SPD stimmt für große Koalition

Aus dem Spiegel:

Mit großer Mehrheit haben sich die SPD-Mitglieder für eine erneute Koalition mit der Union entschieden. 66 Prozent stimmten beim Mitgliedervotum mit Ja.

Advertisements

Vorhersage des Geschlechts anhand der Gehirnwellen

In der Zeitschrift „Nature“ wurde ein interessanter Artikel veröffentlicht, in dem es darum geht, ob man das Geschlecht einer Person an den Gehirnwellen erkennen kann. Dazu wurde eine AI auf entsprechende Muster angesetzt und ausgewertet, welche Unterschiede diese fand:

Aus dem Abstract:

We have excellent skills to extract sex from visual assessment of human faces, but assessing sex from human brain rhythms seems impossible. Using deep convolutional neural networks, with unique potential to find subtle differences in apparent similar patterns, we explore if brain rhythms from either sex contain sex specific information. Here we show, in a ground truth scenario, that a deep neural net can predict sex from scalp electroencephalograms with an accuracy of >80% (p < 10−5), revealing that brain rhythms are sex specific. Further, we extracted sex-specific features from the deep net filter layers, showing that fast beta activity (20–25 Hz) and its spatial distribution is a main distinctive attribute. This demonstrates the ability of deep nets to detect features in spatiotemporal data unnoticed by visual assessment, and to assist in knowledge discovery. We anticipate that this approach may also be successfully applied to other specialties where spatiotemporal data is abundant, including neurology, cardiology and neuropsychology.

Quelle: Predicting sex from brain rhythms with deep learning

Vielleicht zunächst etwas zur Methode, um die es da geht, aus der Wikipedia:

Die Elektroenzephalografie (EEG, von altgriechisch ἐγκέφαλος enképhalos, deutsch ‚Gehirn‘, γράφειν gráphein, deutsch ‚schreiben‘) ist eine Methode der medizinischen Diagnostik und der neurologischen Forschung zur Messung der summierten elektrischen Aktivität des Gehirns durch Aufzeichnung der Spannungsschwankungen an der Kopfoberfläche. Das Elektroenzephalogramm (ebenfalls EEG abgekürzt) ist die grafische Darstellung dieser Schwankungen. Das EEG ist neben der Elektroneurografie (ENG) und der Elektromyografie (EMG) eine standardmäßige Untersuchungsmethode in der Neurologie.

Ursache dieser Potentialschwankungen sind physiologische Vorgänge einzelner Gehirnzellen, die durch ihre elektrischen Zustandsänderungen zur Informationsverarbeitung des Gehirns beitragen. Entsprechend ihrer spezifischen räumlichen Anordnung addieren sich die von einzelnen Neuronen erzeugten Potentiale auf, so dass sich über den gesamten Kopf verteilte Potentialänderungen messen lassen.

Zur klinischen Bewertung wird eine Aufzeichnung in mindestens zwölf Kanälen von verschiedenen Elektrodenkombinationen benötigt.

Die Ortsauflösung des üblichen EEGs liegt bei mehreren Zentimetern. Wenn eine höhere Ortsauflösung benötigt wird, so müssen die Elektroden nach neurochirurgischer Eröffnung des Schädels direkt auf die zu untersuchende Hirnrinde aufgelegt werden. Das ist jedoch nur in Sonderfällen z. B. vor epilepsiechirurgischen Eingriffen erforderlich. In diesem Falle spricht man von einem Elektrocorticogramm (ECoG; in deutscher Schreibung Elektrokortikogramm). Das ECoG ermöglicht eine räumliche Auflösung von unter 1 cm und bietet zusätzlich die Möglichkeit, durch selektive elektrische Reizung einer der Elektroden die Funktion der darunterliegenden Hirnrinde zu testen. Dies kann für den Neurochirurgen z. B. bei Eingriffen in der Nähe der Sprachregion von größter Wichtigkeit sein, um zu entscheiden, welche Teile er entfernen darf, ohne eine Funktionseinbuße fürchten zu müssen (vgl. Wachkraniotomie). Eine noch detailliertere Erfassung von Einzelzellaktivität ist nur im Tierexperiment möglich.

Die resultierenden Daten können von geübten Spezialisten auf auffällige Muster untersucht werden. Es gibt aber auch umfangreiche Software-Pakete zur automatischen Signalanalyse. Eine weitverbreitete Methode zur Analyse des EEGs ist die Fouriertransformation der Daten vom Zeitbereich (also der gewohnten Darstellung von Spannungsänderungen im Verlauf der Zeit) in den sogenannten Frequenzbereich. Die so gewonnene Darstellung erlaubt die schnelle Bestimmung von rhythmischer Aktivität.

Bei diesen Mustern treten also Unterschiede auf, die man mittels einer AI ermitteln kann. So etwas sieht dann wohl so aus:

 

 

Gehirnwellen Unterschiede Mann Frau

Gehirnwellen Unterschiede Mann Frau

Für einen Laien dürften da viele Bilder recht gleich aussehen, aber die Computer haben dann einige Unterschiede erkannt, die eine Zuordnung ermöglichen:

While not all details of the features used for classification by the deep net have been revealed, our data show that differences in brain rhythms between sexes are mainly in the beta frequency range (cf. Figs 3 and 4). Women are generally better at recognizing emotions and expressing themselves than men34, in part also reflected in differences in responses from the mu-rhythm as a presumed read-out of the mirror neuron system35, and modulations of beta activity during wakefulness have been associated with cognition and emotionally positive or negative tasks36. The discovery from the deep net that information in the beta-range differs between the sexes supports these observations. However, which particular spatiotemporal characteristics of the beta-rhythm differentiate remains enigmatic, and was not further explored.

Die Unterschiede lassen sich demnach auch mal wieder klassischen Geschlechterunterschieden im Schnitt zuordnen.

Es zeigt sich immer wieder, dass erhebliche Unterschiede zwischen den Geschlechtern im Gehirn feststellbar sind. Die Behauptung, dass sich dies nicht auch im Denken niedergeschlagen hat, erscheint damit auch immer absurder.

Ich finde die Anwendung von „Deep Learning“ in dem Bereich sehr interessant. Ich glaube damit werden in Zukunft noch viel mehr Unterschiede aufgezeigt werden, die ansonsten schwer zu bestimmen sind.

Siehe auch: