符号反用于神经机能脑机接口中透明的故障预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 脑机界面 (Brain-Machine Interfaces,简称BMI) 对辅助系统至关重要,但易受用户认知变化的影响,如疲劳或过载.
• 当前的BMI往往缺乏实时机制,以向用户传达内部不确定性或推理动态.
• 用户意图的微妙转变可以显著影响BMI系统的可靠性.

研究的目的:

• 介绍NECAP-Interaction,这是一个专为实时人与人工智能对齐而设计的神经符号架构.
• 通过将象征性痕迹生成集成到BMI控制管道中来提高神经机能学透明度.
• 探索符号反的潜力,以提高BMI性能和用户理解.

主要方法:

• 在评估中,在运动控制,视觉注意力和认知抑制任务中使用了高保真度合成剂.
• NECAP-Interaction生成了认识系统转变的象征描述符,以促进协同适应的人与系统通信.
• 使用结构化重复分析和可解释性指标评估了痕迹清晰度,响应延迟和符号覆盖率.

主要成果:

• 在错误发生前2.3±0.4秒内,NECAP-Interaction预测了行为分歧.
• 在各种不确定性级别中,超过90%的象征性痕迹解释性得到维持.
• 与基线CNN和RNN架构相比,符号反增强了用户对系统状态的理解,并减少了对信任崩的延迟.

结论:

• 认知解释性是BMI的关键设计优先事项,而不仅仅是技术特征.
• 在NECAP-Interaction的嵌入式符号内省力支持用户透明度和共同调节的交互,在苛刻的认知环境.
• 这项研究通过实现实时经验可解释性来推进以人为中心的神经技术.