Наступне покоління Інтернету: серфінг на мозкових хвилях, людина на блокчейні 🧠

Штучний інтелект наразі розвивається дуже швидко, однак на технологічному рівні проривів не так багато. Застосування, зокрема роботи з LLM, розвиваються різноманітно, але в сфері ШІ вже розпочався етап масштабної інженерії та комерційної експансії, теоретично ж ми вступили в стадію застою. Майбутні активи та інноваційні гарячі точки, безсумнівно, будуть пов'язані з інтерфейсами мозок-комп'ютер, новими матеріалами для відновлювальних джерел енергії та космічною економікою.

Основні складові BCI:

🧠Збір сигналів
Інвазивний: імплантація електродів (наприклад, масиви мікроелектродів, ECoG) шляхом хірургічного втручання, висока якість сигналу, але існує ризик інфекції.
Неінвазивні: EEG (електроенцефалографія): записує електричну активність через електроди на шкірі голови, низька вартість, але погана просторовий роздільна здатність. MEG (магнітно-енцефалографія): записує магнітні сигнали, висока роздільна здатність, але дороге обладнання. fMRI (функціональна магнітно-резонансна томографія): опосередковано вимірює нервову активність через сигнал, залежний від рівня кисню в крові (BOLD). fNIRS (функціональна ближня інфрачервона спектроскопія): використовує світлові сигнали для виявлення змін у рівні кисню в крові, портативна, але має низьку часову роздільну здатність.

🧠Типи сигналів Подія, пов'язана з потенціалом (ERP): такі як P300 (позитивна хвиля, що з'являється через 300 мс), використовується для системи правопису. Потенціали, що викликані відчуттями: такі як зорові потенціали (VEP), слухові потенціали (AEP). Сигнали уявлення руху (SMR): генеруються шляхом уявлення руху кінцівок, використовуються для контролю протезів або курсора.

🧠 Обробка сигналів Вилучення функцій: Видалення шуму та вилучення корисної інформації, поширені методи включають: Спільний просторовий режим (CSP): максимізує різницю дисперсій між двома типами сигналів (формулу див. нижче). Незалежний аналіз компонентів (ICA): ізолюйте джерело сигналу та видаліть артефакти (наприклад, перешкоди миготіння). Вейвлет-перетворення (WT): виділяє часово-частотні особливості. Алгоритми класифікації: Відображення особливостей для управління командами, загальні методи включають: Підтримка векторної машини (SVM): розділення різних класів за гіперплощиною. Нейронні мережі (NN): такі як багатошарові персептрони (MLP) і згорткові нейронні мережі (CNN). Система нечіткого логічного висновку (FIS): обробляє невизначені сигнали.

Майбутні напрямки досліджень
1. Розробка низьковартісних, високої роздільної здатності неінвазивних пристроїв (наприклад, низькоденсних ЕЕГ);
2. Поєднання високопродуктивних алгоритмів глибокого навчання (таких як LSTM, Transformer) для підвищення точності класифікації.
3. Оптимізація алгоритму обробки реальних сигналів для зменшення затримки;
4. Розширені сценарії застосування (наприклад, розпізнавання емоцій, управління віртуальною реальністю).