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

Forscher an der University of Southern California (USC) Viterbi School of Engineering verwenden 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 beibringen, synthetische Hirnaktivitätsdaten durch diesen Ansatz zu generieren. Diese Daten sind in Form von Neuralaktivitätsdaten, die als Spike-Trains bezeichnet werden, 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 nur 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 dem Locked-in-Syndrom helfen, bei dem die Person nicht sprechen oder kommunizieren kann, obwohl sie voll bewusst 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 benötigen massive 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, genug Daten für die Algorithmen zu erhalten, die BCIs antreiben, wenn gelähmte Personen nicht in der Lage sind, ausreichend starke 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, GANs und die Möglichkeit zu untersuchen, dass sie Trainingsdaten für BCIs durch die Erstellung 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 aufgezeichnet wurden, der nach einem Objekt griff. Sie verwendeten dann einen Synthesizer, um eine große Menge ähnlicher, aber falscher Neuraldaten zu erstellen.

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 den aktuellen Methoden. Insbesondere verbesserten die GAN-synthetisierten Neuraldaten die Gesamtschulungsgeschwindigkeit von BCIs um bis zu 20-mal.

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

“Es ist das erste Mal, dass wir gesehen haben, wie KI die Rezeptur für Gedanken oder Bewegungen durch die Erstellung synthetischer Spike-Trains erstellt. Diese Forschung ist ein wichtiger Schritt auf dem Weg, BCIs für den realen Einsatz 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, wenn sie sich verschiedene Bewegungen vorstellt, und dann auch die Verwendung dieser Daten, um bei der Lernphase für die nächste Person zu helfen”, sagte Itti.

Diese neuen Entwicklungen mit GAN-erzeugten synthetischen Daten könnten auch zu Durchbrüchen in anderen Bereichen des Feldes 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 möglicherweise helfen kann, die Schulung und Nachschulung zu beschleunigen”, sagte Itti. “Was die Verwendung von GANs zur Verbesserung von Brain-Computer-Interfaces betrifft, denke ich, dass dies erst der Anfang ist.”