Výzkumníci používají generativní adversativní sítě ke zlepšení rozhraní mozek-počítač

Výzkumníci na 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 touto metodou. Tato data jsou ve formě neuronálních signálů nazývaných spike trains, které lze krmit do algoritmů strojového učení ke 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 motorickou dysfunkcí nebo paralýzou. Může 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 mozkové tkáně. Technologie se neustále zlepšuje a aplikuje se novými způsoby, včetně neurorehabilitace a léčby deprese. Je však stále obtížné udělat systémy dostatečně rychlé, 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 počítačových věd a spoluautor výzkumu.

“Získání dostatečných dat pro algoritmy, které pohánějí BCIs, může být obtížné, drahé nebo dokonce nemožné, pokud jsou paralyzovaní jednotlivci nejsou schopni produkovat dostatečně robustní mozkové signály,” řekl Itti.

Technologie je uživatelsky specifická, 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 prostřednictvím procesu pokusů a omylů.

Shixian Wen, doktorand pod vedením Ittiho a hlavní autor studie, se rozhodl podívat se na GANs a možnost, že mohou vytvářet tréninková data pro BCIs generováním syntetických neurologických dat, která jsou nerozlišitelná od skutečných.

Tým provedl experiment, ve kterém trénovali deep-learning spike synthesizer s jednou relací dat, která byla zaznamenána z opice, která sahala pro objekt. Poté použili synthesizer k vygenerování velkého množství podobných, ale falešných neuronálních dat.

Syntetizovaná data byla poté kombinována s malým množstvím nových skutečných dat k tréninku BCIs. S touto metodou byl systém schopen fungovat 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, jak AI generuje recept na myšlenku nebo pohyb prostřednictvím vytváření syntetických spike trains. Tento výzkum je kritickým krokem směrem k tomu, aby BCIs byly více vhodné pro skutečný svět.”

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

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

Tyto nové vývojové GAN-generovaná syntetická data by mohly také vést k průlomům v jiných oblastech oboru.

“Když je společnost připravena začít komerčně využívat robotický skelet, robotickou ruku 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.”