Nouvelle génération d'Internet : surf cerveau-machine, humain sur chaîne 🧠
L'IA est actuellement en plein essor, mais il y a peu de percées sur le plan technologique. Les applications, notamment les robots de fenêtre d'interaction LLM, fleurissent, mais le domaine de l'IA est entré dans une phase d'ingénierie à grande échelle et d'expansion commercialisée, tandis que sur le plan théorique, il a atteint un plafond d'immobilisme. Les futurs actifs et points chauds d'innovation se dirigeront certainement vers les interfaces cerveau-machine, les matériaux de remplacement d'énergie nouvelle et l'économie spatiale.
Les composants clés de BCI :
🧠Collecte de signaux Invasif : Implants d'électrodes par chirurgie (comme des réseaux de microélectrodes, ECoG), qualité du signal élevée mais risque d'infection. Non invasif : EEG (électroencéphalogramme) : enregistre l'activité électrique via des électrodes sur le cuir chevelu, coût faible mais résolution spatiale inférieure. MEG (magnétoencéphalographie) : enregistre les signaux de champ magnétique, résolution élevée mais équipement coûteux. fMRI (imagerie par résonance magnétique fonctionnelle) : mesure indirectement l'activité neuronale via les signaux dépendants du niveau d'oxygène sanguin (BOLD). fNIRS (spectroscopie proche infrarouge) : utilise des signaux lumineux pour détecter les variations de l'oxygène sanguin, portable mais résolution temporelle faible.
🧠Type de signal Potentiels évoqués liés aux événements (ERP) : comme le P300 (onde positive apparaissant après 300 ms), utilisé pour les systèmes de orthographe. Potentiels évoqués sensoriels : tels que les potentiels évoqués visuels (VEP), potentiels évoqués auditifs (AEP). Signal d'imagination motrice (SMR) : généré par l'imagination de mouvements corporels, utilisé pour contrôler des prothèses ou un curseur.
🧠Traitement du signal Extraction des caractéristiques : éliminer le bruit et extraire des informations utiles, les méthodes couramment utilisées incluent : Modèle de co-espace (CSP) : maximiser la différence de variance entre deux classes de signaux (formule ci-dessous). Analyse en composantes indépendantes (ICA) : séparer les sources de signal, éliminer les artefacts (comme les interférences dues au clignement des yeux). Transformation en ondelettes (WT) : extraire des caractéristiques temps-fréquence. Algorithmes de classification : mapper les caractéristiques aux commandes de contrôle, les méthodes couramment utilisées incluent : Machine à vecteurs de support (SVM) : séparer différentes classes par hyperplan. Réseau de neurones (NN) : comme le perceptron multicouche (MLP), le réseau de neurones convolutionnels (CNN). Système de raisonnement flou (FIS) : traiter les signaux incertains.
Directions de recherche futures 1. Développer des dispositifs non invasifs à faible coût et haute résolution (comme l'EEG à faible densité) ; 2. Améliorer la précision de classification en combinant des algorithmes d'apprentissage profond haute performance (comme LSTM, Transformer). 3. Optimiser les algorithmes de traitement des signaux en temps réel pour réduire la latence ; 4. Scénarios d'application étendus (comme la reconnaissance des émotions, le contrôle de la réalité virtuelle).
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Nouvelle génération d'Internet : surf cerveau-machine, humain sur chaîne 🧠
L'IA est actuellement en plein essor, mais il y a peu de percées sur le plan technologique. Les applications, notamment les robots de fenêtre d'interaction LLM, fleurissent, mais le domaine de l'IA est entré dans une phase d'ingénierie à grande échelle et d'expansion commercialisée, tandis que sur le plan théorique, il a atteint un plafond d'immobilisme. Les futurs actifs et points chauds d'innovation se dirigeront certainement vers les interfaces cerveau-machine, les matériaux de remplacement d'énergie nouvelle et l'économie spatiale.
Les composants clés de BCI :
🧠Collecte de signaux
Invasif : Implants d'électrodes par chirurgie (comme des réseaux de microélectrodes, ECoG), qualité du signal élevée mais risque d'infection.
Non invasif : EEG (électroencéphalogramme) : enregistre l'activité électrique via des électrodes sur le cuir chevelu, coût faible mais résolution spatiale inférieure. MEG (magnétoencéphalographie) : enregistre les signaux de champ magnétique, résolution élevée mais équipement coûteux. fMRI (imagerie par résonance magnétique fonctionnelle) : mesure indirectement l'activité neuronale via les signaux dépendants du niveau d'oxygène sanguin (BOLD). fNIRS (spectroscopie proche infrarouge) : utilise des signaux lumineux pour détecter les variations de l'oxygène sanguin, portable mais résolution temporelle faible.
🧠Type de signal Potentiels évoqués liés aux événements (ERP) : comme le P300 (onde positive apparaissant après 300 ms), utilisé pour les systèmes de orthographe. Potentiels évoqués sensoriels : tels que les potentiels évoqués visuels (VEP), potentiels évoqués auditifs (AEP). Signal d'imagination motrice (SMR) : généré par l'imagination de mouvements corporels, utilisé pour contrôler des prothèses ou un curseur.
🧠Traitement du signal Extraction des caractéristiques : éliminer le bruit et extraire des informations utiles, les méthodes couramment utilisées incluent : Modèle de co-espace (CSP) : maximiser la différence de variance entre deux classes de signaux (formule ci-dessous). Analyse en composantes indépendantes (ICA) : séparer les sources de signal, éliminer les artefacts (comme les interférences dues au clignement des yeux). Transformation en ondelettes (WT) : extraire des caractéristiques temps-fréquence. Algorithmes de classification : mapper les caractéristiques aux commandes de contrôle, les méthodes couramment utilisées incluent : Machine à vecteurs de support (SVM) : séparer différentes classes par hyperplan. Réseau de neurones (NN) : comme le perceptron multicouche (MLP), le réseau de neurones convolutionnels (CNN). Système de raisonnement flou (FIS) : traiter les signaux incertains.
Directions de recherche futures
1. Développer des dispositifs non invasifs à faible coût et haute résolution (comme l'EEG à faible densité) ;
2. Améliorer la précision de classification en combinant des algorithmes d'apprentissage profond haute performance (comme LSTM, Transformer).
3. Optimiser les algorithmes de traitement des signaux en temps réel pour réduire la latence ;
4. Scénarios d'application étendus (comme la reconnaissance des émotions, le contrôle de la réalité virtuelle).