Vědci používají generativní adversativní sítě ke zlepšení rozhraní mozek-počítač

Vědci z University of Southern California (USC) Viterbi School of Engineering používají generativní adversativní sítě (GANs) ke zlepšení rozhraní mozek-počítač (BCIs) pro lidi s postižením.

GANs se také používají k vytváření deepfake videí a fotorealistických lidských tváří.

Výzkumná práce byla publikována v Nature Biomedical Engineering.

Síla BCIs

Tým se podařilo naučit umělou inteligenci generovat syntetická data mozkové aktivity pomocí tohoto přístupu. Tato data jsou ve formě neuronálních signálů nazývaných spike trains, které lze použít pro zlepšení BCIs u lidí s postižením.

BCIs analyzují mozkové signály jednotlivce předtím, než je přeloží do příkazů, které umožňují uživateli ovládat digitální zařízení pouze svými myšlenkami. Tato zařízení, která mohou zahrnovat věci jako počítačové kurzory, mohou zlepšit kvalitu života pacientů trpících motorickými poruchami nebo paralýzou. Můžou také prospět jedincům s locked-in syndromem, který nastává, když osoba není schopna se pohybovat nebo komunikovat, přestože je plně vědomá.

Existuje mnoho různých typů BCIs již na trhu, jako jsou ty, které měří mozkové signály, a zařízení, která jsou implantována do mozkových tkání. Technologie se neustále zlepšuje a aplikuje se novými způsoby, včetně neurorehabilitace a léčby deprese. Nicméně, stále je obtížné udělat systémy dostatečně rychlými, aby fungovaly efektivně ve skutečném světě.

BCIs vyžadují obrovské množství neuronálních dat a dlouhá tréninková období, kalibrace a učení, aby pochopily své vstupy.

Laurent Itti je profesor počítačové vědy a spoluautor výzkumu.

“Získání dostatečných dat pro algoritmy, které pohání BCIs, může být obtížné, drahé nebo甚至 nemožné, pokud jsou lidé s paralýzou nejsou schopni produkovat dostatečně robustní mozkové signály,” řekl Itti.

Technologie je specifická pro uživatele, což znamená, že musí být trénována pro každého jednotlivce.

Generativní adversativní sítě

GANs mohou zlepšit celý proces, protože jsou schopny vytvářet neomezené množství nových, podobných obrazů pomocí procesu pokusů a omylů.

Shixian Wen, doktorand pod vedením Ittiho a hlavní autor studie, se rozhodl prozkoumat GANs a možnost, že by mohly vytvořit tréninková data pro BCIs generováním syntetických neurologických dat, která jsou nerozlišitelná od skutečných.

Tým provedl experiment, ve kterém trénovali hlubokou učící se syntetizér s jednou relací dat, která byla zaznamenána z opice, která sahala pro objekt. Poté použili syntetizér k vytvoření velkého množství podobných, ale falešných neuronálních dat.

Syntetizovaná data byla poté kombinována s malým množstvím nových skutečných dat k tréninku BCIs. S tímto přístupem byl systém schopen spustit se mnohem rychleji než současné metody. Konkrétně, GAN-syntetizovaná neuronální data zlepšila celkovou tréninkovou rychlost BCIs až o 20krát.

“Méně než minutu skutečných dat v kombinaci se syntetickými daty funguje stejně dobře jako 20 minut skutečných dat,” řekl Wen.

“Je to poprvé, co jsme viděli, že umělá inteligence generuje recept na myšlenku nebo pohyb prostřednictvím vytváření syntetických spike trainů. Tento výzkum je kritickým krokem k tomu, aby se BCIs staly vhodnějšími pro skutečný svět.”

Po prvních experimentálních relacích byl systém schopen přizpůsobit se novým relacím s omezenými dalšími neuronálními daty.

“To je velká inovace – vytvářet falešné spike trény, které vypadají, jako by pocházely od této osoby, zatímco si představuje různé pohyby, a poté také použít tato data k pomoci s učením u další osoby,” řekl Itti.

Tyto nové vývojové GAN-generovaných syntetických dat by mohly také vést k průlomům v jiných oblastech oboru.

“Když je společnost připravena začít komercializovat robotický skelet, robotickou paži nebo systém syntézy řeči, měli by se podívat na tuto metodu, protože by jim mohla pomoci urychlit trénink a re-trénink,” řekl Itti. “Co se týče použití GAN ke zlepšení rozhraní mozek-počítač, myslím, že to je teprve začátek.”