AI bruges til at genskabe menneskelige hjernebølger i realtid

For nylig skabte et team af forskere et neuralt netværk, der er i stand til at genskabe menneskelige hjernebølger i realtid. Som rapporteret af Futurism, forskerholdet, bestående af forskere fra Moskva Institut for Fysik og Teknologi (MIPT) og Neurobotics-selskabet, var i stand til at visualisere en persons hjernebølger ved at oversætte bølgerne med et computersyns neuralt netværk, og gengive dem som billeder.

Resultaterne af undersøgelsen blev offentliggjort i bioRxiv, og en video blev lagt ud ved siden af ​​forskningspapiret, som viste, hvordan netværket rekonstruerede billeder. MIPT-forskerholdet håber, at undersøgelsen vil hjælpe dem med at skabe rehabiliteringssystemer efter slagtilfælde, der styres af hjernebølger. For at skabe rehabiliterende anordninger til slagtilfældeofre skal neurobiologer studere de processer, hjernen bruger til at kode information. En kritisk del af forståelsen af ​​disse processer er at studere, hvordan folk opfatter videoinformation. Ifølge ZME Science, de nuværende metoder til at udtrække billeder fra hjernebølger analyserer typisk de signaler, der stammer fra neuronerne, ved brug af implantater, eller udtrækker billeder ved hjælp af funktionel MR.

Forskerholdet fra Neurbiotics og MIPT brugte elektroencefalografi eller EEG, som logger hjernebølger indsamlet fra elektroder placeret på hovedbunden. I sådanne situationer bærer folk ofte enheder, der sporer deres neurale signaler, mens de ser en video eller ser på billeder. Analysen af ​​hjerneaktivitet gav inputfunktioner, der kunne bruges i et maskinlæringssystem. Maskinlæringssystemet var i stand til at rekonstruere de billeder, en person var vidne til, ved at gengive billederne på en skærm i realtid.

Forsøget var opdelt i flere dele. I eksperimentets første fase fik forskerne forsøgspersonerne til at se 10-sekunders klip af YouTube-videoer i omkring 20 minutter. Der var fem forskellige kategorier, som videoen blev opdelt i: motorsport, menneskelige ansigter, abstrakte former, vandfald og bevægelige mekanismer. Disse forskellige kategorier kan indeholde en række forskellige objekter. For eksempel indeholdt motorsportskategorien klip af snescootere og motorcykler.

Forskerholdet analyserede de EEG-data, der blev indsamlet, mens deltagerne så videoerne. EEG'erne viste specifikke mønstre for hvert af de forskellige videoklip, og det betød, at teamet potentielt kunne fortolke, hvilket indhold deltagerne så på videoer i mere eller mindre realtid.

Den anden fase af eksperimentet havde tre kategorier udvalgt tilfældigt. To neurale netværk blev skabt til at arbejde med disse to kategorier. Det første netværk genererede tilfældige billeder, der tilhørte en af ​​tre kategorier, og skabte dem ud fra tilfældig støj, der blev forfinet til et billede. I mellemtiden genererede det andet netværk støj baseret på EEG-scanningerne. Dataene i begge netværk blev sammenlignet, og de tilfældigt genererede billeder blev opdateret baseret på EEG-støjdataene, indtil de genererede billeder blev lig de billeder, som testpersonerne så.

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

Forskerne bemærkede, at resultaterne af deres eksperiment var overraskende, fordi det i lang tid blev antaget, at der ikke var tilstrækkelig information i et EEG til at rekonstruere billederne observeret af mennesker. Forskerholdets resultater viste dog, at det kan lade sig gøre.

Vladimir Konyshev, lederen af ​​Neurorobotics Lab ved MIPT, forklarede, at selvom forskerholdet i øjeblikket er fokuseret på at skabe hjælpeteknologier til dem, der er handicappede, kan den teknologi, de arbejder, bruges til at skabe neurale kontrolenheder til den almindelige befolkning på nogle tidspunkter. punkt. Konyshev forklarede til TechXplore:

"Vi arbejder på Assistive Technologies-projektet af Neuronet fra National Technology Initiative, som fokuserer på hjerne-computer-grænsefladen, der gør det muligt for patienter efter slagtilfælde at kontrollere en eksoskeletarm til neurorehabiliteringsformål, eller lammede patienter til at køre en elektrisk kørestol, for eksempel. Det ultimative mål er også at øge nøjagtigheden af ​​neural kontrol for raske individer."