Video Experimental Relacionado
Updated: Feb 22, 2026
08:45
Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
15.3K
Lograr una visión más similar a la del cerebro humano mediante la alineación representacional del EEG humano
Zitong Lu1,2, Yile Wang3, Julie D Golomb4
1Department of Psychology, The Ohio State University, Columbus, OH, USA. zitonglu@mit.edu.
Communications biology
|February 20, 2026
Resumen
Este estudio presenta Re(presentational)Al(ignment)net, un novedoso modelo de visión de IA que utiliza datos de EEG no invasivos para imitar mejor el procesamiento visual del cerebro humano. El modelo muestra una mayor alineación con las representaciones del cerebro humano, lo que avanza la inteligencia artificial.
Área de la Ciencia:
- Neurociencia
- Inteligencia Artificial
- Visión por Computadora
Sus antecedentes:
- Los modelos actuales de reconocimiento de objetos tienen dificultades para replicar el procesamiento visual del cerebro humano.
- Los métodos existentes a menudo utilizan grabaciones neuronales invasivas, lo que limita los estudios del cerebro humano.
- Existe una brecha en la comprensión de la percepción visual humana utilizando datos neuronales.
Objetivo del estudio:
- Desarrollar un modelo de visión alineado con la actividad cerebral humana utilizando datos de EEG no invasivos.
- Crear un innovador marco de codificación multicapa de imagen a cerebro.
- Mejorar la imitación de los patrones representacionales visuales del cerebro humano.
Principales métodos:
- Desarrollo de 'Re(presentational)Al(ignment)net' (ReAlnet), un modelo de visión que utiliza EEG no invasivo.
- Implementación de un marco de codificación multicapa de imagen a cerebro.
- Optimización de múltiples capas del modelo para el aprendizaje eficiente de patrones visuales humanos.
Principales resultados:
- ReAlnet demostró una similitud significativamente mayor con las representaciones del cerebro humano en comparación con los modelos tradicionales.
- Se logró una mejora promedio de similitud de aproximadamente el 3%.
- Se alcanzó una relación de mejora relativa máxima de hasta el 40% en la imitación de las representaciones cerebrales.
Conclusiones:
- El marco ReAlnet avanza la alineación neuronal humana en modelos de visión de IA.
- Este enfoque aprende e imita eficazmente los patrones representacionales visuales del cerebro humano.
- El estudio representa un paso significativo hacia la inteligencia artificial similar al cerebro y para cerrar la brecha entre la visión artificial y la humana.
