Οι ερευνητές χρησιμοποιούν Generative Adversarial Networks για να βελτιώσουν τις διεπαφές εγκεφάλου-υπολογιστή

Ερευνητές της Σχολής Μηχανικών Viterbi του Πανεπιστημίου της Νότιας Καλιφόρνιας (USC) χρησιμοποιούν δίκτυα δημιουργίας αντιπάλων (GANs) για να βελτιώσουν τις διεπαφές εγκεφάλου-υπολογιστή (BCI) για άτομα με αναπηρίες. 

Τα GAN χρησιμοποιούνται επίσης για τη δημιουργία deepfake βίντεο και φωτογραφιών ρεαλιστικών ανθρώπινων προσώπων. 

Η ερευνητική εργασία δημοσιεύτηκε στο Φύση Βιοϊατρική μηχανική. 

Η δύναμη των BCI

Η ομάδα μπόρεσε να διδάξει μια τεχνητή νοημοσύνη να παράγει δεδομένα συνθετικής εγκεφαλικής δραστηριότητας μέσω αυτής της προσέγγισης. Αυτά τα δεδομένα έχουν τη μορφή νευρικών σημάτων που ονομάζονται τρένα spike, τα οποία μπορούν να τροφοδοτηθούν σε αλγόριθμους μηχανικής μάθησης για τη βελτίωση των BCI μεταξύ των ατόμων με αναπηρία. 

Τα BCI αναλύουν τα σήματα του εγκεφάλου ενός ατόμου πριν μεταφράσουν τη νευρική δραστηριότητα σε εντολές, οι οποίες επιτρέπουν στον χρήστη να ελέγχει τις ψηφιακές συσκευές μόνο με τις σκέψεις του. Αυτές οι συσκευές, οι οποίες μπορεί να περιλαμβάνουν πράγματα όπως δρομείς υπολογιστών, μπορούν να βελτιώσουν την ποιότητα ζωής των ασθενών που πάσχουν από κινητική δυσλειτουργία ή παράλυση. Μπορούν επίσης να ωφελήσουν άτομα με σύνδρομο κλειδώματος, το οποίο συμβαίνει όταν το άτομο δεν μπορεί να κινηθεί ή να επικοινωνήσει παρά το γεγονός ότι έχει πλήρως τις αισθήσεις του.

Υπάρχουν ήδη στην αγορά πολλοί διαφορετικοί τύποι BCI, όπως αυτοί που μετρούν τα σήματα του εγκεφάλου και συσκευές που εμφυτεύονται σε εγκεφαλικούς ιστούς. Η τεχνολογία βελτιώνεται συνεχώς και εφαρμόζεται με νέους τρόπους, συμπεριλαμβανομένης της θεραπείας νευροαποκατάστασης και κατάθλιψης. Ωστόσο, εξακολουθεί να είναι δύσκολο να γίνουν τα συστήματα αρκετά γρήγορα ώστε να λειτουργούν αποτελεσματικά στον πραγματικό κόσμο.

Τα BCI απαιτούν τεράστιες ποσότητες νευρωνικών δεδομένων και μεγάλες περιόδους εκπαίδευσης, βαθμονομήσεις και εκμάθηση κατανόησης των εισροών τους.

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

«Η λήψη αρκετών δεδομένων για τους αλγόριθμους που τροφοδοτούν τα BCI μπορεί να είναι δύσκολη, δαπανηρή ή ακόμα και αδύνατη εάν τα παράλυτα άτομα δεν είναι σε θέση να παράγουν επαρκώς ισχυρά εγκεφαλικά σήματα», είπε ο Itti. 

Η τεχνολογία είναι συγκεκριμένη για τον χρήστη, που σημαίνει ότι πρέπει να εκπαιδευτεί για κάθε άτομο. 

Γενετικά Διαφορικά Δίκτυα

Τα GAN μπορούν να βελτιώσουν όλη αυτή τη διαδικασία, καθώς είναι σε θέση να δημιουργήσουν απεριόριστο αριθμό νέων, παρόμοιων εικόνων περνώντας από μια διαδικασία δοκιμής και σφάλματος.

Ο Shixian Wen, ένας διδακτορικός φοιτητής που συμβουλεύτηκε ο Itti και επικεφαλής συγγραφέας της μελέτης, αποφάσισε να εξετάσει τα GAN και την πιθανότητα να δημιουργήσουν δεδομένα εκπαίδευσης για BCI δημιουργώντας συνθετικά νευρολογικά δεδομένα που δεν διακρίνονται από τα πραγματικά αντίστοιχα. 

Η ομάδα πραγματοποίησε ένα πείραμα όπου εκπαίδευσε έναν συνθεσάιζερ ακίδων βαθιάς μάθησης με μια συνεδρία δεδομένων που καταγράφηκαν από έναν πίθηκο που έφτανε προς ένα αντικείμενο. Στη συνέχεια χρησιμοποίησαν ένα συνθεσάιζερ για να δημιουργήσουν μια μεγάλη ποσότητα παρόμοιων, αλλά πλαστών νευρωνικών δεδομένων.

Τα δεδομένα που συντέθηκαν στη συνέχεια συνδυάστηκαν με μικρές ποσότητες νέων πραγματικών δεδομένων για την εκπαίδευση ενός BCI. Με αυτήν την προσέγγιση, το σύστημα μπόρεσε να λειτουργήσει πολύ πιο γρήγορα από τις τρέχουσες μεθόδους. Πιο συγκεκριμένα, τα νευρωνικά δεδομένα που συντέθηκαν από το GAN βελτίωσαν τη συνολική ταχύτητα προπόνησης BCI έως και 20 φορές.

«Τα πραγματικά δεδομένα αξίας μικρότερης του ενός λεπτού σε συνδυασμό με τα συνθετικά δεδομένα λειτουργούν καθώς και 20 λεπτά πραγματικών δεδομένων», είπε ο Wen.

«Είναι η πρώτη φορά που βλέπουμε την τεχνητή νοημοσύνη να δημιουργεί τη συνταγή για σκέψη ή κίνηση μέσω της δημιουργίας συνθετικών τρένων με ακίδες. Αυτή η έρευνα είναι ένα κρίσιμο βήμα για να γίνουν τα BCI πιο κατάλληλα για χρήση σε πραγματικό κόσμο.» 

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

"Αυτή είναι η μεγάλη καινοτομία εδώ - η δημιουργία ψεύτικων τρένων με ακίδες που μοιάζουν σαν να προέρχονται από αυτό το άτομο καθώς φαντάζονται να κάνουν διαφορετικές κινήσεις, και στη συνέχεια χρησιμοποιώντας αυτά τα δεδομένα για να βοηθήσουν στη μάθηση στο επόμενο άτομο", είπε ο Itti.

Αυτές οι νέες εξελίξεις με συνθετικά δεδομένα που δημιουργούνται από το GAN θα μπορούσαν επίσης να οδηγήσουν σε ανακαλύψεις σε άλλους τομείς του τομέα.

«Όταν μια εταιρεία είναι έτοιμη να ξεκινήσει την εμπορευματοποίηση ενός ρομποτικού σκελετού, ενός ρομποτικού βραχίονα ή ενός συστήματος σύνθεσης ομιλίας, θα πρέπει να εξετάσει αυτή τη μέθοδο, γιατί μπορεί να τη βοηθήσει στην επιτάχυνση της εκπαίδευσης και της επανεκπαίδευσης», είπε ο Itti. "Όσο για τη χρήση του GAN για τη βελτίωση των διεπαφών εγκεφάλου-υπολογιστή, νομίζω ότι αυτό είναι μόνο η αρχή."