研究发现：基于人工智能的神经反馈方法将延迟降低50倍

在一项开创性的发展中，来自 HSE 大学和人工智能研究所 (AIRI) 的研究人员利用人工智能的力量彻底改变了神经反馈。由 Alexei Ossadtchi 领导的团队实现了大脑活动变化与相应神经反馈信号之间延迟的惊人 50 倍减少。

这一成就为推进注意力缺陷障碍和癫痫相关治疗带来了重大希望。该研究发表在《神经工程杂志》上，挑战了神经反馈中现有的局限性，并为接受神经治疗的患者引入了潜在的变革者。

利用基于 AI 的神经反馈解决延迟挑战

神经反馈的有效性一直受到大脑活动细微变化与反馈信号随后表现之间显著时间滞后的困扰。尽管先前的研究展示了在缩小这些时间差距方面的成功，但超过 500 毫秒的阈值已成为一个有害的障碍，严重损害了反馈与大脑事件之间的一致性。 

直面这一挑战，研究人员意识到延迟的重要性，着手解决时间复杂性，认识到它们是有效部署神经反馈疗法的关键决定因素。

主要的挑战在于 Gabor 不确定性原理，要求仔细检查 200 到 300 毫秒时间跨度内的大脑信号幅度，以描绘特定的节奏模式。这种筛选过程虽然必不可少，但带来了时间滞后，从而使得在大脑活动变化与相应反馈信号之间建立即时联系变得复杂。

TCN 在降低延迟方面的突破

为了克服延迟挑战，研究团队转向人工智能，使用大量个人大脑活动数据集训练神经网络。目标是创建一个能够加速在更广泛的大脑活动频谱中检测目标信号的模式。测试了各种神经网络架构，其中时间卷积网络 (TCN) 被证明是最有效的。

实施 TCN 允许构建一个隔离大脑节奏活动的滤波器，导致延迟前所未有的减少。呈现反映瞬时阿尔法节奏强度的反馈信号的延迟被削减至仅 10 毫秒。这是一项显著的进步，与传统的神经反馈系统相比，延迟降低了约 50 倍。

时间卷积网络 (TCN) 除了证明在减轻延迟方面的无与伦比的能力外，还明显表现出在真正的实时环境中快速跟踪神经群体转换的能力，同时保持令人印象深刻的极低延迟。这种开创性的操作方式不仅预示着神经反馈领域的变革性时代，还为范式重构奠定了基础，提供了一种不仅反应更灵敏而且在解决神经系统疾病复杂性方面明显更有效的治疗方法。

HSE 大学与 AIRI 研究人员的合作努力将神经反馈推向了新时代。通过 利用人工智能，他们成功解决了长期存在的延迟问题，为治疗神经系统疾病开辟了前所未有的可能性。研究结果不仅挑战了现有范式，还为提高神经反馈疗法的有效性提供了潜在的突破。随着研究界探索基于 AI 的神经反馈的更广泛影响，它有望迎来一个能够更有效地理解和治疗神经系统疾病的未来。