同样看似失去意识,为啥有些人还能对外界事物有反应?这个问题的答案被AI找到了

在开始今天的内容之前,请先思考一个问题:什么是意识?

要回答这个问题,我们先来看一下词典的解释:

意识是人的头脑对于客观物质世界的反映,是感觉、思维等各种心理过程的总和,其中的思维是人类特有的反映现实的高级形式。

看了这么长一串,怕是会把很多人绕晕。意识这个东西,说起来并不陌生。比如说,当你在看今天这篇文章的时候,相信你大概率是清醒的,有意识的。可是谁又能判定在看似清醒状态下,一个人的动作是条件反射还是有意而为呢?

图片来源:Pexels

其实神经学家对这个问题也很苦恼。特别是一些有脑损伤的病人,他们可能徘徊在微弱意识和昏迷状态的边缘。而病人意识状态是评估预后非常关键的指标。如果病人处在微弱意识状态,其康复的概率很高;而被确诊为无反应觉醒综合征(unresponsive wakefulness syndrome)的病人的行为则完全随机且无目的性,其康复的概率也非常小。

不过在临床上,要判定他们是否有意识是一件非常困难的事情。医生通常会在病床前对病人进行一些意识测试,但是判定的准确率不足40%

近日,来自巴黎沙普提厄医院(Pitié-Salpêtrière Hospital)的研究人员在判断病人意识状态的问题上有了新的突破。他们利用机器学习算法来分析病人的脑电图(EEG),成功地把意识判定的准确率提高了35%

研究人员在对总共327位病人进行听力意识测试的时候记录下了对应脑电图的数据,并将相关数据输入了名为DOC-Forest的机器学习算法。这些病人有的被确诊为无反应觉醒综合征、有的处于最低意识状态、还有一部分完全健康。

脑电图是一种通过贴在头皮上的电极感应贴片来获取大脑活动的电流数据的技术。健康状态下,脑电图成较为规则的波形,脑部受伤后,脑电图的规律性会减弱。

机器学习算法辨别病人意识状态的表现非常令人满意,准确率达到了约75%。不过在此项研究中,研究者采用了特异度作为评判算法表现的标准,对于临床识别意识状态更有意义。

图片来源:123RF

DOC-Forest算法不仅仅能在标准测试中判定病人的意识状态。研究者还尝试了在听力意识测试中加入噪音,调整电极在头皮位置的方式来模拟真实环境,并换用了比利时列日一家医院的病人数据,都没有影响机器学习算法判定的准确率

脑电图的数据复杂且包含了多个不同维度—时间、频率、测试条件、电极位置等。医生和神经学家只能从脑电图中分析出容易被注意到的规律和数据,而机器学习算法可以顾及到脑电图数据中更多细微的差别,从而提供有价值的参考。同时,因为机器学习只分析数据,还可以排除医生面对面诊疗时因交流和理解而发生的误差。

早些时候,有研究使用了正子断层照影(PET)扫描和磁共振扫描(fMRI)来判定病人的意识状态。相比之下,脑电图设备的使用更加简单,费用也更加低廉。可以更快地为神经学家和医生提供诊断参考。

我们目前仍然无法全面地理解意识这个看得见摸不到的存在,机器学习算法也只能在医生进行听力意识测试时生效。不过,令人欣慰的是,机器学习能够在我们尚未完全理解意识的时候,提供一个有效的判定方法。

参考资料:

[1] Engemann, et al., (2018). Robust EEG-based cross-site and cross-protocol classification of states of consciousness. Brain, https://doi.org/10.1093/brain/awy251

[2] Computers determine states of consciousness. Retrieved Jan 8, 2019 from https://www.scientificamerican.com/article/computers-determine-states-of-consciousness/

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业机器学习
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

流数据技术

流数据是一组顺序、大量、快速、连续到达的数据序列,一般情况下,数据流可被视为一个随时间延续而无限增长的动态数据集合。应用于网络监控、传感器网络、航空航天、气象测控和金融服务等领域。

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

推荐文章
暂无评论
暂无评论~