AI Bruges Til At genskabe Menneskelige Hjernebølger I Real Tid

For nylig skabte et hold af forskere et neuralt netværk, der kan genskabe menneskelige hjernebølger i realtid. Ifølge Futurism, bestod forskerholdet af forskere fra Moskvas Institut for Fysik og Teknologi (MIPT) og Neurobotics-korporationen, og de kunne visualisere en persons hjernebølger ved at oversætte bølgerne med et computer-vision neuralt netværk, der renderede dem som billeder.

Resultaterne af studiet blev offentliggjort i bioRxiv, og en video blev lagt ud sammen med forskningspapiret, der viste, hvordan netværket genskabte billeder. MIPT-forskerholdet håber, at studiet kan hjælpe dem med at skabe rehabiliteringssystemer efter slagtilfælde, der kan styres af hjernebølger. For at skabe rehabiliteringsenheder til slagtilfælde må neurobiologer studere de processer, hjernen bruger til at kode information. En kritisk del af at forstå disse processer er at studere, hvordan mennesker opfatter videoinformation. Ifølge ZME Science analyserer de nuværende metoder til at trække billeder ud af hjernebølger typisk signaler fra neuroner gennem brug af implantater eller trækker billeder ved hjælp af funktionel MRI.

Forskerholdet fra Neurbiotics og MIPT anvendte elektroencefalografi, eller EEG, som logger hjernebølger samlet fra elektroder placeret på skalpen. I sådanne situationer bærer mennesker ofte enheder, der sporer deres neurale signaler, mens de ser en video eller kigger på billeder. Analyser af hjerneaktivitet gav inputfunktioner, der kunne bruges i et maskinelæringssystem. Maskinelæringssystemet kunne genskabe billederne, en person havde set, og renderede billederne på en skærm i realtid.

Eksperimentet var inddelt i flere dele. I eksperimentets første fase havde forskerne testpersonerne se 10-sekunders klip af YouTube-videoer i omkring 20 minutter. Der var fem forskellige kategorier, videoerne var inddelt i: motorsport, menneskeansigter, abstrakte former, vandfald og bevægelige mekanismer. Disse forskellige kategorier kan indeholde en række objekter. For eksempel indeholdt motorsportkategorien klip af snescootere og motorcykler.

Forskerholdet analyserede EEG-data, der var samlet, mens deltagerne så videoerne. EEG’erne viste specifikke mønstre for hver af de forskellige videooptagelser, og det betød, at holdet potentielt kunne fortolke, hvilken indhold deltagerne så på videoerne i mere eller mindre realtid.

Den anden fase af eksperimentet havde tre kategorier valgt tilfældigt. To neurale netværk blev skabt til at arbejde med disse to kategorier. Det første netværk genererede tilfældige billeder, der tilhørte en af de tre kategorier, og skabte dem ud af tilfældigt støj, der blev finjusteret til et billede. Imens genererede det andet netværk støj baseret på EEG-scanning. Data i begge netværk blev sammenlignet, og de tilfældigt genererede billeder blev opdateret baseret på EEG-støjdata, indtil de genererede billeder blev lignende de billeder, testpersonerne så.

Efter at systemet var designet, testede forskerne programmets evne til at visualisere hjernebølger ved at vise testpersonerne videoer, de endnu ikke havde set fra de samme kategorier. EEG’erne, der blev genereret under den anden runde af visninger, blev givet til netværkene, og netværkene kunne generere billeder, der kunne placeres i den rigtige kategori 90% af tiden.

Forskerne bemærkede, at resultaterne af deres eksperiment var overraskende, fordi det i lang tid var antaget, at der ikke var tilstrækkelig information i en EEG til at genskabe billederne, der blev observeret af mennesker. Men resultaterne fra forskerholdet beviste, at det kan gøres.

Vladimir Konyshev, lederen af Neurorobotics Lab på MIPT, forklarede, at selvom forskerholdet i øjeblikket er fokuseret på at skabe hjælpemidler til handicappede, kan den teknologi, de arbejder med, på et tidspunkt bruges til at skabe neurale kontrolenheder til den generelle befolkning. Konyshev forklarede til TechXplore:

“Vi arbejder på Assistive Technologies-projektet af Neuronet of the National Technology Initiative, som fokuserer på hjernen-computer-grænsefladen, der giver post-slagnet patienter mulighed for at styre en eksoskeletarm til neurorehabiliteringsformål eller lammet patienter til at køre en el-bil, for eksempel. Det ultimative mål er at øge nøjagtigheden af neural kontrol for sunde individer også.”