█ 腦科學動態

從癥狀到護理計劃：阿爾茨海默病診斷新框架

26個大腦區域如何控制脊髓中間神經元運動信號

跳過基因的“錯誤頁”：SPLICER減少阿爾茨海默病相關蛋白前體

鋰藥物助力孤獨癥治療，改善核心癥狀

2024 年改善大腦健康必問的 12 個問題

精神病學遺傳研究的新時代：從內表型1.0到2.0的變革與未來

親社會傾向如何塑造動態群體合作？

█ AI行業動態

馬斯克xAI再獲60億美元融資：估值突破400億美元

Hume AI推出OCTAVE：突破性語音語言模型賦予 AI 情感深度

ASAL：利用基礎模型自動尋找人工生命

文檔內聯：通過復合AI跨越模態差距

█ AI研發動態

面部表情+語言分析：AI精準預測抑郁癥嚴重程度

小數據大智慧，領域適應破解生物數據的泛化難題

機器人結合中醫按摩技術，推動康復療法創新

SSL加入“上下文”邁向通用模型

穿越恐怖谷：機器人學會“微表情”

合成多模態數據建模：破解醫療數據缺失的難題

腦科學動態

從癥狀到護理計劃：阿爾茨海默病診斷新框架

阿爾茨海默病的早期診斷和評估方法已落后于當前的醫學進展，為此，阿爾茨海默病協會組織了包括馬薩諸塞州總醫院、班納健康研究所等在內的多學科團隊，制定了一套全新的診斷指南。這項研究通過系統性文獻分析和專家推薦，總結出19條面向所有臨床環境的實用建議，以提升診斷質量和患者生活質量。

研究采用修改后的德爾菲方法，通過分析7374篇文獻（133篇滿足篩選標準），提出了一個高質量、循證支持的評估框架。該框架由以下三步組成：

• 認知功能狀態（Cognitive Functional Status）：分析認知受損程度，如輕度認知障礙或癡呆。

• 認知行為綜合癥（Cognitive-Behavioral Syndrome）：明確患者的癥狀，如語言困難和記憶喪失等。

• 潛在腦部疾病（Underlying Brain Disease）：通過腦成像和實驗室測試，確認病因。

這一流程強調護理伙伴的重要性，并建議針對患者的癥狀和需求個性化診斷過程。研究特別指出，隨著生物標志物和新工具的不斷發展，這些指南可隨時更新，為患者和醫療系統帶來更大益處。研究發表在 Alzheimer's & Dementia 上。

#大腦健康 #阿爾茨海默病 #診斷指南 #認知障礙

閱讀論文：

Atri, Alireza, et al. “Alzheimer’s Association Clinical Practice Guideline for the Diagnostic Evaluation, Testing, Counseling, and Disclosure of Suspected Alzheimer’s Disease and Related Disorders (DETeCD-ADRD): Executive Summary of Recommendations for Primary Care.” Alzheimer’s & Dementia, vol. n/a, no. n/a. Wiley Online Library, https://doi.org/10.1002/alz.14333. Accessed 24 Dec. 2024

“The Alzheimer’s Association Clinical Practice Guideline for the Diagnostic Evaluation, Testing, Counseling, and Disclosure of Suspected Alzheimer’s Disease and Related Disorders (DETeCD-ADRD): Validated Clinical Assessment Instruments.” Alzheimer’s & Dementia, vol. n/a, no. n/a. Wiley Online Library, https://doi.org/10.1002/alz.14335. Accessed 24 Dec. 2024

Dickerson, Bradford C., et al. “The Alzheimer’s Association Clinical Practice Guideline for the Diagnostic Evaluation, Testing, Counseling, and Disclosure of Suspected Alzheimer’s Disease and Related Disorders (DETeCD-ADRD): Executive Summary of Recommendations for Specialty Care.” Alzheimer’s & Dementia, vol. n/a, no. n/a. Wiley Online Library, https://doi.org/10.1002/alz.14337. Accessed 24 Dec. 2024

26個大腦區域如何控制脊髓中間神經元運動信號

肌肉運動依賴于復雜的大腦與脊髓神經回路的協調，而大腦如何通過脊髓中間神經元傳遞信號以控制運動長期未解。圣裘德兒童研究醫院的研究團隊，通過轉基因狂犬病病毒和串行雙光子斷層掃描技術，生成了一個全腦圖譜，詳細揭示了26個大腦區域與V1中間神經元的單突觸連接。該圖譜和附屬的三維交互網站為神經科學研究提供了開放的數據和工具。

?Credit: Neuron (2024).

研究使用了轉基因狂犬病病毒（rabies virus），該病毒被去除了糖蛋白（glycoprotein）以限制其傳播范圍，通過重新引入糖蛋白到特定V1中間神經元，病毒只能進行一次突觸跳躍，便于追蹤神經元連接路徑。研究團隊通過熒光標記技術，精確定位這些病毒的最終去向，并利用串行雙光子斷層掃描生成三維腦圖。

結果顯示，頸椎V1中間神經元接收到來自26個大腦區域的單突觸輸入，這些區域包括大腦皮層、中腦、小腦等。此外，研究發現V1中間神經元的兩個主要亞群V1Foxp2和V1Pou6f2接收到不同來源的偏向性輸入，例如前庭脊髓系統和GRN系統。該發現說明了脊髓上輸入與分子特異性中間神經元之間存在的選擇性連接模式，為理解大腦如何通過脊髓調控運動提供了重要基礎。研究發表在 Neuron 上。

#神經科學 #神經技術 #脊髓神經元 #大腦圖譜

閱讀論文：

Chapman, Phillip D., et al. “A Brain-Wide Map of Descending Inputs onto Spinal V1 Interneurons.” Neuron, vol. 0, no. 0, Dec. 2024. www.cell.com, https://doi.org/10.1016/j.neuron.2024.11.019

跳過基因中的“錯誤頁”：SPLICER減少阿爾茨海默病相關蛋白前體

阿爾茨海默病的主要病理標志之一是大腦中β淀粉樣蛋白（Aβ）斑塊的積累，這對患者的神經功能產生嚴重破壞。然而，現有基因編輯技術在解決與疾病相關的基因問題時面臨效率和精度的限制。伊利諾伊大學厄巴納-香檳分校的研究團隊通過開發新型基因編輯工具SPLICER，顯著提高了基因編輯效率，并成功減少了阿爾茨海默病小鼠模型中Aβ前體的形成。

SPLICER是一種基于CRISPR-Cas9的新工具，采用了最新的Cas9酶和堿基編輯器組合，能夠同時編輯外顯子的剪接受體（SA）和供體（SD）序列。這種方法不僅解決了傳統技術中外顯子跳躍不完全的問題，還顯著提高了編輯效率。在實驗中，研究人員靶向阿爾茨海默病相關基因APP的外顯子17，減少了其編碼的Aβ前體蛋白。在體外培養的神經元中，SPLICER顯著減少了Aβ42肽的生成，并在小鼠模型中成功實現目標外顯子表達的25%降低，且無脫靶效應。這些結果表明，SPLICER具有潛力成為一種治療基因突變疾病的強大工具。研究發表在 Nature Communications 上。

#大腦健康 #阿爾茨海默病 #基因編輯 #外顯子跳躍

閱讀論文：

Miskalis, Angelo, et al. “SPLICER: A Highly Efficient Base Editing Toolbox That Enables in Vivo Therapeutic Exon Skipping.” Nature Communications, vol. 15, no. 1, Nov. 2024, p. 10354. www.nature.com, https://doi.org/10.1038/s41467-024-54529-y

鋰藥物助力孤獨癥治療，改善核心癥狀

孤獨癥譜系障礙（ASD）患者及其家庭長期面臨治療難題，亟需新的干預手段。基礎科學研究所突觸腦功能障礙中心的Kim Eunjoon團隊，通過研究發現，鋰這一傳統精神疾病藥物，有潛力改善ASD相關腦部和行為異常。

?鋰可以將 Dyrk1a 缺陷小鼠的小頭畸形、突觸功能異常和溝通問題恢復到正常水平。Credit: Institute for Basic Science

研究團隊采用一種攜帶人類Dyrk1a突變（Ile48LysfsX2）的基因敲入小鼠模型（Dyrk1a-I48K mice），模擬孤獨癥患者的核心表型。這些小鼠表現出嚴重的小頭畸形（microcephaly）、神經樹突縮短、突觸缺陷及社交行為和認知能力問題。

研究對新生期的小鼠進行鋰藥物干預，結果表明，鋰不僅能夠恢復小鼠腦容量，還改善了神經信號通路及其相關的核心行為問題，療效持續至成年期。質譜分析進一步揭示了鋰通過Kalirin-7分子改善突觸功能的機制。研究還發現，孤獨癥的核心病理可能源于信號通路異常，早期干預可有效阻止病理進展。研究發表在 Molecular Psychiatry 上。

#大腦健康 #孤獨癥 #鋰治療 #突觸功能 #Kalirin-7

閱讀論文：

Roh, Junyeop Daniel, et al. “Lithium Normalizes ASD-Related Neuronal, Synaptic, and Behavioral Phenotypes in DYRK1A-Knockin Mice.” Molecular Psychiatry, Dec. 2024, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41380-024-02865-2

2024 年改善大腦健康必問的 12 個問題

隨著人類壽命延長，大腦健康成為全球關注的公共健康問題。美國神經病學學會（AAN）組織了一項研究，針對大腦健康的主要影響因素制定了一套討論指南。研究團隊通過專家協作和數據分析，探索了包括情緒管理、飲食調整在內的12個關鍵領域，旨在通過醫生和患者的協作改善個體認知功能和整體大腦健康。

研究提出了一種基于互動的健康評估方法，涵蓋12個領域，包括睡眠、情緒和心理健康、飲食與營養補充、鍛煉等。每個領域附帶具體問題供患者與醫生討論。具體包括以下內容：

1. 睡眠：您能獲得充足的睡眠以感到休息嗎？

2. 情緒、心理健康：您是否擔心自己的情緒、焦慮或壓力？

3. 飲食與營養補充：您是否擔心獲取足夠或健康的食物，或者對補充劑或維生素有疑問？

4. 鍛煉：您是否找到將體育鍛煉融入生活的方法？

5. 支持性社交互動：您是否與親密的朋友或家人定期聯系，并且是否得到足夠的支持？

6. 避免創傷：您是否系安全帶、戴頭盔，并使用兒童汽車安全座椅？

7. 血壓：您在家或就診時是否有高血壓問題，或者對血壓治療有擔憂？

8. 風險、遺傳與代謝因素：您在控制血糖或膽固醇方面有困難嗎？您的家族中是否有神經系統疾病？

9. 負擔能力與依從性：您對藥物費用是否有困難？

10. 感染：您是否了解最新疫苗，并對其信息足夠了解？

11. 負面暴露：您是否吸煙、每天飲酒超過1到2杯，或使用非處方藥？您是否飲用井水或生活在污染區域？

12. 社會和結構性健康決定因素：您是否擔心住房、交通、獲得護理和醫療保險，或身體和情感上免受傷害？

通過以上具體問題，研究顯示，這種結構化的討論不僅可以幫助患者識別潛在健康問題，還能通過針對性醫療資源改善大腦健康。研究強調了長期穩定的健康干預與社會支持的重要性。研究發表在 Neurology。

#大腦健康 #預防性神經病學 #健康社會決定因素 #認知功能改善

閱讀論文：

Selwa, Linda M., et al. “The Neurologist’s Role in Promoting Brain Health.” Neurology, vol. 104, no. 1, Jan. 2025, p. e210226. neurology.org (Atypon), https://doi.org/10.1212/WNL.0000000000210226

精神病學遺傳研究的新時代：從內表型1.0到2.0的變革與未來

近年來，隨著遺傳學和基因組學的快速發展，精神病學領域的“內表型”（endophenotype）研究也在經歷深刻的變革。傳統內表型1.0定義于上世紀60年代，作為疾病和基因型之間的可測量特征，覆蓋神經生理、生化、內分泌、神經解剖、認知等多種領域。然而，這些定義和標準存在局限性，例如過于強調狀態獨立性、缺乏對治療響應或環境風險因素的考慮等。

芝加哥大學的Chunyu Liu和Elliot S. Gershon團隊提出的內表型2.0重新定義了這一概念。他們認為，內表型應包括“受基因影響且與疾病或治療相關的特征”，并進一步強調遺傳中介作用。這種中介作用不僅探討基因與疾病之間的線性關系，還包含非線性和復雜網絡效應。此外，新框架引入了與環境風險、疾病進展、治療反應及復原能力相關的動態特征，顯著拓寬了研究范圍。

更新的內表型2.0標準旨在利用多維遺傳與基因組數據，揭示精神疾病的潛在生物機制。這一進展對阿爾茨海默病、孤獨癥、精神分裂癥等疾病的風險預測和治療優化具有重要意義。例如，利用腦影像、眼動追蹤和認知測量等數據，可通過因果分析和遺傳中介研究明確基因、內表型與疾病的復雜關系。

內表型2.0的提出為精神病學領域提供了一個更靈活和全面的研究框架，有望解決遺傳關聯與疾病生物機制之間的“缺失環節”（missing biology），推動精準醫學和跨學科研究的發展。

#精神病學 #遺傳研究 #內表型2.0 #阿爾茨海默病 #精神分裂癥

閱讀論文：

Liu, Chunyu, and Elliot S. Gershon. “Endophenotype 2.0: Updated Definitions and Criteria for Endophenotypes of Psychiatric Disorders, Incorporating New Technologies and Findings.” Translational Psychiatry, vol. 14, no. 1, Dec. 2024, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41398-024-03195-1

親社會傾向如何塑造動態群體合作？

合作是人類社會的核心，但動態群體中的合作機制尚不明確。Wojciech Zajkowski、Ryan P. Badman、Masahiko Haruno 和 Rei Akaishi 領導的國際研究團隊，利用動態囚徒困境實驗和功能性磁共振成像技術，揭示了記憶信心和親社會傾向在動態群體合作中的重要作用，填補了相關研究空白。

研究團隊在實驗中要求參與者與隨機選定的群體成員進行多輪囚徒困境博弈，并通過fMRI掃描分析其腦活動。實驗顯示，合作水平隨著群體規模的增大而提升，但其背后機制是參與者穩定的親社會傾向與基于記憶信心的動態互惠策略之間的平衡在大群體中發生偏移，傾向于更親社會的決策。

在神經層面，梭狀回（fusiform gyrus）和楔前葉（precuneus）負責編碼記憶信心，而左背外側前額葉皮層（DLPFC）和前扣帶回皮層（dACC）則負責整合記憶信心與親社會傾向。這一發現為理解動態群體合作的形成機制提供了新的視角。研究發表在 Communications Psychology 上。

#認知科學 #動態群體 #親社會傾向 #記憶信心 #功能性磁共振成像

閱讀論文：

Zajkowski, Wojciech, et al. “A Neurocognitive Mechanism for Increased Cooperation during Group Formation.” Communications Psychology, vol. 2, no. 1, Dec. 2024, pp. 1–16. www.nature.com, https://doi.org/10.1038/s44271-024-00177-3

AI 行業動態

馬斯克xAI再獲60億美元融資：估值突破400億美元

近日，馬斯克創立的人工智能公司xAI宣布完成新一輪60億美元融資，吸引了包括英偉達和AMD在內的97位投資者或機構參與。這使得xAI累計融資額達到120億美元，公司估值突破400億美元。

xAI計劃將本次融資用于兩大核心領域：基礎設施升級和產品開發。首先，xAI計劃擴建超級計算機“Colossus”，目標是實現20萬個英偉達H200 GPU規模，用以支持大模型訓練。其次，xAI正在加速開發其標志性人工智能產品Grok 3，據透露該產品將在年底發布。此外，xAI還推出了專有的圖像生成模型Aurora，進一步增強多模態的理解和生成能力。

據悉，此輪融資的參與者主要為上一輪B輪融資的支持者，包括紅杉資本、摩根士丹利等頂級機構。據報道，此次融資中部分資金可能直接用于與英偉達的合作。

自2023年7月成立以來，xAI發展迅速。今年5月完成B輪融資后，xAI僅用122天就建成并投入運行其超級計算機Colossus。Grok的免費功能已向Twitter用戶開放，其iOS應用也即將上線。盡管xAI當前年收入約1億美元，與競爭對手OpenAI和Anthropic相比仍有差距，但公司估值和增長潛力已顯示出巨大的前景。

#人工智能 #馬斯克 #xAI #大模型 #英偉達

閱讀更多：

https://x.ai/blog/series-c

Hume AI 推出 OCTAVE：突破性語音語言模型，賦予 AI 情感深度

Hume AI 于 2024 年 12 月推出了一款名為 OCTAVE（Omni-Capable Text and Voice Engine，全功能文本和語音引擎）的全新語音語言模型，旨在解決當前 AI 在情感理解和表達方面的不足。OCTAVE 結合了 Hume AI 的 EVI 2 語音模型與 OpenAI 語音引擎、ElevenLab TTS 語音設計以及 Google DeepMind NotebookLM 的技術優勢，為語音技術領域注入了情感計算的創新活力。

OCTAVE 的核心優勢在于其多模態神經架構，能夠整合聲學、語言和情感信號。模型通過超過一百萬個情感語音樣本進行訓練，精確標注情緒類型及強度，使其可以識別諸如諷刺、喜悅或沮喪等細膩的情感線索。此外，OCTAVE 在零樣本和少樣本學習場景中表現出色，能快速適應新的情感背景或語言，顯著提高多功能性。

研究團隊還強調了其高效的邊緣設備部署能力，使模型在計算資源受限或低延遲需求場景中表現卓越。相比于主流模型如 Llama 3.1，盡管 OCTAVE 的 8B 版本在某些測試中稍顯劣勢，但其 3B 版本在 ARC（簡單）等任務上表現突出，充分展現了其在情感理解和語言精度上的獨特優勢。

OCTAVE 的問世為情感感知 AI 開辟了廣闊的應用前景，涵蓋虛擬助手、互動故事講述以及心理健康支持等領域。這一技術進步不僅增強了 AI 驅動的人機交互體驗，還標志著語音語言模型向更真實、更具情感深度的方向邁進。

#語音技術 #人工智能 #情感計算 #語音模型 #人機交互

閱讀更多：

https://www.hume.ai/blog/introducing-octave

ASAL：利用基礎模型自動尋找人工生命

基于基礎模型的人工生命（ALife）研究迎來了重要突破。由麻省理工學院（MIT）、Sakana AI 和瑞士人工智能實驗室 IDSIA 等多家機構的研究人員聯合開發的新方法——人工生命自動搜索系統（ASAL, Automated Search for Artificial Life），首次利用視覺-語言基礎模型（Foundation Models, FMs）全面探索人工生命模擬的多樣性和可能性。

ASAL 系統通過三種創新方式尋找人工生命模擬：(1) 通過文本提示發現特定目標現象；(2) 通過開放性探索，識別能夠產生持續創新的模擬；(3) 闡明模擬空間的多樣性，以探索更多未知的“生命”形式。研究成果包括發現全新的 Lenia 和 Boids 生命形態，以及類似康威生命游戲（Conway’s Game of Life）的開放式細胞自動機，這些都拓展了人工生命的邊界。

這一系統解決了 ALife 領域長期以來的難題：手動設計模擬規則的高成本與低效率。通過基礎模型的強大泛化能力，ASAL 不僅可以定量分析原本難以量化的復雜現象，還能在人類關注的方向上進行創新性探索。研究人員認為，這種方法為人工生命研究提供了全新的思路，有望加速實現探索“可能的生命”的終極目標。

#人工智能 #越獄技術 #BoN算法 #AI安全 #Anthropic

閱讀更多：

https://pub.sakana.ai/asal/

文檔內聯：通過復合AI跨越模態差距

當前，全球大部分數據（如醫療記錄、播客、財務報表）以圖像、PDF、音頻文件或專用知識庫形式存在，這些格式難以被大型語言模型有效處理。雖然視覺語言模型（VLM）和多模態模型試圖填補這一空白，但它們在輸入類型和推理能力上仍存在局限，導致結果質量低下且成本較高。

Fireworks推出了文檔內聯（Document Inlining），這是一個復合系統，能夠自動將任何LLM轉變為視覺模型，以處理圖像或PDF等文檔。它能夠通過使用任意LLM或專用模型，提升推理和生成能力；自動轉換多種文件類型，如PDF和截圖，支持表格和圖表等豐富結構；兼容OpenAI API，在 Fireworks 中，啟用Document Inlining功能僅需在現有的 API 中添加一行代碼即可實現。目前處于公開預覽階段，使用文檔內聯不會產生額外解析成本，僅需支付輸入和輸出的Token費用。

實驗發現，文檔內聯在68%的情況下優于直接使用圖像輸入的GPT4o模型。此外，使用文檔內聯的VLM在響應質量上顯著提升。文檔內聯展示了復合AI系統的強大能力，通過專用解析器和推理模型，實現更高質量、更快速且更具成本效益的結果。Fireworks將繼續擴展文檔內聯功能，涵蓋音頻文件內聯和對長文檔的推理時搜索等。

#人工智能 #數據處理

閱讀更多：

https://fireworks.ai/blog/document-inlining-launch#quality-evaluation

AI 研發動態

面部表情+語言分析：AI精準預測抑郁癥嚴重程度

抑郁癥是一種廣泛存在卻常被忽視的公共健康問題，全球有約5%成年人受其影響。針對傳統診斷方法易受主觀偏差影響的局限性，來自德國埃爾蘭根-紐倫堡大學的Misha Sadeghi等研究人員，利用E-DAIC數據集，結合大型語言模型（LLMs）與視頻特征，開發了多模態分析方法，提高了抑郁癥的檢測精度。

研究采用了多模態方法，通過大型語言模型分析面試文本，提取抑郁相關的語言特征，同時從視頻幀中提取視覺特征（如面部表情、眼神方向）。基于這些數據，研究構建了三種模型：僅文本、僅視覺以及文本與視覺結合的多模態模型，并使用PHQ-8問卷分數（國際抑郁測量標準）進行模型訓練和評估。

結果表明，純文本模型已能實現高效準確的抑郁癥預測，平均絕對誤差（MAE）為2.85，均方根誤差（RMSE）為4.02；結合語音質量后，模型性能進一步提高，顯示出多模態方法的顯著優勢。這一研究驗證了自動化診斷技術的潛力，有望為未來的心理健康管理提供新工具。研究發表在 npj Mental Health Research 上。

#大腦健康 #抑郁癥 #多模態分析 #人工智能診斷

閱讀更多：

Sadeghi, Misha, et al. “Harnessing Multimodal Approaches for Depression Detection Using Large Language Models and Facial Expressions.” Npj Mental Health Research, vol. 3, no. 1, Dec. 2024, pp. 1–14. www.nature.com, https://doi.org/10.1038/s44184-024-00112-8

小數據大智慧，領域適應破解生物數據的泛化難題

傳統機器學習模型因數據分布差異難以泛化到新數據集。為解決這一問題，來自哥倫比亞大學、加州大學爾灣分校的 Seyedmehdi Orouji、Martin C. Liu、Tal Korem 和 Megan A. K. Peters 分析了領域適應（Domain Adaptation, DA）的潛力，提出其在小規模生物數據集中整合和轉移知識的應用。研究結果揭示了如何在數據不足的情況下挖掘生物學規律。

領域適應是一種遷移學習技術，能夠通過對數據分布的對齊，找到跨數據集的通用特征。該技術在孤獨癥數據集（ABIDE）和腫瘤微生物組研究中顯示了潛力。具體而言，DA能夠通過整合不同來源的數據集，緩解單個數據集樣本不足的問題。研究指出，通過將成年人體腦部MRI的知識遷移到新生兒的腦部研究，或將細胞系的注釋遷移到臨床數據集，DA能夠有效擴展模型的應用范圍。此外，DA還能夠減少數據統計偏差的影響，確保模型更關注生物學意義而非統計偶然性。

盡管如此，生物數據的異質性（如特征缺失、樣本-特征比不平衡）仍為DA的應用帶來挑戰。團隊建議未來開發更加適合小規模生物數據的定制化DA方法，以更好地服務于生物學發現和健康研究。這一綜述為領域適應在生物學中的應用提供了全面視角，發表在 Science Advances 期刊。

#神經技術 #領域適應 #遷移學習 #生物數據集

閱讀更多：

Orouji, Seyedmehdi, et al. “Domain Adaptation in Small-Scale and Heterogeneous Biological Datasets.” Science Advances, vol. 10, no. 51, Dec. 2024, p. eadp6040. science.org (Atypon), https://doi.org/10.1126/sciadv.adp6040

機器人結合中醫按摩技術，推動康復療法創新

中醫按摩在緩解疼痛和促進康復中具有顯著療效，但手法復雜，對技師經驗要求高。上海交通大學與上海理工大學的研究團隊通過機器人技術模擬傳統中醫按摩，為醫療保健和康復治療帶來了新工具。研究利用自適應導納控制算法，從運動學和動力學角度解析按摩技法，并開發出多功能機械手，有效再現了四種典型按摩手法。

?Credit: Xu et al.

研究團隊采用動作捕捉系統Optitrack和按摩強度測量儀ZTC-II（用于記錄按摩手法和力道的設備），收集了專業中醫按摩師的操作數據，并以此訓練機器人控制算法。機器人系統由兩個機械臂組成，末端配備模擬人手的機械按摩手，具有掌擊（Palm-punch）、振動（Vibration）、揉捏（Kneading）和指法（Finger technique）四種模式。實驗結果顯示，該系統能夠成功復制敲打、按壓、推壓和振動四種中醫按摩技術，按摩過程舒適且安全。

#神經技術 #中醫按摩 #機器人控制 #康復治療

閱讀更多：

Xu, Yuan, et al. Digital Modeling of Massage Techniques and Reproduction by Robotic Arms. arXiv:2412.05940, arXiv, 8 Dec. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2412.05940

自監督學習加入“上下文”邁向通用模型

自監督學習（SSL）在機器學習領域廣泛應用，但傳統方法依賴固定數據增強策略，限制了模型在不同任務中的適應能力。來自麻省理工學院計算機科學與人工智能實驗室（CSAIL）和慕尼黑工業大學的研究人員，開發了一種名為情境自監督學習（ContextSSL）的新算法。該方法通過融入上下文記憶模塊，實現了靈活的任務調整，大幅提升了模型的泛化性能和公平性。

ContextSSL的核心方法是通過Transformer模塊編碼上下文信息，包括狀態-動作-下一個狀態的三元組。這里，“動作”表示數據增強的類型，當前狀態和未來狀態分別表示增強前后的輸入表示。通過這種設計，模型能夠在特定任務中動態調整其表示的對稱性，適應不變性（invariance）和等變性（equivariance）的要求。

實驗表明，ContextSSL在多個計算機視覺基準任務中表現出顯著優勢。例如，在CIFAR-10數據集上，其準確性相比傳統方法提升了約10%。在醫療領域，ContextSSL在MIMIC-III數據集上成功實現了性別敏感任務的改進，同時在公平性指標（如均等賠率和機會均等）上取得更高分數。

#神經技術 #自監督學習 #上下文記憶 #等變性

閱讀更多：

Gupta, Sharut, et al. In-Context Symmetries: Self-Supervised Learning through Contextual World Models. arXiv:2405.18193, arXiv, 28 May 2024. arXiv.org, https://doi.org/10.48550/arXiv.2405.18193

穿越恐怖谷：機器人學會“微表情”

面部表情的自然性是提升機器人情感交流能力的關鍵。大阪大學的 Hisashi Ishihara 團隊提出了一種創新技術，通過動態表情合成顯著改善機器人表情的自然性和情感表達能力。研究展示了機器人如何通過波形運動實時調整面部表情，實現更加類人的交互體驗。

?兒童機器人機器人上實現的困倦情緒表達的快照。Credit: Hisashi Ishihara

研究提出了一種基于波形運動（waveform movements）的動態表情生成系統，通過將面部運動分解為如“呼吸”“眨眼”“打哈欠”等逐漸衰減的波形（decaying waves），并根據機器人內部狀態（如喚醒水平，arousal level）動態調整波形參數，從而生成流暢自然的面部表情。

具體而言，該系統通過數學模型自動生成各面部驅動器的控制信號，無需預設動作數據。在實驗中，這一系統在兒童型機器人的面部上得到了驗證。結果表明，經過調優的波形表情不僅能夠準確傳達不同的情感狀態，還能在保持類人特性（如自然過渡和協調性）的同時避免傳統方法中表情生硬或切換突兀的問題。研究發表在 Journal of Robotics and Mechatronics 上。

#認知科學 #波形運動 #機器人表情 #人機情感交流

閱讀更多：

Hisashi Ishihara et al, Automatic Generation of Dynamic Arousal Expression Based on Decaying Wave Synthesis for Robot Faces, Journal of Robotics and Mechatronics (2024). DOI: 10.20965/jrm.2024.p1481

合成多模態數據建模：破解醫療數據缺失的難題

近年來，生物醫學領域的研究面臨數據缺失的挑戰。患者的醫療數據通常由分子（如基因測序）、影像（如MRI掃描）、傳感器（如心率監測）等多種模態組成，但這些模態的數據獲取昂貴且不易實現。針對這一問題，斯坦福大學等機構的研究團隊提出了一種創新方法——合成多模態數據建模，利用基礎模型補全缺失數據并生成真實感的合成樣本。

合成多模態數據建模的核心是通過大規模預訓練模型整合多模態數據的信息，提升數據補全的質量。這種方法不僅可以解決單模態和跨模態數據補全的局限性，還能夠支持in silico假設測試——在模擬環境中通過調整數據模態研究其對疾病狀態的影響。此外，該模型可以動態更新患者的數據狀態，為個性化治療提供精準支持。例如，在不進行侵入性活檢的情況下，模型可基于放射影像和臨床數據預測腫瘤的基因信息，為診斷和治療決策提供依據。

盡管前景廣闊，這一方法仍需解決多個挑戰，包括生成數據質量的評估、數據隱私的保護以及應對數據偏差的問題。研究團隊強調，全球范圍內建立標準化、多樣化的醫學數據集將是未來的關鍵一步。

#神經技術 #多模態數據 #數據補全 #基礎模型

閱讀更多：

Carrillo-Perez, Francisco, et al. “Synthetic Multimodal Data Modelling for Data Imputation.” Nature Biomedical Engineering, Dec. 2024, pp. 1–5. www.nature.com, https://doi.org/10.1038/s41551-024-01324-1

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或添加小助手微信questionlab，加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、中文媒體追問等。