Forscher nutzen Generative Adversarial Networks, um Brain-Computer-Interfaces zu verbessern

Forscher an der University of Southern California (USC) Viterbi School of Engineering nutzen generative adversarial Networks (GANs), um Brain-Computer-Interfaces (BCIs) für Menschen mit Behinderungen zu verbessern. 

GANs werden auch verwendet, um Deepfake-Videos und photorealistische menschliche Gesichter zu erstellen. 

Die Forschungsarbeit wurde in Nature Biomedical Engineering veröffentlicht. 

Die Macht von BCIs

Das Team konnte einem KI-System beibringen, synthetische Hirnaktivitätsdaten durch diesen Ansatz zu generieren. Diese Daten sind in Form von Neuralsignalen namens Spike-Trains, die in Machine-Learning-Algorithmen eingespeist werden können, um BCIs bei Menschen mit Behinderungen zu verbessern. 

BCIs analysieren die Hirnsignale eines Individuums, bevor sie die neuronale Aktivität in Befehle übersetzen, die es dem Benutzer ermöglichen, digitale Geräte allein mit seinen Gedanken zu steuern. Diese Geräte, zu denen Dinge wie Computer-Cursor gehören, können die Lebensqualität von Patienten mit Bewegungsstörungen oder Lähmungen verbessern. Sie können auch Menschen mit Locked-in-Syndrom helfen, bei dem die Person nicht sprechen oder kommunizieren kann, obwohl sie voll bei Bewusstsein ist.

Es gibt bereits viele verschiedene Arten von BCIs auf dem Markt, wie z.B. solche, die Hirnsignale messen und Geräte, die in Hirngewebe implantiert werden. Die Technologie verbessert sich ständig und wird auf neue Weise eingesetzt, einschließlich Neurorehabilitation und Depressionstherapie. Es ist jedoch immer noch schwierig, die Systeme schnell genug zu machen, um effizient in der realen Welt zu funktionieren.

BCIs erfordern enorme Mengen an Neuraldaten und lange Trainingsperioden, Kalibrierungen und Lernphasen, um ihre Eingaben zu verstehen.

Laurent Itti ist Professor für Informatik und Co-Autor der Forschungsarbeit. 

“Es kann schwierig, teuer oder sogar unmöglich sein, genügend Daten für die Algorithmen zu erhalten, die BCIs antreiben, wenn gelähmte Personen nicht in der Lage sind, ausreichend robuste Hirnsignale zu produzieren”, sagte Itti. 

Die Technologie ist benutzerspezifisch, was bedeutet, dass sie für jeden Einzelnen trainiert werden muss. 

Generative Adversarial Networks

GANs können diesen gesamten Prozess verbessern, da sie in der Lage sind, eine unbegrenzte Menge neuer, ähnlicher Bilder durch einen Trial-and-Error-Prozess zu erstellen.

Shixian Wen, ein Doktorand, der von Itti betreut wird und Lead-Autor der Studie, beschloss, sich mit GANs und der Möglichkeit auseinanderzusetzen, dass sie Trainingsdaten für BCIs durch die Generierung synthetischer neurologischer Daten erstellen können, die nicht von den echten Daten zu unterscheiden sind. 

Das Team führte ein Experiment durch, bei dem sie einen Deep-Learning-Spike-Synthesizer mit einer Sitzung von Daten trainierten, die von einem Affen aufgenommen wurden, der nach einem Objekt griff. Sie verwendeten dann einen Synthesizer, um eine große Menge ähnlicher, aber falscher Neuraldaten zu generieren.

Die synthetisierten Daten wurden dann mit kleinen Mengen neuer echter Daten kombiniert, um ein BCI zu trainieren. Mit diesem Ansatz konnte das System viel schneller in Betrieb genommen werden als mit herkömmlichen Methoden. Genauer gesagt verbesserte die GAN-synthetisierte Neuraldaten die Gesamtschulungsgeschwindigkeit von BCIs um bis zu 20 Mal.

“Weniger als eine Minute reale Daten, kombiniert mit synthetischen Daten, funktioniert so gut wie 20 Minuten reale Daten”, sagte Wen.

“Es ist das erste Mal, dass wir gesehen haben, wie KI das Rezept für Gedanken oder Bewegungen durch die Erstellung synthetischer Spike-Trains erstellt. Diese Forschung ist ein wichtiger Schritt auf dem Weg, BCIs für den Einsatz in der realen Welt besser geeignet zu machen.” 

Nach den ersten experimentellen Sitzungen konnte das System sich an neue Sitzungen mit begrenzten zusätzlichen Neuraldaten anpassen.

“Das ist die große Innovation hier – die Erstellung von falschen Spike-Trains, die genau so aussehen, als kämen sie von dieser Person, während sie sich verschiedene Bewegungen vorstellt, und dann auch diese Daten verwenden, um das Lernen beim nächsten Benutzer zu unterstützen”, sagte Itti.

Diese neuen Entwicklungen mit GAN-generierten synthetischen Daten könnten auch zu Durchbrüchen in anderen Bereichen des Fachgebiets führen.

“Wenn ein Unternehmen bereit ist, ein robotisches Skelett, einen robotischen Arm oder ein Sprachsynthesesystem zu kommerzialisieren, sollten sie sich diese Methode ansehen, da sie ihnen helfen könnte, das Training und die Nachschulung zu beschleunigen”, sagte Itti. “Was die Verwendung von GAN zur Verbesserung von Brain-Computer-Interfaces betrifft, denke ich, dass dies erst der Anfang ist.”