کتاب مغز انسان و هوش مصنوعی نسخه PDF انگلیسی

معرفی Human Brain and Artificial Intelligence: Third International Workshop

Human Brain and Artificial Intelligence مجموعه مقالات داوری‌شده سومین کارگاه بین‌المللی HBAI 2022 است که در ارتباط با IJCAI-ECAI 2022 برگزار شد. فایل این محصول به‌طور صریح با نام Human_Brain_and_Artificial_Intelligence_Third_International_Workshop.pdf ثبت شده و 237 صفحه برای آن شناسایی شده است. منبع رسمی Springer این اثر را Proceedings کارگاه سوم HBAI معرفی می‌کند که با ویراستاری Xiaomin Ying منتشر شده و پژوهش‌هایی درباره Brain-inspired Computing، Brain-Machine Interface، Computational Neuroscience، Neuroimaging، Cognition، Learning و Brain-related Health را گردآوری کرده است.

این اثر یک کتاب درسی خطی با یک نویسنده واحد نیست؛ مجموعه‌ای پژوهشی است که چندین مقاله تخصصی را در مرز میان Neuroscience و Artificial Intelligence کنار هم قرار می‌دهد. بنابراین بهترین روش استفاده از آن، انتخاب مقاله بر اساس سؤال پژوهشی و بررسی Method، Dataset، Experiment و Result هر مقاله است. برای دانشجویان و پژوهشگرانی که به کاربرد Machine Learning و Deep Learning روی داده‌های مغزی یا ساخت سیستم‌های الهام‌گرفته از Brain علاقه دارند، این Proceedings تصویری از مسائل فعال این حوزه در زمان برگزاری کارگاه ارائه می‌کند.

رابطه مغز انسان و هوش مصنوعی

رابطه Human Brain و AI دوطرفه است. از یک سو، Neuroscience می‌تواند ایده‌هایی برای ساخت Algorithmهای جدید ارائه کند؛ از سوی دیگر، AI می‌تواند برای تحلیل داده‌های پیچیده Brain مانند EEG، Neuroimaging یا Neural Signal استفاده شود.

این دو مسیر الزاماً یکسان نیستند. Brain-inspired AI تلاش می‌کند از Principleهای Biological الهام بگیرد، در حالی که AI for Neuroscience از ابزارهای محاسباتی برای فهم بهتر Brain استفاده می‌کند.

Brain-inspired Computing

Brain-inspired Computing به دنبال Algorithmها و Architectureهایی است که از ویژگی‌های سیستم عصبی الهام می‌گیرند. Spiking Neural Network، Event-driven Processing و Learning Ruleهای محلی نمونه‌هایی از این مسیر هستند.

هدف لزوماً کپی کامل Brain نیست. ساختار زیستی بسیار پیچیده است و یک Model محاسباتی باید مشخص کند کدام ویژگی Biological برای Task موردنظر مفید است.

Spiking Neural Networks

در SNN، اطلاعات می‌تواند با Spikeهای گسسته در زمان نمایش داده شود. این Representation نسبت به Neural Networkهای معمولی به رفتار Neuronهای واقعی نزدیک‌تر است.

SNNها برای Neuromorphic Hardware، پردازش Event-based و پژوهش Brain-inspired جذاب‌اند، اما Training و Benchmark آن‌ها چالش‌های خاص خود را دارد.

Neural Dynamics

Brain فقط مجموعه‌ای از Unitهای ثابت نیست؛ فعالیت Neural در زمان تغییر می‌کند. Dynamics می‌تواند Information درباره State، Transition و Response به Stimulus را حمل کند.

مدل‌سازی Temporal Pattern برای EEG، Spike Train و Brain State Recognition اهمیت ویژه دارد.

EEG چیست؟

Electroencephalography فعالیت الکتریکی مغز را از سطح سر اندازه می‌گیرد. EEG غیرتهاجمی و دارای Temporal Resolution بالا است، اما Signal آن noisy و Spatial Resolution آن محدودتر از برخی روش‌های Imaging است.

همین ویژگی‌ها باعث می‌شوند Preprocessing، Artifact Removal و Feature Extraction اهمیت زیادی داشته باشند.

طبقه‌بندی EEG

یکی از موضوعات رایج در پژوهش‌های AI و Brain، Classification سیگنال EEG است. هدف می‌تواند تشخیص State، Emotion، Disorder یا Intent باشد.

Pipeline معمولاً شامل پاک‌سازی Signal، Segmentation، Representation و Model Classification است. Evaluation باید از Leakage میان Subjectها یا Sessionها جلوگیری کند.

Artifact در EEG

Eye Blink، Muscle Activity و Movement می‌توانند Signal EEG را آلوده کنند. اگر Model این Artifactها را به‌جای Brain Pattern یاد بگیرد، Accuracy ظاهراً بالا اما Generalization ضعیف خواهد بود.

Feature Engineering

روش‌های کلاسیک از Featureهای زمانی، فرکانسی یا Time-frequency استفاده می‌کنند. Deep Learning می‌تواند بخشی از Feature Learning را خودکار کند، اما همچنان Representation ورودی و Sampling اهمیت دارند.

Temporal-Spectral Analysis

EEG هم Structure زمانی و هم فرکانسی دارد. Bandهایی مانند alpha، beta و theta در Contextهای مختلف مطالعه می‌شوند.

Modelی که ارتباط Time و Frequency را هم‌زمان بررسی کند ممکن است Patternهای غنی‌تری استخراج کند.

Transformer در داده عصبی

Transformer به‌دلیل توانایی مدل‌سازی Dependencyهای طولانی برای Sequenceهای عصبی نیز مورد توجه قرار گرفته است. Attention می‌تواند Relation میان Time Pointها یا Featureها را مدل کند.

با این حال Datasetهای Neuroscience اغلب کوچک‌تر از Datasetهای زبان هستند و Overfitting یک خطر جدی است.

Brain State Recognition

تشخیص State مغزی می‌تواند برای Sleep، Cognition، Disease یا BCI استفاده شود. تعریف دقیق State و Label Quality در این مسائل حیاتی است.

اگر Label از Proxy ضعیف ساخته شده باشد، Model حتی با Metric خوب ممکن است Construct موردنظر را یاد نگرفته باشد.

Brain-Computer Interface

BCI کانالی میان فعالیت Brain و یک سیستم خارجی ایجاد می‌کند. هدف می‌تواند Communication، Control یا Rehabilitation باشد.

BCI نیازمند Signal Processing کم‌تاخیر، Classification قابل اعتماد و User Adaptation است.

Brain-Machine Interface

BMI اصطلاح گسترده‌تری است که Interface میان Neural Activity و Device را پوشش می‌دهد. Applicationها می‌توانند از Cursor Control تا Prosthetic Device متغیر باشند.

Calibration

یکی از چالش‌های BCI تفاوت Signal میان افراد و Sessionهاست. Calibration طولانی تجربه User را ضعیف می‌کند، بنابراین Transfer Learning و Adaptation اهمیت دارند.

Domain Adaptation

Distribution داده Brain می‌تواند میان Subjectها، Deviceها یا Sessionها تغییر کند. Domain Adaptation تلاش می‌کند Model را نسبت به این Shift مقاوم‌تر کند.

ارزیابی واقعی باید نشان دهد Method روی Subject یا Domain ندیده‌شده نیز کار می‌کند.

Neuroimaging

Neuroimaging شامل روش‌هایی برای مشاهده Structure یا Function مغز است. MRI و fMRI از ابزارهای مهم این حوزه‌اند.

AI می‌تواند برای Segmentation، Classification، Reconstruction و Pattern Discovery روی این داده‌ها استفاده شود.

fMRI

fMRI معمولاً تغییرات BOLD مرتبط با فعالیت عصبی را اندازه می‌گیرد. داده چهاربعدی و تعداد Feature زیاد نسبت به Sample، تحلیل را دشوار می‌کند.

Dimensionality Reduction و Regularization برای جلوگیری از Overfitting اهمیت دارند.

Neural Decoding

Decoding تلاش می‌کند از Neural Signal اطلاعاتی درباره Stimulus، Behavior یا Mental State استخراج کند.

موفقیت Decoder به معنی فهم کامل Representation Brain نیست؛ ممکن است Pattern قابل پیش‌بینی وجود داشته باشد بدون اینکه Mechanism دقیق شناخته شود.

Eye Tracking و AI

Eye Movement اطلاعاتی درباره Attention و Visual Search ارائه می‌دهد. ترکیب Eye Tracking با Computer Vision می‌تواند Model را به Regionهایی که انسان بیشتر توجه می‌کند هدایت کند.

Attention در انسان و شبکه عصبی

Attention در Neuroscience و Attention در Deep Learning مفاهیم مرتبط اما یکسان نیستند. Mechanism محاسباتی Attention در Transformer نباید بدون شواهد معادل Attention انسانی فرض شود.

Emotion Recognition

تشخیص Emotion از EEG یا Signalهای Physiological یکی از Taskهای پژوهشی است. Label احساس پیچیده است و به Culture، Context و Self-report وابسته است.

Metric بالا روی Dataset کوچک الزاماً به معنی امکان استفاده عمومی نیست.

AI و سلامت مغز

Machine Learning می‌تواند برای تحلیل Patternهای مرتبط با Disorderهای عصبی یا روان‌پزشکی مطالعه شود. هدف پژوهشی ممکن است Screening، Prognosis یا Phenotyping باشد.

در کاربرد Clinical، Accuracy تنها معیار نیست و Sensitivity، Specificity، Calibration و External Validation اهمیت دارند.

تشخیص افسردگی از EEG

برخی پژوهش‌ها تلاش می‌کنند Patternهای EEG مرتبط با Major Depressive Disorder را شناسایی کنند. این کار از نظر Research جذاب است اما Diagnosis پزشکی نیازمند Validation بسیار گسترده‌تر از یک Dataset آزمایشگاهی است.

Bipolar Disorder

تفکیک Patternهای مرتبط با اختلالات روان‌پزشکی چالش‌برانگیز است، زیرا Symptom overlap، Medication و Comorbidity روی Data اثر دارند.

Computational Neuroscience

Computational Neuroscience از Modelهای ریاضی و محاسباتی برای مطالعه Neuron، Network و Behavior استفاده می‌کند.

AI می‌تواند در Fit کردن Model، کشف Pattern یا Approximation Dynamics کمک کند.

Neuron Models

مدل‌های Neuron از مدل‌های ساده Rate-based تا Spiking Modelهای پیچیده متغیرند. انتخاب Model باید با سؤال Research هماهنگ باشد.

Learning و Memory

یکی از حوزه‌های مشترک Brain و AI مطالعه Learning است. Brain از Plasticity و Interaction با Environment یاد می‌گیرد؛ Machine Learning نیز Parameterها را بر اساس Data و Objective تغییر می‌دهد.

شباهت در سطح واژه به معنی یکسان بودن Mechanism نیست.

Reinforcement Learning

RL چارچوبی برای یادگیری از Reward و Interaction است. ارتباط آن با Decision Neuroscience و Reward Learning یکی از زمینه‌های میان‌رشته‌ای جذاب است.

Prediction Error

Prediction Error تفاوت میان Outcome مورد انتظار و واقعی است. این مفهوم هم در Reinforcement Learning و هم در Neuroscience Reward مطالعه می‌شود.

Closed-loop Brain Stimulation

در سیستم Closed-loop، Brain Signal اندازه‌گیری می‌شود و Stimulation بر اساس State تشخیص‌داده‌شده تنظیم می‌شود. چنین سیستم‌هایی به Latency پایین و تصمیم‌گیری قابل اعتماد نیاز دارند.

Safety در Closed-loop

هر Application پزشکی یا Stimulation نیازمند Safety Constraint، Fail-safe و Validation Clinical است. Model AI نباید بدون Control مناسب Action مستقیم حساس انجام دهد.

Brain Modulation

روش‌های Modulation تلاش می‌کنند Activity عصبی را تغییر دهند. پژوهش در این حوزه باید Effect، Specificity و Side Effect را دقیق اندازه‌گیری کند.

Computer Vision و Brain

Vision یکی از نقاط تاریخی ارتباط Neuroscience و AI است. CNNها از ایده‌های ساده درباره Receptive Field الهام گرفته‌اند، اما Architecture مدرن معادل مستقیم Visual Cortex نیست.

Brain-inspired Vision

مقایسه Representation شبکه و Brain می‌تواند به فهم Similarity و Difference کمک کند. این کار نیازمند Metric مناسب و Experimental Design محتاطانه است.

Representation Learning

Deep Modelها Representation را از Data یاد می‌گیرند. در Neuroscience می‌توان Representation آموخته‌شده را با Neural Response مقایسه کرد.

Explainability

در Brain Data، Explainability اهمیت ویژه دارد. پژوهشگر فقط Prediction نمی‌خواهد؛ اغلب می‌خواهد بداند کدام Signal، Region یا Feature با Outcome مرتبط است.

Feature Importance

Feature Importance باید با احتیاط تفسیر شود. Correlated Featureها، Model Nonlinearity و Data Leakage می‌توانند Importance را گمراه‌کننده کنند.

Small Sample Problem

بسیاری از Datasetهای Neuroscience Sample کمی نسبت به Dimension دارند. Deep Modelهای بزرگ در این شرایط به‌راحتی Overfit می‌شوند.

Cross-validation درست، Regularization و External Dataset اهمیت زیادی دارند.

Subject Leakage

اگر Trialهای یک Subject هم در Train و هم Test باشند، Model ممکن است هویت Subject را یاد بگیرد نه Pattern عمومی Brain را. Split بر اساس Subject در بسیاری از Taskها ضروری است.

Class Imbalance

در Clinical Data تعداد Caseها ممکن است نامتوازن باشد. Accuracy در این وضعیت می‌تواند گمراه‌کننده باشد و باید Precision، Recall و ROC/PR metric نیز بررسی شود.

Reproducibility

Pipeline Brain Data شامل Preprocessingهای متعدد است. ثبت Version، Filter، Window، Split و Hyperparameter برای تکرارپذیری ضروری است.

Open Science

اشتراک Code و Protocol می‌تواند Validation مستقل را آسان‌تر کند، البته Data Brain ممکن است محدودیت Privacy داشته باشد.

Privacy

Neural Data می‌تواند اطلاعات حساس درباره Health یا Behavior داشته باشد. Storage، Access Control و Consent باید جدی گرفته شوند.

Ethics

ترکیب AI و Brain پرسش‌های اخلاقی مهمی ایجاد می‌کند: Privacy ذهنی، Informed Consent، Bias، Agency و مسئولیت تصمیم سیستم.

Bias در Dataset

اگر Sample نماینده Population نباشد، Model ممکن است برای گروه‌های مختلف Performance متفاوتی داشته باشد. Demographic Validation ضروری است.

Generalization

نتیجه یک Lab یا Device خاص نباید بدون Validation به همه Contextها تعمیم داده شود. Generalization یکی از دشوارترین چالش‌های Brain AI است.

Benchmark

Benchmark امکان مقایسه Methodها را فراهم می‌کند، اما اگر Dataset کوچک یا Protocol ضعیف باشد Ranking الگوریتم‌ها قابل اعتماد نیست.

Baseline

Model جدید باید با Baseline ساده مقایسه شود. اگر Deep Network از Logistic Regression یا SVM بهتر نیست، Complexity اضافه نیاز به توجیه دارد.

Ablation Study

Ablation مشخص می‌کند کدام Component واقعاً Performance را بهبود داده است. این روش برای Architectureهای چندبخشی اهمیت دارد.

Statistical Significance

تفاوت کوچک Metric باید همراه Uncertainty و Test مناسب گزارش شود. یک Run واحد برای نتیجه قوی کافی نیست.

Scientific Interpretation

هدف Proceedings پژوهشی فقط معرفی Model نیست؛ Interpretation باید محدود به شواهد باشد. Prediction موفق لزوماً Mechanism Biological را ثابت نمی‌کند.

محدودیت زمانی مجموعه

این Proceedings مربوط به پژوهش‌های HBAI 2022 است. حوزه AI و Neuroscience به سرعت تغییر می‌کند و Architectureها، Datasetها و Benchmarkهای جدید از آن زمان منتشر شده‌اند.

بنابراین اثر برای شناخت مسائل و روش‌های آن دوره ارزشمند است و برای Latest State of the Art باید با مقالات جدید تکمیل شود.

روش مطالعه پیشنهادی

ابتدا Abstract هر مقاله را بخوانید و Research Question را مشخص کنید. سپس Dataset، Split Strategy، Model، Baseline و Metric را جدا استخراج کنید.

پس از آن Result را با Limitationها مقایسه کنید. این روش از تمرکز صرف روی Accuracy جلوگیری می‌کند.

برای چه کسانی مناسب است؟

• پژوهشگران Computational Neuroscience.
• دانشجویان AI و Machine Learning علاقه‌مند به Brain Data.
• پژوهشگران EEG، BCI و Neuroimaging.
• افراد علاقه‌مند به Brain-inspired Computing.
• دانشجویانی که می‌خواهند نمونه مقاله‌های پژوهشی میان AI و Neuroscience را بررسی کنند.

جمع‌بندی

Human Brain and Artificial Intelligence: Third International Workshop مجموعه‌ای از پژوهش‌های مرز Brain Science و AI است. موضوعاتی مانند EEG Classification، Neural Decoding، Brain State Recognition، Deep Learning، Brain-Machine Interface، Neuroimaging و Brain-inspired Computing در قالب مقاله‌های پژوهشی کنار هم قرار گرفته‌اند.

ارزش اصلی این Proceedings در نمایش ماهیت میان‌رشته‌ای حوزه است. AI می‌تواند ابزار تحلیل Brain باشد و Neuroscience نیز می‌تواند ایده‌هایی برای سیستم‌های محاسباتی ایجاد کند. برای استفاده علمی درست، هر مقاله باید با توجه به Dataset، Method، Validation و Limitationهای خودش خوانده شود و نتیجه آن بیش از شواهد موجود تعمیم داده نشود.