Künstliche Intelligenz wird verwendet, um menschliche Hirnwellen in Echtzeit nachzubilden

Kürzlich erstellte ein Team von Forschern ein neuronales Netzwerk, das in der Lage ist, menschliche Hirnwellen in Echtzeit nachzubilden. Wie von Futurism berichtet, bestand das Forschungsteam aus Wissenschaftlern des Moskauer Instituts für Physik und Technologie (MIPT) und der Neurobotics Corporation und konnte die Hirnwellen einer Person durch Übersetzen der Wellen mit einem Computer-Vision-Neuronalen Netzwerk visualisieren und als Bilder darstellen.

Die Ergebnisse der Studie wurden in bioRxiv veröffentlicht, und ein Video wurde zusammen mit dem Forschungsbericht veröffentlicht, das zeigt, wie das Netzwerk Bilder rekonstruierte. Das MIPT-Forschungsteam hofft, dass die Studie dazu beitragen wird, post-stroke-Rehabilitationssysteme zu entwickeln, die durch Hirnwellen gesteuert werden. Um rehabilitative Geräte für Schlaganfall-Opfer zu entwickeln, müssen Neurobiologen die Prozesse studieren, die das Gehirn verwendet, um Informationen zu codieren. Ein wichtiger Teil des Verständnisses dieser Prozesse ist das Studium, wie Menschen Video-Informationen wahrnehmen. Laut ZME Science analysieren die aktuellen Methoden zur Extraktion von Bildern aus Hirnwellen typischerweise die Signale, die von den Neuronen ausgehen, durch den Einsatz von Implantaten oder extrahieren Bilder mithilfe von funktioneller Magnetresonanztomographie.

Das Forschungsteam von Neurbiotics und MIPT verwendete die Elektroenzephalographie, oder EEG, die Hirnwellen aufzeichnet, die von Elektroden auf dem Schädel gesammelt werden. In solchen Situationen tragen Menschen oft Geräte, die ihre neuralen Signale aufzeichnen, während sie ein Video ansehen oder Bilder betrachten. Die Analyse der Hirnaktivität ergab Eingabefunktionen, die in einem maschinellen Lernsystem verwendet werden konnten. Das maschinelle Lernsystem konnte die Bilder rekonstruieren, die eine Person gesehen hatte, und sie auf einem Bildschirm in Echtzeit darstellen.

Das Experiment wurde in mehrere Phasen unterteilt. In der ersten Phase des Experiments ließen die Forscher die Teilnehmer 10-Sekunden-Clips von YouTube-Videos für etwa 20 Minuten ansehen. Es gab fünf verschiedene Kategorien, in die die Videos unterteilt waren: Motorsport, menschliche Gesichter, abstrakte Formen, Wasserfälle und bewegliche Mechanismen. Diese verschiedenen Kategorien können eine Vielzahl von Objekten enthalten. Zum Beispiel enthielt die Kategorie Motorsport Clips von Schneemobilen und Motorrädern.

Das Forschungsteam analysierte die EEG-Daten, die während der Videobetrachtung gesammelt wurden. Die EEGs zeigten spezifische Muster für jeden der verschiedenen Video-Clips, und dies bedeutete, dass das Team potenziell interpretieren konnte, welchen Inhalt die Teilnehmer auf den Videos in etwa Echtzeit sahen.

In der zweiten Phase des Experiments wurden drei Kategorien zufällig ausgewählt. Zwei neuronale Netze wurden erstellt, um mit diesen zwei Kategorien zu arbeiten. Das erste Netzwerk generierte zufällige Bilder, die zu einer der drei Kategorien gehörten, und erstellte sie aus zufälligem Rauschen, das in ein Bild verfeinert wurde. Währenddessen generierte das andere Netzwerk Rauschen auf der Grundlage der EEG-Scans. Die Daten in beiden Netzen wurden verglichen und die zufällig generierten Bilder wurden auf der Grundlage der EEG-Rausch-Daten aktualisiert, bis die generierten Bilder den Bildern ähnelten, die die Testteilnehmer sahen.

Nachdem das System entwickelt worden war, testeten die Forscher die Fähigkeit des Programms, Hirnwellen zu visualisieren, indem sie den Testteilnehmern Videos zeigten, die sie noch nicht gesehen hatten, aus den gleichen Kategorien. Die während der zweiten Runde der Videobetrachtung generierten EEGs wurden den Netzen gegeben, und die Netze konnten Bilder generieren, die zu 90% in die richtige Kategorie eingeordnet werden konnten.

Die Forscher stellten fest, dass die Ergebnisse ihres Experiments überraschend waren, da lange Zeit angenommen wurde, dass es nicht genug Informationen in einem EEG gab, um Bilder nachzubilden. Die Ergebnisse des Forschungsteams bewiesen jedoch, dass es möglich ist.

Vladimir Konyshev, der Leiter des Neurorobotics Lab am MIPT, erklärte, dass das Forschungsteam derzeit auf die Entwicklung von Assistenztechnologien für Menschen mit Behinderungen fokussiert ist, die Technologie, an der sie arbeiten, jedoch auch zur Entwicklung von neuralen Steuerungsgeräten für die allgemeine Bevölkerung verwendet werden könnte. Konyshev erklärte gegenüber TechXplore:

“Wir arbeiten am Assistive Technologies-Projekt von Neuronet der National Technology Initiative, das sich auf die Brain-Computer-Schnittstelle konzentriert, die es post-stroke-Patienten ermöglicht, einen Exoskelett-Arm für neurorehabilitative Zwecke zu steuern, oder gelähmten Patienten, ein elektrischer Rollstuhl zu fahren, zum Beispiel. Das ultimative Ziel ist es, die Genauigkeit der neuralen Steuerung für gesunde Menschen zu erhöhen.”