مهندسی پزشکی باید از پل هوش مصنوعی عبور کند به گزارش عصر لینک، عضو هیئت علمی دانشگاه امیرکبیر ضمن اشاره به نقش هوش مصنوعی در ارتقاء علوم پزشکی، اظهار داشت: هدف ما اینست که مهندسی پزشکی با عبور از پل هوش مصنوعی به حوزه های تشخیص و حتی تشخیص زودهنگام بیماری ها وارد شود. به گزارش عصر لینک به نقل از ایسنا، سعید ستایشی امروز در دومین سمپوزیوم توانبخشی شناختی و در نشست هوش مصنوعی و توانبخشی شناختی که در سالن کوثر دانشکده روانشناسی و علوم تربیتی دانشگاه تهران برگزار گردید، با تاکید بر اینکه «ما هنوز به معنای واقعی به هوش مصنوعی نرسیده ایم»، اظهار داشت: حقیقت اینست که با وجود پیشرفت های قابل توجه در حوزه یادگیری عمیق و تعامل مغز و کامپیوتر، هنوز زیرساخت های اساسی برای تحقق هوش مصنوعی بومی در کشور فراهم نشده است. هنوز در آغاز مسیر هوش مصنوعی هستیم وی با اعلان اینکه بالاتر از ۳۰ سال است در حوزه هوش مصنوعی تدریس می کنم، اضافه کرد: هوش مصنوعی پدیده امروز و روز گذشته نیست. روزگاری در کشور، برخی درحال ثبت اختراع آفتابه بودند و در همان زمان، ما هوش مصنوعی درس می دادیم، اما بسیاری آنرا شبیه جادو و خیال می دانستند. امروز نیز نباید شتاب زده برخورد کنیم؛ برای اینکه هنوز صاحب یا بنیان گذار واقعی هوش مصنوعی نیستیم. ستایشی اضافه کرد: تا آن زمان که نتوانیم زیرساخت ها و کتابخانه های ضروری جهت آموزش داده محور را ایجاد نماییم، نمی توانیم مدعی توسعه واقعی هوش مصنوعی باشیم. نباید صرفا با بهره گیری از چند اپلیکیشن خارجی، تصور نماییم درحال کار با فناوری هوش مصنوعی هستیم. نقش محققان جوان در ایجاد زیرساخت ها عضو هیأت علمی دانشگاه امیرکبیر با اشاره به تلاشهای محققان جوان، اظهار داشت: یکی از دانشجویان دکتری من درحال طراحی زیرساختی است که بتوان مبنی بر آن، توسعه واقعی در حوزه هوش مصنوعی را رقم زد. این تلاش ها زمینه ساز استفاده از یادگیری عمیق در حوزه های کاربردی خصوصاً در تعامل میان مغز و کامپیوتر است. استفاده از یادگیری عمیق برای بهبود ارتباط مغز و کامپیوتر ستایشی با اشاره به پروژه در دست اجرای دانشگاه، توضیح داد: در این طرح، از یادگیری عمیق برای طبقه بندی پتانسیل های بصری با هدف بهبود ارتباط مغز و کامپیوتر استفاده می شود. ما از سیگنال های مغزی (EEG) برای تحلیل رفتار افرادی که نیازمند توان بخشی شناختی هستند، بهره می بریم؛ افرادی مانند بازماندگان سکته مغزی، بیماران ALS و یا مبتلایان به لطمه های مغزی (TBI). وی ادامه داد: هدف ما اینست که بتوانیم دقت تشخیص را تا حدود ۹۹ درصد افزایش دهیم. این امر تنها با بهره گیری از سامانه ها یا اینترفیس هایی ممکنست که به کاربر امکان تصمیم گیری و انتخاب رفتار صحیح را بدهند. سیگنال های مغزی، ابزار کلیدی در توان بخشی شناختی ستایشی با اشاره به مزایای استفاده از سیگنال های مغزی اظهار داشت: EEG به سبب غیرتهاجمی بودن و قابلیت استخراج خصوصیت های دقیق از سیگنال ها، امکان انجام الگوشناسی علمی (Pattern Recognition) را فراهم می آورد. این فرایند می تواند به شناسایی رفتار، نوشتن، کنترل حرکت و حتی مسیریابی کمک نماید. تعامل مغز و ماشین؛ از نظریه تا کاربرد این عضو هیأت علمی دانشگاه امیرکبیر تاکید کرد: بحث برقراری ارتباط میان مغز و کامپیوتر یا همان Brain–Machine Interface مبحث تازه ای نیست، اما امروز بصورت علمی تر و کاربردی تر دنبال می شود. فعالیتهای مغزی را میتوان بر مبنای کارکرد قشر بینایی مغز و فرکانس های خاص شناسایی کرد، سپس با آموزش این سیگنال ها به ماشین، سطح توان بخشی مورد نیاز را تعیین کرد. وی اشاره کرد: بوسیله الگوریتم های الگوشناسی میتوان به افراد نیازمند کمک کرد تا در انجام حرکات بهینه، دقت دیداری، جهت یابی و کنترل حرکتی – مشابه عملکرد روبات ها با درجات آزادی مختلف – توانمندتر شوند. بررسی اثر موسیقی ایرانی بر انسان با کمک هوش مصنوعی ستایشی در بخش دیگری از سخنان خود از اجرای پروژه ای جدید در دانشگاه اطلاع داد و اظهار داشت: به زودی طرحی با همکاری محققان حوزه هوش مصنوعی و مهندسی کامپیوتر شروع می شود که در آن اثر دستگاه های موسیقی ایرانی بر انسان با کمک الگوریتم های هوشمند بررسی خواهد شد. ایشان سپس ضمن تقدیر از همکاری محققان و همکاران خود اظهار داشت: امید است با هم افزایی میان حوزه های علوم مهندسی، عصب پژوهی و هنر بتوانیم مسیر توسعه تکنولوژی های جدید مبتنی بر هوش مصنوعی را در کشور هموارتر نماییم.دقت الگوریتم های هوش مصنوعی در تعامل مغز و کامپیوتر تا ۹۹ درصد افزایش پیدا کرده است عضو هیأت علمی دانشگاه صنعتی امیرکبیر، با تاکید بر لزوم حرکت عمیق و هدفمند در حوزه هوش مصنوعی اظهار داشت: آن چه برای ما اهمیت دارد، دستیافتن به عمق و دقت در کاربردهای هوش مصنوعی خصوصاً در حوزه تعامل مغز و ماشین است تا هر فرد بتواند با بالاترین دقت ممکن و پایین ترین میزان خطا از این فنآوری بهره مند شود. طراحی معیارهای کنترلی مبتنی بر ارتباط مغز و بدن وی با اشاره به لزوم طراحی فاکتورهای عملکردی در ارتباط مغز و ماشین اضافه کرد: تلاش ما بر اینست که بر مبنای معیارهایی مشخص، کنترل دستگاهها به کنترل رفتار بدن انسان منتقل شود تا از این توانایی بصورت کامل و کاربردی استفاده گردد. ستایشی اضافه کرد: در آزمایش های انجام شده، به دقت هایی بین ۹۵ تا بالاتر از ۹۹ درصد رسیده ایم. بطور نمونه، در بعضی مدلها همچون DCNN و FCC، میانگین دقت ۹۹.۱۷ درصد با انحراف معیار حدود ۱.۳۴ حاصل شده است. همچنین، از میان ۱۰ شرکت کننده، هفت نفر توانستند اهداف مورد نظر را با دقت ۱۰۰ درصد شناسایی کنند و پایین ترین دقت ثبت شده نیز حدود ۹۷.۲۲ درصد بوده است. انعطاف پذیری و کارآمدی بالا در تطبیق با رفتار انسان عضو هیأت علمی دانشگاه امیرکبیر با اشاره به یافته های این مطالعه اظهار داشت: عملکرد مدلهای ما از انعطاف پذیری بالایی برخوردار می باشد و می تواند رفتارهای انسانی را در وضعیت متنوع تطبیق دهد. این بنچمارک ها که بر پایه داده های معتبر استخراج شده اند، نشان دهنده قابلیت اطمینان بالای این فناوری هستند و میتوان از آنها به عنوان سابقه ای قابل اتکا در توسعه تکنولوژی های جدید بهره برد. آموزش ماشین برای شناسایی و هدایت رفتار فرد ستایشی اشاره کرد: آن چه این سامانه را هوشمند می کند، توانایی آن در آموزش و انتقال خصوصیت های رفتاری فرد دارای ناتوانی حرکتی بوسیله سیگنال های EEG به ماشین است. بعد از آموزش، ماشین می تواند در مرحله ارزیابی، رفتار فرد را بصورت دقیق راهبری کند. این همان سطحی از «هوش مصنوعی کاربردی» است که باید دارای بیشترین درجه سازگاری با نیاز انسان باشد. وی ادامه داد: نباید تصور کرد که صرفا نصب یک ابزار یا نرم افزار موسوم به هوش مصنوعی می تواند کار تخصصی انجام دهد. تا آن زمان که زیرساخت ها و داده های دقیق و استاندارد در اختیار نباشد، هیچ سامانه ای نمی تواند عملکرد واقعی هوش مصنوعی را بازنمایی کند. لزوم دسترسی به داده های دقیق و پاک سازی شده ستایشی خاطرنشان کرد: در کشورهای پیشرفته، یکی از دغدغه های اصلی، دستیافتن به پایگاه داده های قابل اعتماد و واقعی است که در آن نویز سیگنال ها کاسته شده و دقت اطلاعات تضمین شده باشد. وی ادامه داد: ما نیز باید بتوانیم داده ها را با وجود غیرخطی بودنشان، با معماری های هوشمند مانند شبکه های کانولوشنی (Convolutional) یا بازگشتی (Recurrent) تطبیق دهیم تا سامانه های رمزگشا یا Brain Decoder بتوانند پاسخگوی نیازهای فرد باشند. هوش مصنوعی در خدمت توان بخشی شناختی این استاد دانشگاه با اشاره به یکی از مهم ترین کاربردهای این فناوری، اظهار داشت: یکی از مزایای اصلی استفاده از هوش مصنوعی در حوزه توان بخشی شناختی است. زمانی که فرد بتواند درمان های بالینی را با وضعیت عاطفی و هیجانی متعادل تری پشت سر بگذارد، سایر فرآیندهای درمانی نیز مؤثرتر عمل می کنند. وی اضافه کرد: یکی از خصوصیت های بنیادین هوش مصنوعی، قدرت استنتاج و بازسازی الگوهاست. این فناوری قادر می باشد الگوهای جدیدی فراتر از دانسته های پیشین ما تولید نماید و بوسیله ادغام یا فیوژن داده ها، در فرایند بازپروری بیماران نقش مؤثری را ایفا کند. الهام از معماری مغز در طراحی کامپیوتر ستایشی در ادامه سخنان خود با اشاره به نسبت میان مغز انسان و ساختار کامپیوتر اظهار داشت: در طراحی معماری کامپیوتر ها، از ساختار مغز انسان الهام گرفته شده است؛ از تالاموس و کورتکس تا بخش های پیش پیشانی و لیمبیک. اما باید توجه داشت که هیچ کامپیوتری نمی تواند رفتار و عملکرد مغز انسان را بطور کامل تقلید کند. وی تاکید کرد: هدف ما اینست که از این شباهت ساختاری برای بهبود تعامل مغز و ماشین بهره ببریم، نه برای جایگزینی مغز انسان. هوش مصنوعی باید در خدمت توان بخشی و پیشرفت کیفیت زندگی انسان باشد، نه در تقلید صرف از او.هوش مصنوعی می تواند جنبه های ناشناخته ای از عملکرد مغز را آشکار کندعضو هیأت علمی دانشگاه صنعتی امیرکبیر، با اشاره به دستیافته های جدید پژوهش خود در حوزه تعامل مغز و ماشین اظهار داشت: معماری های مبتنی بر هوش مصنوعی، زمانی که بر پایه اصول موازی سازی و توزیع پردازش (Distributed & Parallel Processing) طراحی می شوند، می توانند رفتارهایی را بروز دهند که قبل تر در مغز انسان شناسایی نشده بود. این پدیده ها به ما کمک می کنند تا در بررسی های عصب پژوهی، به جنبه های ناشناخته مغز دست یابیم. کشف الگوهای مغزی ناشناخته با کمک الگوریتم های هوشمند وی با اعلان اینکه نتایج حاصل از این معماری ها، مسیرهای تازه ای را در فهم کارکرد مغز باز می کند، اضافه کرد: گاهی در فرآیندهای هوش مصنوعی با پدیده هایی روبه رو می شویم که در مغز انسان سراغی از آنها نداریم. این یافته ها ما را تشویق می کند تا بوسیله سیگنال های EEG یا تصویربرداری های MRI و fMRI، ساختارها و رفتارهای مغزی را دقیق تر بررسی نماییم و ببینیم چه بخشهایی از مغز را تا حالا نادیده گرفته ایم. ستایشی اشاره کرد: زمانی که این غفلت ها شناسایی و اصلاح می شوند، میتوان همان الگوهای بهبودیافته را به ماشین منتقل کرد تا عملکرد آن ارتقاء یابد. در این صورت، ماشین قادر خواهد بود کارکردهای تازه ای از مغز را برای ما بازسازی کند، هرچند هیچ گاه نمی تواند جایگزین مغز انسان شود. افزایش ظرفیت عملکردی بیماران با کمک هوش مصنوعی این استاد دانشگاه با اشاره به محدودیت های طبیعی مغز اظهار داشت: به عنوان مثال، انسان در مسیرهای بینایی تنها قادر می باشد در بازه ای کمتر از یک ثانیه مسیر دید خودرا حفظ کند، اما در سامانه های هوشمند مصنوعی میتوان این ظرفیت را افزایش داد و به بیمار اجازه داد از این توانایی برای بهبود عملکرد شناختی خود بهره ببرد. وی ادامه داد: در این پروژه، توانستیم در حوزه تعامل روزمره بیمار، به سطح اطمینان ۹۵ تا ۹۹ درصد برسیم؛ در حالیکه روش های بالینی سنتی تنها بین ۷۴ تا ۹۰ درصد دقت داشتند. این موفقیت ناشی از به کارگیری روش های نویززدایی (Noise Reduction) و ارایه اطلاعات دقیق و شفاف به بیمار است؛ موضوعی که در روش های سنتی درمانی کمتر ممکن بود. بازگشت بیمار به وضعیت شناختی گذشته ستایشی با اشاره به مقصد پایانی طرح اظهار داشت: یکی از اولویت های ما در این پروژه، کمک به برگشت بیماران به وضعیت شناختی و عملکردی قبل از بروز بیماری است. در این راستا، از رویکرد های تطبیقی (Adaptive Approaches) استفاده کردیم تا سامانه بتواند با خصوصیت های هر بیمار سازگار شود و بنابراین، فرایند توان بخشی را تسریع کند. بازسازی داده های ناقص با یادگیری تکرارشونده عضو هیأت علمی دانشگاه امیرکبیر اضافه کرد: یکی از قابلیت های مهم این معماری ها، بازسازی (Reconstruction) داده های ناقص است. در فرایند یادگیری، زمانی که داده ها ناقص یا پرنویز هستند، ماشین با بهره گیری از روش های تکرارشونده (Iterative) می تواند الگوی اصلی را استخراج کرده و نمایه ای دقیق از وضعیت گذشته بیمار – زمانی که سالم بوده – بازسازی کند. وی اشاره کرد: این خصوصیت به ما اجازه می دهد پروفایل شناختی و رفتاری بیماران را بازتولید نماییم و از آن برای طراحی درمان های هوشمند و شخصی سازی شده بهره ببریم. دسترسی به جزییات مغزی مغفول مانده در سیگنال های EEG ستایشی اضافه کرد: در این پروژه توانستیم با تحلیل دقیق سیگنال های EEG و پالایش لرزش های موجود، به جزئیاتی از مغز انسان نائل شویم که در ارزیابی های بالینی سنتی مغفول مانده بود. متاسفانه در خیلی از فرآیندهای بالینی، به سبب ناآشنایی متخصصان با فیزیک مغز و پدیده های کیوتاتیکی (Chaotic Phenomena) که در آن رخ می دهد، از اطلاعات عمیق EEG استفاده نمی شود. فقدان فناوری در تحلیل دقیق داده های مغزی ایشان سپس اظهار داشت: هم اکنون، یکی از ضعف های حوزه بالینی اینست که ابزارها و فناوری های تحلیلی ضروری جهت تفسیر دقیق سیگنال های مغزی در دسترس نیست. تا آن زمان که این کمبودها جبران نشود، تشخیص های بالینی از دقت کافی برخوردار نخواهد بود. ستایشی تاکید کرد: گسترش زیرساخت های فناورانه در این زمینه می تواند تحولی بزرگ در توان بخشی شناختی و بازسازی عملکرد مغز بیماران ایجاد نماید.آینده حل مسایل بشر در علم شناختی رقم می خورد ستایشی در بخش دیگری از سخنان خود با تاکید بر لزوم پیوند میان رشته های مختلف علمی اظهار داشت: ما تلاش می نماییم مهندسی پزشکی را یاری دهیم تا از «پل هوش مصنوعی» عبور کرده و به عرصه های تشخیص و حتی تشخیص سریع (Early Diagnosis) وارد شود. هدف ما اینست که با بهره گیری از ابزارهای فناورانه ای که در این راه تولید می شود، بتوانیم فرآیندهای درمان و بازتوانی را تسهیل نماییم. وی با طرح این پرسش که «چگونه میتوان این مسیر را ترمیم و تسهیل کرد؟» اضافه کرد: باید شرایطی فراهم گردد تا همه فعالین حوزه های مختلف، از علوم اعصاب و علوم شناختی گرفته تا هوش مصنوعی، مهندسی پزشکی و پزشکی، بتوانند با یکدیگر تعامل و هم افزایی داشته باشند. ستایشی اشاره کرد: من به مدلی معتقدم که بر مبنای آن، آینده حل مسایل بشر در بستر علوم شناختی رقم خواهد خورد. بر همین مبنا باید از انجام مطالعات علمی بصورت جزیره ای پرهیز نماییم و موضوعات پژوهشی را در فضایی میان رشته ای به بحث بگذاریم. وی اضافه کرد: اگر هر مساله علمی در چارچوب میزگردی مطرح شود که در اطراف آن متخصصان حوزه های متعدد همچون پزشکی، روان پزشکی، روانکاوی، روان شناسی، علوم اعصاب، ریاضی، فیزیک، مهندسی کامپیوتر و حتی هنر حضور داشته باشند، خروجی این تعامل، پدیده ای خواهد بود که آنرا «رضایت مندی علمی و انسانی» می نامیم. به نقل از ایشان، امروز دیگر نمی توان میان علم و هنر مرزی قائل شد؛ چونکه از نظر علوم شناختی، هر دو قابل مشاهده، تحلیل و اندازه گیری اند. هنر احساسی در انسان برمی انگیزد و علم نیز از همین سازوکارهای ادراکی بهره می گیرد؛ ازاین رو روزی این دو حوزه ناگزیر به پیوند و هم گرایی خواهند بود. ستایشی در آخر تاکید کرد: آن چه امروز بالاتر از هر چیز به آن نیاز داریم، فعال کردن میز علوم شناختی است تا از رهگذر گفتگو و هم افزایی، مسیرهای نو برای فهم و بهبود عملکرد انسان گشوده شود.بطور خلاصه، فاده از یادگیری عمیق برای بهبود ارتباط مغز و کامپیوتر ستایشی ضمن اشاره به پروژه در دست اجرای دانشگاه، توضیح داد: در این طرح، از یادگیری عمیق برای طبقه بندی پتانسیل های بصری با هدف بهبود ارتباط مغز و کامپیوتر استفاده می شود. بررسی اثر موسیقی ایرانی بر انسان با کمک هوش مصنوعی ستایشی در بخش دیگری از سخنان خود از اجرای پروژه ای جدید در دانشگاه اطلاع داد و عنوان کرد: به زودی طرحی با همکاری پژوهشگران حوزه هوش مصنوعی و مهندسی کامپیوتر آغاز می شود که در آن اثر دستگاههای موسیقی ایرانی بر انسان با کمک الگوریتم های هوشمند بررسی خواهد شد. دسترسی به جزئیات مغزی مغفول مانده در سیگنال های EEG ستایشی افزود: در این پروژه توانستیم با تحلیل دقیق سیگنال های EEG و پالایش لرزش های موجود، به جزئیاتی از مغز انسان نائل شویم که در ارزیابی های بالینی سنتی مغفول مانده بود. منبع: asrelink.ir 1404/08/20 10:38:58 6 0.0 / 5 تگهای مطلب: آموزش , ابزار , اپل , اپلیكیشن این پست عصر لینک را می پسندید؟ (0) (0) تازه ترین مطالب مرتبط استفاده از قابلیت های قانون جهش تولید دانش بنیان برای توسعه شهرهای هوشمند هوش مصنوعی سورا در دسترس کاربران اندروید قرار گرفت چرا اینترنت روزبه روز بدتر می شود؟ نگاهی به برنامه بزرگ مالزی برای توسعه شهر های هوشمند شتاب دهنده های هوش مصنوعی جدید کوالکام نظرات بینندگان در مورد این مطلب نظر شما در مورد این مطلب نام: ایمیل: نظر: سوال: = ۲ بعلاوه ۴