课程文献中心 更多>>

关键词： 肌电模式识别   SNN   脉冲编码   sEMG   LIF  

摘要： 由于其安全便携且低成本的特性,表面肌电信号(surface electromyography,sEMG)经模式识别后常被用作控制外围设备,被广泛应用于假肢控制、人机交互等肌电控制领域。肌电控制系统性能的决定性因素是肌电模式识别算法。随着人工智能的发展,肌电模式识别可分别由传统机器学习、深度神经网络(Deep Neural Network,DNN)和脉冲神经网络(Spiking Neural Network,SNN)实现,然而,当前的肌电模式识别方案多具有算法鲁棒性差、用户训练负担重和功耗高等问题,阻碍了肌电控制技术的进一步发展。为推动肌电控制技术的应用,结合SNN在处理时序生理信号方面的优势,本论文从脉冲编码、脉冲神经元和突触结构入手,构建了多种基于SNN的肌电模式识别方案,并重点探索了 SNN在降低用户训练负担、提高算法鲁棒性和减少功耗上的可行性,其主要工作与研究成果可总结如下:(1)基于脉冲编码、脉冲神经元和突触结构构建了基于SNN的肌电模式识别的框架。首先,根据突触结构的类型,构建了脉冲循环神经网络(Spiking Recurrent Neural Network,SRNN)、脉冲循环卷积神经网络(Spiking Recurrent ConvolutionalNeuralNetwork,SRCNN)以及脉冲长短时记忆网络(Spiking Long Short-term Memory,SLSTM);其次,针对传统的泄露积分发放(LeakyIntegrate and Fire,LIF)神经元,引入了基于电压电流效应的LIF和指数LIF(Exponential LIF,ELIF)两种改进模型,并从神经元脉冲发放率、手势识别准确率和训练速度等角度确定了 ELIF为合适的神经元模型;最后,对泊松编码、延迟编码和自适应时间对比编码从编码脉冲发放率、手势识别准确率和编码时间窗口等角度进行了性能对比,确定了自适应时间对比编码为三种编码中最优脉冲编码方法。(2)对SRCNN和SLSTM两种网络架构开展了性能测试实验。具体地,以分别包含9类手势的ES-GE数据集和30类手势的30-GE数据集为目标集,开展了用户无关条件、电极偏移条件和不同训练测试比的手势识别实验。从手势识别准确率、训练集所包含的手势重复次数和网络计算功耗等角度,对比分析了SRCNN、SLSTM、CNN、LSTM 以及线性判别分析(Linear DiscriminantAnalysis,LDA)分类器的性能,发现SNN:在提高模型分类精度和减轻用户训练负担上具有绝对优势,在电极偏移和用户无关实验中基本达到甚至超过了现有的DNN鲁棒性,具有明显的低功耗和低存储资源的优势。本论文研究成果对于推动肌电控制系统的实际应用具有一定的价值,提出的基于SNN的肌电模式识别框架具有降低用户训练负担、增强鲁棒性、减少延迟、降低功耗以及降低存储资源等多种优势,更适合于实时肌电控制系统的实现。

关键词： 脉冲神经网络   光子晶体   超表面   残差结构   时间卷积  

摘要： 光学器件传输信号的研究对诸如传感器等其他许多领域的研究都有着重要意义,随着人工智能的发展,研究人员逐渐尝试将光学器件传输信号与深度学习相结合。然而,光学器件传输信号不易大量采集,且大多是有噪声的,这就导致了传统人工神经网络(ANN)在完成识别任务时没有取得很理想的结果。近年来,有研究指出脉冲神经网络(SNN)可以在小样本有噪声问题的研究中超越ANN,所以考虑将SNN应用于光学器件传输信号的研究中。本文的主要研究内容如下:1、针对光学器件传输信号不易大量采集,且大多是有噪声的这一特点,我们将光学器件传输信号视为“小样本有噪声”问题进行研究。所以我们首先基于公共数据集验证了SNN更适用于研究小样本有噪声问题,进而说明了基于深度脉冲神经网络研究光学器件传输信号识别的可行性。2、针对SNN大多还局限于浅层结构,识别准确率较低这一问题,我们通过在全连接SNN的基础上加入残差结构和ECA-Net两个模块,构建了一种脉冲残差注意力网络(RASNN)。然后在我们建立的一维光子晶体传输信号数据集上进行了对比实验,证明了提出的RASNN可以取得更好的识别效果。最后,我们还基于MIT-BIH心律失常数据集,与现有研究常用的ANN进行了对比实验,证明了RASNN还可以为其他不易大量采集的一维信号的识别问题提供一个健壮的解决方案。3、建立超表面传输信号数据集,并通过在全连接SNN的基础上加入时间卷积模块和残差结构两个模块构建了一个时间卷积脉冲神经网络(TCSNN)。然后基于超表面传输信号数据集进行对比实验,评估网络性能。最后,分别在一维光子晶体传输信号数据集和超表面传输信号数据集上,对比RASNN和TCSNN的识别效果,结果表明,提出的两个深度脉冲神经网络模型的识别效果相当,都可以准确高效地对光学器件传输信号进行识别。

关键词： 进行性核上性麻痹   脑类淋巴系统   形态改变   功能改变   病理机制  

摘要： 一直以来，中枢神经系统被认为缺乏淋巴系统。2012年Iliff等人在小鼠中发现星形胶质细胞终足及血管壁之间存在间隙结构，因其具有清除细胞代谢废物的功能，将其命名为类淋巴系统。脑脊液(cerebrospinal fluid,CSF)通过动脉周围间隙进入脑组织，与间质液(interstitial fluid,ISF)混合后将脑组织代谢废物通过静脉周围间隙引流入蛛网膜下腔;随后，CSF中的代谢废物和细胞通过硬脑膜中的脑膜淋巴管自颅内引流至外周的颈深淋巴结。脑类淋巴系统的发现进一步促进了对中枢神经系统废物清除和维持液体稳态的认识。　　进行性核上性麻痹(progressive supranuclear palsy,PSP)是以磷酸化tau(phosphorylated tau,ptau)蛋白在脑中特异性聚集为特征的神经退行性疾病。研究表明神经退行性疾病患者CSF和ISF中能够检测到致病蛋白异构体的存在。脑类淋巴系统负责将脑组织中的蛋白异构体清除引流至CSF,为这些异构蛋白的清除提供了有效途径。例如，Iliff等人发现脑类淋巴系统在脑组织清除β淀粉样蛋白(amyloid-β,Aβ)过程中发挥重要作用，而与年龄相关的脑类淋巴功能损伤则会加剧Aβ在脑中的积聚;创伤性脑损伤后脑类淋巴功能障碍，导致脑中tau蛋白聚集增加和神经变性的发生。本课题组前期利用动态增强磁共振技术，发现进行性核上性麻痹理查森型患者(PSP-Richardson''s syndrome,PSP-RS)脑类淋巴引流功能障碍，动脉周围间隙洗出率增加，但具体机制不明。　　目的：　　构建GFAP-e(2A-mMAPT(4R)cDNA)1转基因小鼠双侧苍白球内注射鼠源性tau预制原纤维(mouse tau preformed fibrils,mtau PFFs)的PSP样小鼠模型，观察模型鼠脑类淋巴系统形态和功能的改变并探讨潜在的病理机制。　　方法：　　1.制备mtau PFFs,构建GFAP-e(2A-mMAPT(4R)cDNA)1转基因鼠,将磷酸盐缓冲液(phosphate buffered saline,PBS)或mtau PFFs注射到8周龄GFAP/tau-Tg小鼠的双侧苍白球(PBS-Tg、mtau PFFs-Tg),将等量PBS注射到8周龄C57BL/6J小鼠作为对照组(PBS-C57)。　　2.造模9个月后处死小鼠并灌注取材，对皮层、苍白球、纹状体和黑质部位分别进行免疫组织化学染色(immunohistochemistry,IHC)、免疫组织荧光染色(immunofluorescence,IF)和免疫蛋白印迹(Western blotting,WB)检测ptau病理。　　3.原代星形胶质细胞培养后利用WB检测星形胶质细胞炎症反应以及抗肌萎缩蛋白相关复合物(dystrophin-associated complex,DAC)主要组成蛋白表达变化。　　***检测水通道蛋白4(aquaporin4,AQP4)表达变化，小脑延髓池和纹状体注射荧光示踪剂评估类淋巴流入和清除功能。　　5.利用色谱法检测纹状体、苍白球、黑质和CSF中多巴胺(dopamine,DA)、乙酰胆碱(acetylcholine,ACh)含量。　　6.利用挂线、转棒、Y迷宫、平衡木和水迷宫评估小鼠的运动功能和记忆功能。　　结果：　　1.造模9个月后PBS-Tg和mtau PFFs-Tg鼠皮层、苍白球、纹状体和黑质部位出现明显的ptau病理;mtau PFFs-Tg鼠出现明显的多巴胺能神经元丧失，而PBS-Tg未出现。　　2.原代星形胶质细胞培养后发现ptau水平升高，胶质纤维酸性蛋白(glial fibrillary acidic protein,GFAP)、诱导型一氧化氮合酶(inducible nitric oxide synthase,iNOS）表达增加，DAC组成蛋白SNTA1和DAG1表达增加。　　3.与同年龄的对照组相比,PBS-Tg和mtau PFFs-Tg鼠在造模9个月后血管周围间腔面积扩大;AQP4极性下降，动静脉周围AQP4表达水平不同程度增加导致其比例异常，类淋巴引流清除功能失衡。　　***-Tg和mtau PFFs-Tg鼠脑含水量增加，纹状体、苍白球、黑质和CSF中DA和ACh含量下降且mtau PFFs-Tg鼠更为显著，mtau PFFs-Tg和PBS-Tg鼠分别于造模后3、6个月后出现运动功能障碍，造模6个月后两种小鼠出现记忆功能受损。　　结论：　　***/tau-Tg鼠星形胶质细胞内ptau沉积诱导神经炎症及反应性星形胶质细胞状态，动静脉周围星形胶质细胞终足上AQP4表达比例异常，导致类淋巴引流功能失衡。　　2.类淋巴引流失衡导致GFAP/tau-Tg小鼠大脑中过多

关键词： 二维MoS2/ReS2材料   零维量子点   混合维异质结晶体管   生物适应行为   偏振感知神经形态  

摘要： 在这飞速发展信息时代,互联网和云端所产生的数据信息与日俱增。然而,基于冯·诺依曼架构的计算机由于逻辑运算和存储单元在物理上相互独立,在处理大量数据时会因频繁传输而导致效率低下。相比之下,人脑具有大规模可并行的计算结构,通过庞大神经网络传递信息,能够以低能耗、高效率的方式处理海量复杂信息。受其启发,研制出具有神经形态行为的固态器件,对于下一代类脑计算机研发至关重要。尤其是基于二维(2D)材料晶体管的研究,更加有助于构建神经形态器件并实现低功耗、微型化和大规模集成等优势。本论文通过构建2D过渡金属硫化物晶体管(Mo S和Re S)对重要生物行为进行了类脑仿生模拟,具体开展了以下研究:1、对底栅Mo S场效应晶体管转移和输出特性进行了测试。基于准双电层效应,将去离子水滴在Mo S沟道表面可以显著提高器件电学性能。器件迁移率从先前18.8 cm/Vs大幅度增加至409.1 cm/Vs以上,且具有超高双迁移率特点。同时,器件工作电压从先前20 V明显降低至0.6 V。此外,还研究了底栅Re S场效应晶体管的偏振转移特性。结果显示,器件电流响应由于沟道材料的晶体各向异性而具有较强偏振依赖关系。2、对水诱导底栅Mo S场效应晶体管进行仿生研究。通过不同电脉冲刺激,成功实现了系列重要突触行为,如兴奋性突触后电流、抑制性突触后电流等。更为重要的是,电压可调的摩斯密码解码和环境依赖的手写字体识别功能也都被成功模拟,并且在较强紫外光环境下识别率高达97.2%。3、对零维-量子点/2D-Mo S混合维异质结晶体管进行生物行为研究。研究表明Cs Pb Br/Mo S异质结器件适应准确度可通过刺激电压、持续时间、刺激频率来精确调节。而适应灵敏度能利用条件刺激电压和两脉冲刺激间隔时间进行有效控制。进一步,基于环境阈值可调的视觉适应行为也被成功实现。同时,对零维-碳量子点/2D-Mo S混合维异质结器件的生物记忆/失忆行为进行了研究。由于其特殊能带结构,该异质结器件开态电流(>1μA)明显高于纯Mo S器件(<100 n A)。仿生测试过程中,通过施加不同极性电脉冲刺激实现了可重构的记忆/失忆行为。视觉记忆行为通过降低正电脉冲幅值或增强光脉冲强度能得到巩固。更为重要的是,利用光电协同脉冲疗法还对失忆行为治疗进行了成功模拟。4、对基于Re S场效应晶体管器件的偏振敏感神经形态行为进行了研究。首先利用角分辨偏振拉曼光谱技术对Re S的面内晶体各向异性进行了实验验证,这是偏振光探测的理论基础。随后对底栅Re S场效应晶体管进行偏振仿生测试,成功实现了偏振记忆巩固、可重构视觉成像等行为。特别地,还通过实验初步论证了两个先进的偏振感知应用,即具有自适应学习能力的偏振导航和新型三维偏振视觉成像。同时,还对金属有机框架/2D-Re S混合维异质结器件进行偏振敏感神经形态研究。首先研究了金属有机框架(MOF)对器件电学性能的影响,结果显示多孔MOF/Re S异质结器件具有更高的开态电流。随后对该异质结器件进行了偏振仿生测试,一系列重要的偏振感知神经形态行为被成功实现,如:偏振感知兴奋性突触后电流、可调二向色性比和可重构感觉适应等。利用偏振光-电脉冲协同刺激策略,进一步还实现了具有底栅可调和环境依赖的偏振敏感视觉适应行为。图115幅,表14个,参考文献241篇

关键词： 脉冲神经网络   脉冲耦神经网络   类脑智能   类脑计算   图像分类  

摘要： 深度学习在众多领域取得了巨大成功,然而离实现强人工智能还有较远的距离。研究者普遍认为,类脑计算是迈向这一目标的有效途径。类脑神经网络模拟大脑信息处理机制,是类脑计算的研究热点。以脉冲神经网络(Spiking Neural Network,SNN)为代表的可学习的类脑神经网络通过调节突触权重以完成特征提取、模式识别等任务,其通常使用简单的LIF(Leaky Integate-and-Fire)神经元,缺乏复杂的时空特性,因而表达能力有限。以脉冲耦合神经网络(Pulse-Coupled Neural Network,PCNN)为代表的底层视觉处理类脑神经网络可模拟较为复杂的视觉皮层神经活动,具有较高的生物合理性,但复杂的时空特性使其难以设计有效的学习算法,这限制其应用于复杂任务。为进一步探索类脑计算模型,本文结合SNN学习算法与PCNN模型,提出了深度脉冲耦合神经网络(Deep Pulse-Coupled Neural Network,DPCNN)。本文的主要贡献和创新点如下:(1)基于SNN学习算法的工作原理,本文首先对现有方法进行层次分类。基于此分类,梳理各类SNN学习算法的发展与现状,并总结其优缺点和局限性。最后在多个公开数据集上对各类算法的表现进行总结和比较。(2)本文通过卷积构建DPCNN,结合时空反向传播算法,实现了基于PCNN的端到端图像分类。为提升模型性能,本文引入了通道间耦合,使不同通道的神经元可相互耦合。为解决DPCNN难以收敛的问题,本文提出了感受野和时间依赖批量归一化(Receptive Field and Time Dependent Batch Normalization,RFTDBN)。本文在MNIST、N-MNIST、Fashion-MNSIT和CIFAR-10四个数据集上评估了其性能。结果表明,DPCNN的性能优于基于LIF的SNN。此外,基于VGG9的DPCNN在CIFAR-10上获得94.2%的准确率,是此架构的SOTA性能。(3)本文进一步探索了DPCNN的特性。结果表明,通道间耦合能实现神经元之间的通信与协同,增强网络的表达能力,从而有效提升模型性能。相较于加深网络,引入通道间耦合可在保持网络层数不变的情况下,获得相当或更大的性能提升。相较于加宽网络(增加卷积通道数),引入通道间耦合可在使用更少神经元和突触的情况下,获得相近甚至更好的性能。RFTD-BN的对比实验表明,RFTD-BN能加速DPCNN的收敛,并提升性能。此外,本文探究了超参数对DPCNN的影响以及DPCNN的鲁棒性。

关键词： 脉冲神经网络   序列学习   聚合标签学习   序列记忆模型   序列预测模型  

摘要： 深度学习成功借鉴大脑处理信息的层级结构,在智能应用领域取得了重要突破和广泛应用。但现有深度网络模型需要大量的计算资源,无法大规模部署在功耗和成本敏感的应用中。此外,现有深度网络模型在智能水平方面距离人脑还有很大差距。为了解决上述问题,受脑启发的脉冲神经网络提供了一种新的思路。脉冲神经网络用离散的二值脉冲表征信息,具有丰富的神经动力学特性、强大的时空信息处理能力和在神经形态芯片上超低功耗、超低延迟运行的优势,孕育着巨大的创新可能性。但是,由于复杂的时空依赖关系和脉冲发放不可微分等特性,当前脉冲神经网络还缺乏高效的网络模型和学习算法,限制了其实际应用性能,因此本文从算法和模型两方面展开研究,主要创新点如下:(1)针对前馈脉冲神经网络中序列学习效率低下的问题,提出一种受膜电压驱动的脉冲神经网络序列学习算法FE-Learn(First Error Learning)。不同于一般序列学习算法需要精确复刻期望脉冲序列,FE-Learn只需要在每个期望脉冲附近的小窗口内激发脉冲,这种对目标输出的放宽极大提高了其鲁棒性。此外,FE-Learn在每轮学习中针对性地调整第一个错误脉冲的膜电压,使神经元能快速激发期望的脉冲序列。同时,FE-Learn将突触延迟可塑性引入参数学习中,提高了在稀疏输入条件下的学习能力,而进一步将其扩展到多层网络也扩大了其现实应用范围。实验证明,相比于其他序列学习算法,FE-Learn具有更高的学习效率及更好的鲁棒性。(2)针对神经科学和机器学习领域长期研究的时间信用分配(Temporal Credit-Assignment,TCA)问题,提出一种高效的受阈值驱动的脉冲神经网络聚合标签学习算法ETDP(Efficient Threshold-Driven Plasticity)。ETDP以多种有效线索对应的期望输出脉冲数之和作为标签,通过脉冲-阈值映射关系中的临界阈值更新权重。实验表明,ETDP能探测并弥补感官信号的发生与反馈信号的到达之间的差距,将聚合标签分配给嵌入在背景活动中的有用线索,有效处理TCA问题。此外,ETDP采用预防梯度爆炸的策略提高算法性能。实验结果表明ETDP具有比其他阈值驱动的聚合标签学习算法更高的学习效率。(3)针对具有可变时间间隔的时空序列记忆问题,提出一种受生物神经柱启发的脉冲神经网络模型CSTM(Column-based Spatial-Temporal Memory)。现有序列记忆模型大多只关注序列元素的先后顺序,不考虑元素之间的时间间隔,因此无法处理现实中具有可变时间间隔的序列。与主流的脉冲神经网络模型不同,CSTM将多个神经元排列成柱,每个柱响应一种输入刺激,并以柱间神经元的突触连接串联序列元素,以突触传输延迟表征元素时间间隔。通过这样的特殊结构,CSTM实现了对具有可变时间间隔的时空序列的联想记忆。实验结果表明,仅在对输入序列进行一次学习后,CSTM即可记住包含数千个元素的序列。(4)为了实现对大量序列的快速实时记忆,提出一种类脑的在线序列学习脉冲神经网络模型HLSM(Human-Like Sequential Memory)。大脑可以实时地记忆日常经历,并通过遗忘灵活地更新记忆。但目前大多数记忆模型依赖机器学习方法与人工智能技术搭建,缺乏对大脑记忆机制的模拟。基于柱结构的HLSM具有柱、神经元、时间三个尺度上的信息稀疏分布表示,能有效扩大模型的记忆容量。HLSM还引入了神经振荡,实现对序列记忆的节奏控制和对流数据的在线学习与预测。此外,HLSM还通过遗忘机制动态管理存储的记忆。实验表明,相对于其他记忆模型,HLSM具有更高的记忆效率和记忆容量,并且能快速适应流数据的变化。

关键词： 脉冲神经网络   监督学习算法   深度学习   误差反向传播   认知负荷  

摘要： 深度神经网络凭借其复杂网络结构能够学习和表征比浅层网络更复杂和更抽象的数据特征，是解决复杂模式识别、函数计算和分类问题的强大计算工具。近年来，神经计算模型的发展趋势是朝着基于脉冲序列编码的深度脉冲神经网络模型方向发展。这种模型更加贴近生物神经系统的工作方式，能够有效地处理时空问题。深度脉冲神经网络学习算法构建是类脑计算研究中的一个重要挑战，其关键在于考虑脉冲神经信息的精确时间特性。传统深度神经网络的广泛应用得益于基于梯度下降的误差反向传播学习算法。实现误差反向传播的关键点在于获取网络期望和计算网络误差，网络总误差经过梯度下降反馈给网络上游神经元并实现权值逐层调整。　　（1）基于生物学的突触可塑性模型中，网络权值调整仅受到局部突触前后的脉冲序列活动的影响。受突触可塑性机制及误差反向传播机制的启发，本文提出了脉冲反向重建学习算法。脉冲反向重建算法通过逆向传播网络期望输出信号，计算网络各层的局部期望和误差。根据梯度下降原则，将局部误差信号反馈给前层神经元，实现深度脉冲神经网络的训练。反向重建机制通过脉冲序列学习实验验证了其有效性，并分析了不同参数对于算法学习精度和收敛速度的影响。此外，本文对比分析了反向重建机制和反向传播机制在不同网络规模下的性能差异。　　（2）反向重建学习算法逐层期望计算方式缺乏局部性及生物可解释性。针对此问题，本文提出了优化的广播重建学习算法。广播重建算法采用随机直连路径生成局部期望，从而避免了逆向刺激信号的逐层传递。广播重建机制通过脉冲序列学习实验验证了其有效性，并分析了不同参数对于算法学习精度和收敛速度的影响。此外，本文对广播重建机制和反向重建机制在不同网络规模下的性能差异进行了比较和分析。　　（3）本研究在基于脑电的认知负荷分析任务检验了所提出的反向重建和广播重建学习算法在现实任务上的数据分析能力。本研究所采用的数据集为心算任务脑电数据集。本文基于该数据集构建出两个分类任务：认知负荷检测任务和认知负荷评级任务。反向重建学习算法在两个认知负荷分析任务上的平均分类精度分别为97.22%和95.55%。广播重建学习算法在对应任务上的分类精度分别为97.22%和99.44%。

关键词： 机器人手术   人工智能   智能化   深度学习   大数据   认知神经科学   循证医学   口腔种植   临床路径   即刻种植  

摘要： 现阶段的种植手术机器人已基本实现“手术操作智能”，然而，机器人种植决策的“类脑智能”仍处于理论及探索阶段。临床种植方案制定取决于种植时机、种植区域、骨量条件、种植术式、患者全身因素等，其制定过程需要评估相应临床决策指标及执行不同临床路径。本文回顾了人脑的认知行为及信息处理机制，在临床循证医学的思想及大数据、深度学习的潜力启发下，结合临床决策指标及临床路径可定量或定性分析的数据特点，提出了基于决策指标智能化预测及临床路径智能化执行的种植手术机器人种植决策类脑智能化可行方案，即“挖掘决策指标，厘清临床路径——构建决策指标大数据库——深度学习智能预测决策指标——临床路径智能执行——种植决策类脑智能化”；并结合本团队前期研究成果，以即刻种植时机决策为例，述评其类脑智能化过程，为后续种植决策全面“类脑智能化”研究提供范本。未来，挖掘并评价更多临床决策因素，并不断总结完善种植临床路径，同时采取最佳的智能化方式实现循证指标及路径的智能化预测，最终实现种植临床诊疗过程智能化，将是口腔临床医师们需要思考及努力的方向之一。

关键词： 大脑   语言   认知   类脑计算   协同研究  

摘要： 没有人类发达的大脑,就没有变化无穷的语言;反之没有语言的思维,就无法认识人类的大脑。文章首先从人类语言与大脑的共同进化,人类语言的词汇量与社会互动规模的关系,人类语言的多模态性及模态独立性,语言的构造规则,黑猩猩交流与人类语言特征的差异方面的研究阐述了语言与人脑密不可分。然后,通过大脑的背侧与腹侧神经纤维通路,陈述性系统与程序性系统的句法语义产生与理解阐释了语言的神经认知机制。最后,通过类脑计算所面临的问题,及互联网大数据信息时代、云计算平台和基于类脑计算的深度学习框架阐述了基于认知神经机制的类脑语言计算。最终的结论为:只有语言与人脑的协同研究才能实现让计算机完全理解人类的语言。