Gennembrud i kunstig intelligens forbedrer hjernen-computer-grænseflader ved at afkode komplekse hjernesignaler

Forskere ved Chiba University i Japan har udviklet en ny kunstig intelligensramme, der kan afkode komplekse hjernesignaler med væsentligt forbedret nøjagtighed, hvilket markerer et vigtigt skridt mod mere pålidelige hjernen-computer-grænseflader (BCI’er). Gennembruddet kan hjælpe med at accelerere udviklingen af hjælpeteknologier, der tillader mennesker med neurologiske lidelser at styre enheder som proteser, kørestole og rehabiliteringsrobotter ved hjælp af deres tanker.

Den forskning, ledet af ph.d.-studerende Chaowen Shen og professor Akio Namiki ved Graduate School of Engineering på Chiba University, introducerer en ny dyb læringarkitektur kendt som Embedding-Driven Graph Convolutional Network (EDGCN). Systemet er designet til at fortolke de komplekse elektriske signaler, der genereres i hjernen, når en person forestiller sig at bevæge sine lemmer – en proces kendt som motorisk forestilling.

Hjernen-computer-grænseflader og motorisk forestilling

Hjernen-computer-grænseflader sigter mod at oprette en kommunikationskanal mellem det menneskelige hjernen og eksterne maskiner. I stedet for at afhænge af muskelbevægelser fortolker BCI’er neurale signaler og konverterer dem til kommandoer for digitale systemer eller fysiske enheder.

En af de mest studerede tilgange i BCI-forskningen indebærer motorisk forestilling elektroencefalografi (MI-EEG). I disse systemer forestiller brugerne sig at udføre bevægelser – såsom at løfte en hånd, gribe et objekt eller gå. Selv om der ikke sker nogen fysisk bevægelse, genererer hjernen karakteristiske mønstre af elektrisk aktivitet forbundet med den forestillede bevægelse.

Disse signaler kan fanges ved hjælp af elektroencefalografi (EEG), en ikke-invasiv teknik, der optager hjernens aktivitet gennem elektroder placeret på skalpen. EEG giver multi-kanal tids-serie-data, der repræsenterer neural aktivitet på tværs af forskellige regioner i hjernen.

At afkode disse signaler nøjagtigt tillader computere at oversætte neural aktivitet til handlebare kommandoer. I praksis kunne dette tillade individer med lammelse eller alvorlig motorisk svækkelse at styre hjælpeteknologier blot ved at forestille sig bevægelser.

Men at opnå pålidelig afkodning af MI-EEG-signaler forbliver en af de mest vanskelige udfordringer i neuroteknologi.

Hvorfor hjernesignaler er svære at afkode

Det primære hindringsforhold i udviklingen af hjernen-computer-grænseflader ligger i den indbyggede kompleksitet af EEG-signaler.

Motorisk forestillingssignaler viser høj spatiotemporal variabilitet, hvilket betyder, at de varierer både på tværs af forskellige hjerneregioner og på tværs af tid. De adskiller sig også bredt mellem individer og endda inden for den samme person fra en session til en anden.

Traditionelle maskinlæringsmodeller kæmper ofte med disse variationer. Mange eksisterende systemer afhænger af foruddefinerede grafstrukturer eller faste parametre, der antager, at hjernesignaler opfører sig i konsistente mønstre. I virkeligheden er neurale signaler langt mere dynamiske og heterogene.

Tidligere metoder anvendte ofte teknikker som fælles spatial mønsteranalyse eller konventionelle convolutionelle neurale netværk til at udtrække funktioner fra EEG-signaler. Selv om disse tilgange kan identificere nogle mønstre i neural aktivitet, fejler de ofte i at fange dybere interaktioner mellem hjerneregioner eller udviklende mønstre over tid.

Som følge heraf kræver mange BCI-systemer omfattende kalibrering og træning, før de kan fungere effektivt for enkeltbrugere.

En ny tilgang: Embedding-Driven Graph Convolutional Networks

Forskningsholdet på Chiba University adresserede disse udfordringer ved at udvikle en ny dyb læringramme designet til bedre at fange kompleksiteten af hjernens aktivitet.

Deres løsning – Embedding-Driven Graph Convolutional Network (EDGCN) – kombinerer flere avancerede teknikker til at modelere den rumlige og tidsmæssige struktur af EEG-signaler samtidigt.

I kernen af rammen er der en embedding-drevet fusionsmekanisme, der tillader systemet at dynamisk generere parametre, der bruges til at afkode hjernesignaler. I stedet for at afhænge af faste arkitekturer tilpasser EDGCN sin interne repræsentation for bedre at fange variationer mellem subjekter og over tid.

Arkitekturen integrerer flere specialiserede komponenter:

Multi-Resolution Temporal Embedding (MRTE)

Denne modul analyserer EEG-signaler på forskellige tids-skalaer. Fordi neurale signaler udvikler sig hurtigt, kan vigtig information optræde på forskellige tids-skalaer. MRTE udtrækker funktioner fra multi-resolution power spectral mønstre, hvilket tillader systemet at identificere meningsfuld neural aktivitet, der ellers kunne være gået tabt.

Structure-Aware Spatial Embedding (SASE)

Hjernesignaler er ikke isolerede; forskellige hjerneregioner interagerer kontinuerligt. SASE-mekanismen modellerer disse interaktioner ved at inkorporere både lokale og globale forbindelsesstrukturer mellem EEG-elektroder. Dette tillader AI at repræsentere hjernen som et netværk snarere end som uafhængige signal-kanaler.

Heterogeneity-Aware Parameter Generation

En af de mest innovative aspekter af EDGCN-rammen er dens evne til dynamisk at generere grafkonvolutionsparametre fra en embedding-drevet parameterbank. Dette tillader modellen at tilpasse sig de unikke karakteristika af hver subjekts hjernesignaler.

For at støtte denne proces anvendte forskerne Chebyshev grafkonvolutionsneurale netværk, en teknik, der effektivt modellerer relationer inden for komplekse netværk.

Orthogonality-Constrained Kernels

For yderligere at forbedre robustheden introducerer modellen ortogonalitetsbegrænsninger inden for sine konvolutionskerner. Dette opmuntrer til diversitet i de lærte funktioner og reducerer redundans, hvilket hjælper systemet med at udtrække rigere repræsentationer fra EEG-signaler.

Sammen tillader disse komponenter EDGCN at fange både lokale neurale aktivitetsmønstre og stor-skala-interaktioner mellem hjerneregioner, hvilket resulterer i mere nøjagtig afkodning af motorisk forestillingssignaler.

Præstationsresultater

Forskerne testede EDGCN ved hjælp af bredt anvendte benchmark-datasæt fra BCI-konkurrence IV, som er standard-evaluationsdatasæt i feltet hjernen-computer-grænseflade-forskning.

Modellen opnåede:

• 90,14% klassifikationsnøjagtighed på BCIC-IV-2b-datasættet
• 86,50% klassifikationsnøjagtighed på BCIC-IV-2a-datasættet

Disse resultater overgår flere eksisterende state-of-the-art-afkodningsmetoder og demonstrerer stærk generalisering på tværs af forskellige subjekter.

Vigtigt er, at systemet også viste forbedret tilpasning, når det blev anvendt på cross-subjekt-scenarier, en nøglekrav til praktisk BCI-udvikling. Mange eksisterende modeller fungerer godt for en enkelt trænet bruger, men fejler, når de anvendes på nye individer. EDGCN’s embedding-drevne arkitektur hjælper med at overvinde denne begrænsning ved at bedre modellere individuel variabilitet.

Konsekvenser for rehabilitering og hjælpeteknologi

Evnen til at afkode hjernesignaler mere nøjagtigt kunne have dybtgående konsekvenser for hjælpeteknologier.

Motorisk forestilling-baserede BCI’er undersøges allerede til anvendelser som:

• Tankestyrede kørestole
• Neurale proteser
• Rehabiliteringsrobotter
• Kommunikationssystemer for patienter med lammelse

Forbedret afkodningsnøjagtighed kunne gøre disse teknologier betydeligt mere pålidelige og lette at bruge.

Forskere mener, at systemer som EDGCN kan hjælpe patienter med tilstande som:

• Slagtilfælde
• Rygsøjreskader
• Amyotrofisk lateral sklerose (ALS)
• Andre neuromuskulære lidelser

Med mere pålidelig signalfortolkning kunne patienter potentielt styre neurorehabiliteringsenheder ved hjælp af simple forestillede bevægelser, hvilket muliggør en mere naturlig interaktion med hjælpeteknologier.

Ifølge professor Namiki er afkodning af motorisk forestillingssignaler ikke kun en teknologisk udfordring, men også en mulighed for bedre at forstå, hvordan hjernen organiserer bevægelse og neural forbindelse.

Mod forbruger-grads hjernen-computer-grænseflader

Trods årtiers forskning forbliver de fleste hjernen-computer-grænseflade-systemer begrænsede til laboratorier eller specialiserede kliniske miljøer. Pålidelighed, tilpasning og brugervenlighed forbliver væsentlige barrierer for bredere accept.

Fremgang som EDGCN kunne hjælpe med at flytte BCI-systemer tættere på forbruger-grads neuroteknologi.

Ved at forbedre systemets evne til at håndtere heterogene hjernesignaler reducerer modellen behovet for omfattende kalibrering og ekspert-justering. Dette er et kritisk skridt mod at gøre BCI-systemer brugbare uden for forskningsmiljøer.

Fremtidig forskning vil sandsynligvis fokusere på at integrere sådanne AI-modeller i bærbare EEG-systemer og wearable-enheder. Kombineret med forbedringer i sensor-teknologi og beregningskraft kunne disse systemer muliggøre mere tilgængelige og skalerbare hjernen-maskine-grænseflader.

Et skridt mod dybere menneske-maskine-integration

Udviklingen af EDGCN afspejler en bredere trend i kunstig intelligens og neurovidenskab: den øgede anvendelse af graf-baserede neurale netværk til at modellere biologiske systemer.

Fordi hjernen selv opererer som et komplekst netværk af forbundne regioner, giver grafneurale netværk en naturlig måde at repræsentere dets struktur og dynamik. Da disse AI-modeller bliver mere avancerede, kan de muligvis låse op for dybere indsigt i neural aktivitet og kognition.

Til sidst kunne forbedret afkodning af hjernesignaler banke vejen for en ny generation af teknologier, der tillader mennesker at interagere med maskiner mere ubesværet end nogensinde før.

Hvis fremgangen fortsætter i dens nuværende takt, kan hjernen-computer-grænseflader snart gå fra eksperimentelle forskningsværktøjer til hverdags-hjælpeteknologier, der kan genskabe uafhængighed og mobilitet for millioner af mennesker verden over.