。例如，邊界一邊的價值可以指出被試者相信各種各樣的測試報告，在另外一邊，被試者則不相信這些報告。
研究人員已經發現他們能夠高精確度的探測到這些相信或者不相信的差異，實際上創造了一個測謊儀。在新研究中描述的革新是神經系統科學家創造這些可判斷界限的方法，而不是更傳統方法創造的通常的模糊邊界，同樣支持向量機器學習。
共同研究者馬克-S-科恩 (Mark S. Cohen)說：“在我們的研究中，這些邊界線的目的是為了反映各種各樣可辨認的大腦分支系統和網路的分配活動，例如視覺網路、情緒管理網路或者鬥爭監控網路。”科恩是加州大學洛杉磯分校的神經學、精神學和生物行為學教授，同時也是該學校納米系統研究所的一名研究員。
同樣管理加州大學洛杉磯分校神經工程訓練計畫的科恩補充說到：“把孤立的與渴望相關的特殊網路問題放置到神經學領域，這項技術做了更多的大腦狀態分類，這事實上更好的幫助我們理解大腦忍耐渴望的方式。”
研究人員說：“非常明顯，把這個問題放置到神經學領域，解碼過程變得更加可信和精確。這是尤其重要的，特別是使用了之前的效果和狀態來報告機器學習演算法，並且由於對於大腦工作的未知性也使它成為大腦研究的特殊挑戰。”
機器學習包含兩步：“訓練階段“，這個階段電腦評估了一組已知的結果，顯示信賴或不信賴的被試者所做的一系列嘗試。第二步“預測”，電腦根據認知建立一個分界線。”
神經系統科學家說：“在未來的研究中，我們將在一個生物回饋環境中使用這些機器學習方法，即時展示被試者的大腦資料來讓他們瞭解他們什麼時候體驗渴望和這些渴望是如何的強烈，希望能訓練他們控制並抑制那些渴望。”
研究人員說：“但是由於被試者的過程和認知狀況明顯的發生變化，他們可能夠面對特殊的挑戰，包括試圖解碼一個‘活動目標’和從‘預測’階段分離出‘訓練’階段。”
騰訊科技 2011/12/25
相關連結
- Mark S. Cohen's Lab (UCLA)
- UCLA neuroscientists demonstrate crucial advances in 'brain reading' (Health Canal)
- 痛不痛騙不了人 電腦會分辨
沒有留言:
張貼留言