⚛️ MVICAD2: новый метод анализа многоканальных данных мозга от Apple ML Research

Исследователи Apple ML Research представили MVICAD2 — метод многоканального анализа независимых компонент с учётом задержек и дилатаций. Разработка решает давнюю проблему машинного обучения в мультивью-задачах: интеграцию неоднородных данных, выравнивание признаковых пространств и борьбу со смещениями, специфичными для каждого канала.

Особенно важен метод для нейронауки. В магнитоэнцефалографии (MEG) сигналы регистрируются на уровне скальпа, и ключевая задача — оценить нижележащие источники активности мозга. В групповых исследованиях, где источники предполагаются схожими у всех испытуемых, классические подходы вроде Multi-View ICA часто пасуют. MVICAD2 добавляет моделирование временных задержек и разномасштабных (дилатационных) динамик, что позволяет точнее разделять общие нейронные паттерны и индивидуальные особенности.

Практически это значит более надёжное извлечение сигнала из шумных MEG-записей в кросс-субъектных экспериментах. Для исследователей, работающих с групповой нейродинамикой, это готовый инструмент, который снимает необходимость в ручном выравнивании данных и уменьшает вклад артефактов конкретных испытуемых.

#Tech #AI #NeuroScience #MVICAD2 #AppleML #MEG

⚛️ Учёные NWPU научили ИИ определять момент пика эмоций

Исследователи Северо-западного политехнического университета (NWPU) создали мультимодальный датасет FIRMED, который позволяет ИИ находить точные секунды, когда эмоция действительно достигает пика. Традиционные модели присваивают один эмоциональный ярлык всему видеоклипу, из-за чего нейтральные и переходные фрагменты засоряют данные. Команда профессора Се Сунъюня из Школы искусственного интеллекта исправила это, опираясь на «правило пика-конца» из когнитивной психологии.

Участники после просмотра видео сразу отмечали яркие эмоциональные моменты и указывали категорию и интенсивность переживания. Вокруг каждой отметки строилось «окно эмоционального события» длиной 4 секунды — по две секунды до и после пика. Сравнение показало, что именно такой размер оптимален: расширение до пяти секунд размывало признаки удивления и отвращения. Независимая проверка дала коэффициент согласия Cohen’s kappa 0,96, а 97,7% временных меток отклонялись от пика не более чем на секунду.

На восьми алгоритмах — от классического ML до рекуррентных и графовых нейросетей — точность распознавания выросла с 34,7% до 38,5%. Больше всего выиграли глубокие пространственно-временные модели. Практический смысл: интерфейсы смогут реагировать в самый эмоционально напряжённый момент, а носимые устройства — предупреждать о резких изменениях состояния в реальном времени. Это шаг от классификации целого клипа к поиску ключевых эмоциональных событий.

#AI #Emotions #Tech #NWPU #DataSet #NeuroScience