Ερευνητές Χρησιμοποιούν Γενετικές Ανταγωνιστικές Δίκτυα για τη Βελτίωση των Διασυνδέσεων Εγκεφάλου-Υπολογιστή

Ερευνητές στο Πανεπιστήμιο της Νότιας Καλιφόρνιας (USC) Σχολή Μηχανικής Viterbi χρησιμοποιούν γενετικά ανταγωνιστικά δίκτυα (GANs) για τη βελτίωση των διασυνδέσεων εγκεφάλου-υπολογιστή (BCIs) για άτομα με αναπηρίες.

Τα GANs χρησιμοποιούνται επίσης για τη δημιουργία βίντεο deepfake και φωτογραφιών ανθρώπινων προσώπων που μοιάζουν με φωτογραφίες.

Η έρευνα δημοσιεύθηκε στο Nature Biomedical Engineering.

Η Δύναμη των BCIs

Η ομάδα ήταν σε θέση να διδάξει einen AI να παράγει συνθετική εγκεφαλική δραστηριότητα δεδομένων μέσω αυτής της προσέγγισης. Τα δεδομένα είναι στην μορφή νευρικών σημάτων που ονομάζονται σιδηροδρομικές γραμμές, τα οποία μπορούν να τροφοδοτηθούν σε αλγορίθμους μηχανικής μάθησης για τη βελτίωση των BCIs μεταξύ των ατόμων με αναπηρίες.

Οι BCIs αναλύουν τα εγκεφαλικά σήματα ενός ατόμου πριν τα μεταφράσουν σε εντολές, οι οποίες επιτρέπουν στον χρήστη να ελέγξει ψηφιακές συσκευές με τις σκέψεις του. Αυτές οι συσκευές, οι οποίες μπορούν να περιλαμβάνουν πράγματα όπως δρομέας υπολογιστή, μπορούν να βελτιώσουν την ποιότητα ζωής των ασθενών που πάσχουν από μυική δυσλειτουργία ή παράλυση. Μπορούν επίσης να ωφελήσουν άτομα με σύνδρομο κλειδωμένου εγκεφάλου, το οποίο συμβαίνει όταν το άτομο δεν μπορεί να κινηθεί ή να επικοινωνήσει παρά το γεγονός ότι είναι πλήρως συνειδητό.

Υπάρχουν πολλά διαφορετικά είδη BCIs ήδη στην αγορά, όπως αυτά που μετρούν τα εγκεφαλικά σήματα και συσκευές που είναι εμφυτευμένες σε εγκεφαλικά ιστό. Η τεχνολογία συνεχώς βελτιώνεται και εφαρμόζεται με νέους τρόπους, συμπεριλαμβανομένης της νευροαποκατάστασης και της θεραπείας της κατάθλιψης. Ωστόσο, είναι ακόμη δύσκολο να κάνουν τα συστήματα αρκετά γρήγορα για να λειτουργήσουν αποτελεσματικά στον πραγματικό κόσμο.

Οι BCIs απαιτούν τεράστιες ποσότητες νευρικών δεδομένων και μακρές περιόδους εκπαίδευσης, βαθμολογίας και μάθησης για να κατανοήσουν τις εισόδους τους.

Ο Laurent Itti είναι καθηγητής πληροφορικής και συν-συγγραφέας της έρευνας.

«Η απόκτηση αρκετών δεδομένων για τους αλγορίθμους που τροφοδοτούν τις BCIs μπορεί να είναι δύσκολο, ακριβό ή ακόμη και αδύνατο αν τα άτομα με παράλυση δεν είναι σε θέση να παράγουν αρκετά ισχυρά εγκεφαλικά σήματα», είπε ο Itti.

Η τεχνολογία είναι εξατομικευμένη, που σημαίνει ότι πρέπει να εκπαιδευτεί για κάθε άτομο.

Γενετικά Ανταγωνιστικά Δίκτυα

Τα GANs μπορούν να βελτιώσουν这一όλη διαδικασία,既然 είναι ικανά να δημιουργήσουν ένα απεριόριστο αριθμό νέων, παρόμοιων εικόνων μέσω μιας διαδικασίας δοκιμής και λάθους.

Ο Shixian Wen, φοιτητής διδακτορικού που συμβουλεύεται από τον Itti και οδηγός συγγραφέας της μελέτης, αποφάσισε να εξετάσει τα GANs και τη δυνατότητα ότι θα μπορούσαν να δημιουργήσουν δεδομένα εκπαίδευσης για τις BCIs δημιουργώντας συνθετικά νευρολογικά δεδομένα που δεν μπορούν να διακριθούν από τα πραγματικά αντίστοιχα.

Η ομάδα διεξήγαγε ένα πείραμα όπου εκπαίδευσαν έναν συνθετητή spike με μια συνεδρία δεδομένων που καταγράφηκε από μια μαϊμού που έπιασε ένα αντικείμενο. Στη συνέχεια, χρησιμοποίησαν τον συνθετητή για να δημιουργήσουν một μεγάλο αριθμό παρόμοιων, αλλά ψευδών νευρικών δεδομένων.

Τα συνθετικά δεδομένα συνδυάστηκαν με μικρές ποσότητες νέων πραγματικών δεδομένων για να εκπαιδεύσουν μια BCI. Με αυτήν την προσέγγιση, το σύστημα ήταν σε θέση να ξεκινήσει και να λειτουργήσει πολύ γρήγορα από τις τρέχουσες μεθόδους. Πιο συγκεκριμένα, τα GAN-συνθετικά νευρικά δεδομένα βελτίωσαν την ταχύτητα εκπαίδευσης των BCIs συνολικά μέχρι και 20 φορές.

«Λιγότερο από ένα λεπτό πραγματικών δεδομένων σε συνδυασμό με τα συνθετικά δεδομένα λειτουργεί τόσο καλά όσο και 20 λεπτά πραγματικών δεδομένων», είπε ο Wen.

«Είναι η πρώτη φορά που βλέπουμε τον AI να παράγει τη συνταγή για σκέψη ή κίνηση μέσω της δημιουργίας συνθετικών σιδηροδρομικών γραμμών. Αυτή η έρευνα είναι ένα κρίσιμο βήμα προς τη направление της BCIs για πραγματική χρήση.»

Μετά τις πρώτες πειραματικές συνεδρίες, το σύστημα ήταν σε θέση να προσαρμοστεί σε νέες συνεδρίες με περιορισμένα πρόσθετα νευρικά δεδομένα.

«Αυτό είναι η μεγάλη καινοτομία εδώ — η δημιουργία ψευδών σιδηροδρομικών γραμμών που μοιάζουν ακριβώς σαν να προέρχονται από αυτό το άτομο καθώς φανταζόμαστε διαφορετικές κινήσεις, και στη συνέχεια χρησιμοποιώντας αυτά τα δεδομένα για να βοηθήσει με τη μάθηση στην επόμενη συνεδρία», είπε ο Itti.

Αυτές οι νέες εξελίξεις με GAN-γεννημένα συνθετικά δεδομένα θα μπορούσαν επίσης να οδηγήσουν σε突破ες σε άλλες περιοχές του πεδίου.

«Όταν μια εταιρεία είναι έτοιμη να ξεκινήσει την εμπορική εκμετάλλευση eines ρομποτικού σκελετού, ρομποτικού βραχίονα ή συστήματος σύνθεσης ομιλίας, θα πρέπει να εξετάσει αυτήν τη μέθοδο, επειδή μπορεί να τους βοηθήσει με την επιτάχυνση της εκπαίδευσης και της επανεκπαίδευσης», είπε ο Itti. «Όσον αφορά τη χρήση GAN για τη βελτίωση των διασυνδέσεων εγκεφάλου-υπολογιστή, νομίζω ότι αυτό είναι μόνο η αρχή.»