آیا هوش مصنوعی می تواند آگاهی انسان را کمی کند؟

به گزارش علمی نیوز و به نقل از Psychology Today، یادگیری ماشینی هوش مصنوعی (AI) پیشرفت در علوم اعصاب و علوم زیستی را تسریع می کند. آیا قابلیت‌های تشخیص الگوی یادگیری عمیق هوش مصنوعی می‌تواند اجزای آگاهی را روشن کند؟ یک مطالعه جدید منتشر شده در Nature Communications از یادگیری عمیق هوش مصنوعی برای تعیین کمیت برانگیختگی و آگاهی در حالات تغییر یافته هوشیاری استفاده کرد.

محققان دانشگاه کره، دانشگاه لیژ در بلژیک، دانشگاه ویسکانسین در ایالات متحده و دانشگاه میلان در ایتالیا معیاری به نام شاخص هوشیاری قابل توضیح (ECI) ایجاد کردند تا برانگیختگی و آگاهی را به طور همزمان با استفاده از یادگیری ماشینی هوش مصنوعی تعیین کند. .

محققان نوشتند: «یادگیری ماشینی (ML) امکان رمزگشایی و شناسایی حالت‌های خاص مغز و تمایز آن‌ها از سیگنال‌های مغزی نامرتبط را حتی در یک آزمایش در زمان واقعی فراهم می‌کند.

محققان استفاده از یک شبکه عصبی کانولوشنال (CNN)، یک روش یادگیری عمیق با توانایی اثبات شده برای طبقه‌بندی داده‌های وضعیت مغز از الکتروانسفالوگرام (EEG) را انتخاب کردند. الکتروانسفالوگرام سیگنال های الکتریکی مغز را با استفاده از الکترودهای فلزی کوچک متصل به پوست سر تشخیص می دهد. EEG برای تشخیص تومورهای مغزی، آسیب مغزی، التهاب مغز (آنسفالیت)، صرع، سکته مغزی، بیماری آلزایمر استفاده می شود. نارکولپسی (یک اختلال خواب ) و سایر شرایط.

شبکه عصبی هوش مصنوعی داده‌های ورودی از پاسخ‌های EEG سری زمانی پردازش شده به تحریک مغناطیسی ترانس جمجمه‌ای از شرکت‌کنندگان در مطالعه بود که یا دچار آسیب مغزی شدید، تحت بیهوشی عمومی بودند یا خواب بودند. دانشمندان همچنین از داده‌های EEG در حالت استراحت برای شرکت‌کنندگانی که آسیب مغزی شدید داشتند یا تحت بیهوشی عمومی بودند، استفاده کردند.

ECI توانست برانگیختگی و آگاهی را به طور همزمان تحت شرایط مختلف دارویی، پاتولوژیک و فیزیولوژیکی اندازه‌گیری کند و " بیهوشی ناشی از کتامین و خواب حرکت سریع چشم با برانگیختگی کم و آگاهی بالا به وضوح از سایر حالت‌ها متمایز است." محققان گزارش کردند که نواحی جداری مغز مناطق کلیدی برای کمی سازی آگاهی و برانگیختگی هستند.

نویسندگان این مطالعه نتیجه گرفتند: «این یافته‌ها می‌تواند در تشخیص بیماران آسیب‌دیده مغزی شدید و نظارت بر سطح هوشیاری آن‌ها در زمان واقعی، به‌ویژه در محیط‌های بالینی که محدودیت‌های زمانی مانع از ارزیابی طولانی‌مدت می‌شود، مفید باشد».