Ερευνητές Χρησιμοποιούν Γενετικές Αντιπαλικές Δίκτυα για τη Βελτίωση των Διεπαφών Εγκεφάλου-Υπολογιστή

Οι ερευνητές στο Πανεπιστήμιο της Νότιας Καλιφόρνιας (USC) Viterbi Σχολή Μηχανικής χρησιμοποιούν γενετικές αντιπαλικές δίκτυα (GANs) για τη βελτίωση των διεπαφών εγκεφάλου-υπολογιστή (BCIs) για άτομα με αναπηρίες.

Τα GANs χρησιμοποιούνται επίσης για τη δημιουργία βίντεο deepfake και φωτογραφιών με φωτορεαλιστικά ανθρώπινα πρόσωπα.

Το ερευνητικό έγγραφο δημοσιεύθηκε στο Nature Biomedical Engineering.

Η Δύναμη των BCIs

Η ομάδα ήταν σε θέση να διδάξει ένα AI να γεννήσει συνθετική δραστηριότητα εγκεφάλου μέσω αυτής της προσέγγισης. Τα δεδομένα είναι στη μορφή νευρικών σημάτων που ονομάζονται σιδηροδρομικές γραμμές, τα οποία μπορούν να τροφοδοτηθούν σε αλγόριθμους μάθησης για τη βελτίωση των BCIs μεταξύ των ατόμων με αναπηρίες.

Οι BCIs αναλύουν τα σήματα εγκεφάλου ενός ατόμου πριν μεταφράσουν τη νευρική δραστηριότητα σε εντολές, οι οποίες επιτρέπουν στον χρήστη να ελέγχει ψηφιακές συσκευές μόνο 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 μοτορική δυσλειτουργία ή παράλυση. Μπορούν επίσης να ωφελήσουν άτομα με συνδρομή κλειδωμένου συνδρόμου, 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 σήματα εγκεφάλου και συσκευές που είναι εμφυτευμένες σε ιστία εγκεφάλου. Η τεχνολογία είναι συνεχώς βελτιωμένη 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 τεράστια ποσά νευρικών δεδομένων και μακράς διάρκειας περιόδων, βαθμολογήσεων 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 αλγόριθμους που ενεργοποιούν τις BCIs μπορεί να είναι δύσκολο, ακριβό ή ακόμη και αδύνατο αν τα παράλυτα άτομα δεν είναι σε θέση να παράγουν αρκετά ισχυρά σήματα εγκεφάλου», είπε ο Itti.

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

Γενετικές Αντιπαλικές Δίκτυα

Τα GANs μπορούν να βελτιώσουν这一όλη τη διαδικασία,既然 είναι ικανά να δημιουργήσουν ένα απεριόριστο ποσό νέων, παρόμοιων εικόνων, περνώντας από μια διαδικασία δοκιμής και σφάλματος.

Ο Shixian Wen, ένας φοιτητής διδακτορικού που συμβουλεύεται από τον Itti και ο κύριος συγγραφέας της μελέτης, αποφάσισε να εξετάσει τα GANs και τη δυνατότητα ότι θα μπορούσαν να δημιουργήσουν δεδομένα εκπαίδευσης για τις BCIs, γεννώντας συνθετικά νευρολογικά δεδομένα που είναι αδιάκριτα από το πραγματικό αντίστοιχο.

Η ομάδα πραγματοποίησε ένα πείραμα όπου εκπαίδευσαν einen βαθύ-μαθησιακό συνθετητή σπίκερ με μια συνεδρία δεδομένων που καταγράφηκε από μια μαϊμού που έφτανε σε ένα αντικείμενο. Στη συνέχεια, χρησιμοποιήθηκαν ένας συνθετητής για τη δημιουργία ενός μεγάλου ποσού παρόμοιων, αλλά ψευδών νευρικών δεδομένων.

Τα συνθετικά δεδομένα συνδυάστηκαν με μικρές ποσότητες νέων πραγματικών δεδομένων για την εκπαίδευση μιας BCI. Με αυτήν την προσέγγιση, το σύστημα ήταν σε θέση να ξεκινήσει και να λειτουργήσει πολύ γρηγορότερα από τις τρέχουσες μεθόδους. Πιο συγκεκριμένα, τα GAN-συνθετικά νευρικά δεδομένα βελτίωσαν την ταχύτητα εκπαίδευσης των BCIs συνολικά έως 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 έχουμε δει το AI να γεννά το συνταγολόγιο για τη σκέψη ή την κίνηση μέσω της δημιουργίας συνθετικών σπίκερ. Αυτή η έρευνα είναι ένα κρίσιμο βήμα προς τη направление των BCIs για πραγματική χρήση.»

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

«Αυτή είναι η μεγάλη καινοτομία εδώ — η δημιουργία ψευδών σπίκερ που φαίνονται ακριβώς όπως προέρχονται από αυτό το άτομο, καθώς φανταζόμαστε διαφορετικές κινήσεις, και στη συνέχεια χρησιμοποιώντας αυτά τα δεδομένα για να βοηθήσουμε με τη μάθηση για το επόμενο άτομο», είπε ο Itti.

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

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