脑与认知科学基础（期末复习）

• 人工智能

脑与认知科学基础（期末复习）

文章目录

  • 脑与认知科学基础（期末复习）
    • 第一章 脑与认知科学简介
      • 认知
      • 元认知
      • 中国脑计划
    • 第二章 大脑简介
      • Human brain
      • 解剖参考坐标
      • 大脑皮质
      • 脑的内侧和腹侧面
      • 神经系统
      • 神经系统的细胞
      • 神经元间信号传导
      • 神经回路
      • 神经回路的基本模式
      • 人工神经
      • 人工神经网络
      • 生物神经网络vs. 当前人工神经网络
    • 课后作业
    • 参考

第一章 脑与认知科学简介

认知

在这里插入图片描述

元认知

在这里插入图片描述

中国脑计划

“中国脑计划”已经筹备了五六年时间，初步形成开展以脑认知神经原理研究为“主体”，脑重大疾病诊断新手段、类脑人工智能新技术是研究为“一体两翼”的格局。类脑计算和人工智能研究是“中国脑计划”的重要组成部分，将以类脑人工智能研发与产业化为核心，从“湿”“软”“硬”“大规模服务”这四个方向展开。

在这里插入图片描述

第二章 大脑简介

Human brain

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

解剖参考坐标

在这里插入图片描述

在这里插入图片描述

大脑皮质

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

额叶：中央前回是人脑控制运动的中枢，前额叶是人类高级认知活动的生理基础，负责计划、调节和控制人的心理活动，对人的高级的、目标导向的行为有重要作用；

前额叶受损的人会带来诸多缺陷，如无法抑制自己 的行为、无·法控制自己的情绪、无法有效的做计划与执 行计划、无法有工作记忆。(反向理解额叶功能）

在这里插入图片描述

本体觉又叫深感觉，是指感受肌肉、肌腱、关节和韧带等深部结构的本体感觉，即肌肉是否处于收缩或舒张状态，肌腱和韧带是否被牵拉，以及关节是否处于屈曲还是伸直状态的感觉。

顶叶：人类重要的感觉中枢，响应疼痛、触摸、品尝、温度、压力等感觉，顶叶还与注意功能、空间分辨以及数学逻辑相关。

在这里插入图片描述

在这里插入图片描述

脑的内侧和腹侧面

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

神经系统

神经系统的细胞

在这里插入图片描述

一个神经元的结构

在这里插入图片描述

基本的信息传递和处理单位

主要包含树突（接受信息）、胞体（整合信息）、轴突（传出信息）

神经元的功能：

在这里插入图片描述

在这里插入图片描述

神经元间信号传导

在这里插入图片描述

神经回路

在这里插入图片描述

神经回路的基本模式

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

人工神经

在这里插入图片描述

人工神经元反映神经元信息加工的重要方面，如空间整合、阈值非线性、神经元间连接的可塑性等，但也忽略了神经元的许多特性，如时间整合、不应期等。

人工神经网络

人工神经网络是为模拟生物神经网络而设计的一种计算模型，由多个节点（人工神经元）互相连接而成，实质是由多个人工神经元连接而成的自适应非线性系统。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

生物神经网络vs. 当前人工神经网络

在这里插入图片描述

课后作业

如果动作电位是全或无的，神经系统如何编码感觉刺激强度的差异？

发放率(firing rate)]编码：通过动作电位的发生频率进行编码

在这里插入图片描述

但速率编码或发放率编码是有缺陷的

在这里插入图片描述

相关性(correlation)编码：信息通过两个或多个邻近神经元的共同激活进行编码（共同激活的模式或程度，在时间维度体现，又叫时间编码）

在这里插入图片描述

发放率编码可以完成快速的信息编码，因此更具时效性，而相关性编码可以利用更少的动作电位来传递信息

感知机(perceptron)是受神经元启发的数学模型，在人工智能的发展史中具有重要地位。请结合本章内容，分析神经元在工作原理上与感知机模型的相同和差异之处

人工神经元或感知机反映了神经元信息加工的重要方面，如空间整合、阈值非线性、神经元间连接的可塑性等，但也忽略了神经元的许多特性，如时间整合、不应期等。

人工神经网络(artificial neural network)是深度学习的基础模型，请分析如右图所示的人工神经网络（隐层数>1）中可能存在哪些真实神经系统中的回路模体(circuit motif) ？

在这里插入图片描述

答：

收敛式兴奋(convergent excitation)回路模体

发散式兴奋(divergent excitation)回路模体

侧抑制(lateral inhibition)回路模体等

为什么说脉冲神经网络是感知机、前馈网络之后的第三代网络？

答：

传统神经网络在时间维度上考虑相对较少，而脉冲神经网络 (Spiking Neural Network，SNN) ，使用最拟合生物神经元机制的模型来进行计算，认为更能弥合神经科学和人工神经网络之间的差距。SNN 使用脉冲这种发生在时间点上的离散事件而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉冲就会出现，随后达到电位的神经元会被重置。脉冲随着时间而发生，在传统二进制编码中丢失的信息可以在脉冲的时间信息中重新获取，这允许自然地处理时间数据，无须循环网络添加额外的复杂度。

但是因为训练方法和硬件实现方面面临一些困难，还需要更多的研究和实践。

总结所介绍的工具或方法的原理，优势和劣势。包括:单细胞记录，EEG/ERP, CT，MRI，fMRI,TMS

在这里插入图片描述

简述感觉与知觉的区别

答：

感觉是一刺激对感觉器官的影响，如听觉、嗅觉、视觉等等；

而知觉是建立在感觉刺激之上的的加工和阐释（通过对感觉刺激进行加工和阐释所形成的），有听知觉，味知觉，躯体知觉，视知觉等等

解释物体恒常性和感觉信息的变异性

答：

物体恒常性：我们在各种情境中识别物体的惊人能力。

物体识别必须克服感觉信息的三种变异源：视角的改变；光线的变化（阴影等）；

部分遮挡。

即尽管从物体来的感觉信息有变异性，但我们对物体的识别具有恒常性。

解释层级编码假说和集群编码假说

答：

层级编码假说：初级特征被整合起来形成一个可被知识单元识别的物体。

层级编码假说认为，物体的识别是层级化过程，先有一些细胞表征初级特征，进而有另一些细胞表征更高层级的特征，这样由简单到复杂，就形成对复杂物体的识别（其中能够识别复杂物体的神经元叫知识单元）。

集群编码假说：由同时激活一群定义性特征来定义物体。

集群编码假说认为，物体识别不是源于单个单元，而是许多单元的集体激活。

背侧和腹侧视觉通路的加工有什么差异？背侧或腹侧视觉通路的损伤会导致什么症状？

答：

腹侧通路，“What”通路，物体识别；

背侧通路，“Where”通路，空间分析。

”what”缺陷，”where”正常，视觉失认症，难于从视觉识别存在的物体；

what”正常，”where”缺陷，视觉共济失调，难于运用视觉信息去引导它们的动作。

参考

aust 人工智能学院 孙老师ppt

本文来自网络，不代表协通编程立场，如若转载，请注明出处：https://net2asp.com/35897c6c50.html

赞 (0)
« 上一篇 1天前
下一篇 » 1天前

相关推荐