Přlom v oblasti umělé inteligence zlepšuje rozhraní mozek-počítač dekódováním komplexních mozkových signálů

Výzkumníci z Univerzity v Čibě v Japonsku vyvinuli novou umělou inteligenci, která je schopná dekódovat komplexní mozkovou aktivitu s výrazně vyšší přesností, což je důležitým krokem směrem k více spolehlivým rozhraním mozek-počítač (BCI). Tento průlom může urychlit vývoj asistivních technologií, které umožňují lidem s neurologickými poruchami ovládat zařízení, jako jsou protetické končetiny, vozíky a rehabilitační roboty, pomocí svých myšlenek.

Tento výzkum, vedený doktorandem Chaowen Shenem a profesorem Akio Namikim na Fakultě inženýrství Univerzity v Čibě, představuje novou architekturu hlubokého učení nazvanou Embedding-Driven Graph Convolutional Network (EDGCN). Systém je navržen tak, aby interpretoval komplexní elektrické signály generované v mozku, když člověk představuje pohyb končetin – proces známý jako motorická imaginace.

Rozhraní mozek-počítač a motorická imaginace

Rozhraní mozek-počítač se snaží vytvořit komunikační kanál mezi lidským mozkem a externími stroji. Místo toho, aby se spoléhalo na pohyb svalů, BCI interpretují neuronální signály a převádějí je na příkazy pro digitální systémy nebo fyzická zařízení.

Jedním z nejčastěji studovaných přístupů ve výzkumu BCI je motorická imaginace elektroencefalografie (MI-EEG). V těchto systémech uživatelé představují pohyby – jako zvedání ruky, uchopení předmětu nebo chůzi. Přestože k žádnému fyzickému pohybu nedochází, mozek generuje charakteristické vzorce elektrické aktivity spojené s představovaným pohybem.

Tyto signály lze zachytit pomocí elektroencefalografie (EEG), neinvazivní techniky, která zaznamenává mozkovou aktivitu pomocí elektrod umístěných na skalpu. EEG poskytuje multi-kanálová časová data reprezentující neuronální aktivitu v různých oblastech mozku.

Přesné dekódování těchto signálů umožňuje počítačům převést neuronální aktivitu na proveditelné příkazy. V praxi by to mohlo umožnit lidem s paralýzou nebo závažným poškozením motoriky ovládat asistivní technologie jednoduše představou pohybů.

Nicméně dosažení spolehlivého dekódování signálů MI-EEG zůstává jedním z největším výzvám v neurotechnologii.

Proč jsou mozkové signály obtížně dekódovatelné

Hlavní překážka ve vývoji rozhraní mozek-počítač spočívá ve vnitřní komplexitě signálů EEG.

Signály motorické imaginace vykazují vysokou prostorově-časovou variabilitu, což znamená, že se liší jak v různých oblastech mozku, tak v čase. Liší se také široce mezi jednotlivci a dokonce i u stejné osoby z jedné relace do druhé.

Tradiční modely strojového učení často zápasí s těmito variacemi. Mnohé existující systémy se spoléhají na předem definované grafické struktury nebo pevné parametry, které předpokládají, že mozkové signály se chovají konzistentním způsobem. Ve skutečnosti jsou neuronální signály mnohem dynamičtější a heterogennější.

Dříve používané metody často využívaly techniky, jako je analýza společných prostorových vzorců nebo konvenční konvoluční neuronové sítě, k extrakci funkcí z signálů EEG. Přestože tyto přístupy mohou identifikovat některé vzorce v neuronální aktivitě, často selhávají při zachycení hlubších interakcí mezi oblastmi mozku nebo se vyvíjejícími vzorci v čase.

Jako výsledek mnoho systémů BCI vyžaduje rozsáhlou kalibraci a trénink, než mohou fungovat efektivně pro jednotlivé uživatele.

Nový přístup: Embedding-Driven Graph Convolutional Networks

Výzkumný tým z Univerzity v Čibě řešil tyto výzvy vyvinutím nové architektury hlubokého učení, která je navržena tak, aby lépe zachytila komplexitu mozkové aktivity.

<p Jejich řešení – Embedding-Driven Graph Convolutional Network (EDGCN) – kombinuje několik pokročilých technik k modelování prostorové a časové struktury signálů EEG současně.

V jádru architektury je mechanismus fúze řízený embedováním, který umožňuje systému dynamicky generovat parametry používané pro dekódování mozkových signálů. Místo toho, aby se spoléhal na pevné architektury, EDGCN přizpůsobuje svou vnitřní reprezentaci, aby lépe zachytila variace mezi subjekty a v čase.

Architektura integruje několik specializovaných komponent:

Multi-Resolution Temporal Embedding (MRTE)

Tento modul analyzuje signály EEG na různých časových škálách. Protože neuronální signály se vyvíjejí rychle, důležitá informace může nastat na různých časových rozlišení. MRTE extrahuje funkce z multi-rezolučních power spektrálních vzorců, což umožňuje systému identifikovat významnou neuronální aktivitu, která by jinak mohla být přehlédnuta.

Structure-Aware Spatial Embedding (SASE)

Mozkové signály nejsou izolované; různé oblasti mozku interagují kontinuálně. Mechanismus SASE modeluje tyto interakce tím, že zahrnuje jak lokální, tak globální struktury spojení mezi elektrodami EEG. To umožňuje systému reprezentovat mozek jako síť spíše než jako nezávislé signálové kanály.

Heterogeneity-Aware Parameter Generation

Jedním z nejvíce inovativních aspektů architektury EDGCN je její schopnost dynamicky generovat parametry konvoluční sítě z banky parametrů řízené embedováním. To umožňuje modelu přizpůsobit se jedinečným charakteristikám mozkových signálů každého subjektu.

Za tímto účelem výzkumníci použili Chebyshevovu konvoluční neuronovou síť, techniku, která efektivně modeluje vztahy uvnitř komplexních sítí.

Orthogonality-Constrained Kernels

Pro další zlepšení robustnosti model zavedl ortogonální omezení uvnitř svých konvolučních jader. To podporuje rozmanitost naučených funkcí a snižuje redundanci, což pomáhá systému extrahovat bohatší reprezentace z signálů EEG.

Společně tyto komponenty umožňují EDGCN zachytit jak lokální neuronální aktivity, tak velké interakce mezi oblastmi mozku, což vede k přesnějšímu dekódování signálů motorické imaginace.

Výsledky výkonu

Výzkumníci otestovali EDGCN pomocí široce používaných referenčních datových sad z BCI Competition IV, které jsou standardními evaluačními datovými sadami v oblasti výzkumu rozhraní mozek-počítač.

Model dosáhl:

• 90,14% klasifikační přesnosti na datové sadě BCIC-IV-2b
• 86,50% klasifikační přesnosti na datové sadě BCIC-IV-2a

Tyto výsledky překračují několik stávajících špičkových dekódovacích metod a demonstrují silnou generalizaci napříč různými subjekty.

Důležitým způsobem se systém také ukázal být lépe adaptabilní, když byl aplikován na scénáře mezi subjekty, což je klíčový požadavek pro praktické nasazení BCI. Mnohé existující modely fungují dobře pro jednoho trénovaného uživatele, ale selhávají, když jsou aplikovány na nové osoby. Architektura EDGCN pomáhá překonat tuto limitaci tím, že lépe modeluje individuální variabilitu.

Dopady pro rehabilitaci a asistivní technologie

Schopnost dekódovat mozkové signály přesněji by mohla mít hluboké dopady na asistivní technologie.

BCI založené na motorické imaginaci jsou již zkoumány pro aplikace, jako jsou:

• Vozy ovládané myšlenkami
• Neuronové protézy
• Rehabilitační robotické zařízení
• Komunikační systémy pro pacienty s paralýzou

Zlepšená přesnost dekódování by mohla tyto technologie učinit mnohem spolehlivějšími a snazšími na použití.

Výzkumníci se domnívají, že systémy, jako je EDGCN, mohou pomoci pacientům s podmínkami, jako jsou:

• Mozkový úder
• Poranění míchy
• Amyotrofická laterální skleróza (ALS)
• Jiné neuromuskulární poruchy

S více spolehlivou interpretací signálů by pacienti mohli potenciálně ovládat neurorehabilitační zařízení pomocí jednoduchých představovaných pohybů, což by ermögňovalo více přirozenou interakci s asistivními systémy.

Podle profesora Namikiho je dekódování signálů motorické imaginace nejen technologickou výzvou, ale také příležitostí lépe porozumět, jak mozek organizuje pohyb a neuronální spojení.

Směrem k spotřebitelským rozhraním mozek-počítač

Navzdory desetiletím výzkumu zůstávají většina systémů rozhraní mozek-počítač omezena na laboratoře nebo specializovaná klinická prostředí. Spolehlivost, adaptabilita a snadnost použití zůstávají významnými bariérami pro širší přijetí.

Pokroky, jako je EDGCN, mohou pomoci posunout BCI blíže k spotřebitelské neurotechnologii.

Improving the system’s ability to handle heterogeneous brain signals reduces the need for extensive calibration and expert tuning. This is a critical step toward making BCI systems usable outside research environments.

Budoucí výzkum se pravděpodobně zaměří na integraci takových modelů AI do přenosných systémů EEG a nositelných zařízení. Kombinované se zlepšením senzorové technologie a výpočetní síly by tyto systémy mohly umožnit více přístupná a škálovatelná rozhraní mozek-počítač.

Krok směrem k hlubší integraci člověka a stroje

Vývoj EDGCN odráží širší trend v oblasti umělé inteligence a neurovědy: rostoucí použití grafických neuronových sítí pro modelování biologických systémů.

Ponieważ mozek sám funguje jako komplexní síť propojených oblastí, grafické neuronové sítě poskytují přirozený způsob, jak reprezentovat jeho strukturu a dynamiku. Jak tyto modely AI budou stále sofistikovanější, mohou odemknout hlubší poznatky o neuronální aktivitě a kognici.

Nakonec zlepšená dekódování mozkových signálů by mohla otevřít cestu pro novou generaci technologií, které umožňují lidem interagovat se stroji více bezproblémově než kdykoli předtím.

Pokud pokrok bude pokračovat tempem, jakým je nyní, rozhraní mozek-počítač by se mohly brzy změnit z experimentálních výzkumných nástrojů na každodenní asistivní technologie, které jsou schopné obnovit nezávislost a mobilitu milionům lidí po celém světě.