Investigadores utilizan redes adversarias generativas para mejorar las interfaces cerebro-ordenador

Los investigadores de la Universidad del Sur de California (USC) Viterbi School of Engineering están utilizando redes adversarias generativas (GANs) para mejorar las interfaces cerebro-ordenador (BCIs) para personas con discapacidades.

Las GANs también se utilizan para crear videos deepfake y caras humanas fotorealistas.

El artículo de investigación se publicó en Nature Biomedical Engineering.

El poder de las BCIs

El equipo pudo enseñar a una IA a generar datos sintéticos de actividad cerebral a través de este enfoque. Esos datos están en forma de señales neuronales llamadas trenes de picos, que se pueden alimentar a algoritmos de aprendizaje automático para mejorar las BCIs entre aquellos con discapacidades.

Las BCIs analizan las señales cerebrales de un individuo antes de traducir la actividad neuronal en comandos, lo que permite al usuario controlar dispositivos digitales solo con sus pensamientos. Estos dispositivos, que pueden incluir cosas como cursores de computadora, pueden mejorar la calidad de vida de los pacientes que sufren de disfunción motora o parálisis. También pueden beneficiar a las personas con síndrome de encierro, que ocurre cuando la persona no puede moverse o comunicarse a pesar de estar completamente consciente.

Hay muchos tipos diferentes de BCIs ya en el mercado, como aquellos que miden las señales cerebrales y dispositivos que se implantan en los tejidos cerebrales. La tecnología está mejorando constantemente y se está aplicando de nuevas maneras, incluyendo la neurorehabilitación y el tratamiento de la depresión. Sin embargo, todavía es difícil hacer que los sistemas sean lo suficientemente rápidos como para funcionar de manera eficiente en el mundo real.

Las BCIs requieren cantidades masivas de datos neuronales y períodos de entrenamiento largos, calibraciones y aprendizaje para comprender sus entradas.

Laurent Itti es un profesor de ciencias de la computación y coautor del estudio de investigación.

“Obtener suficientes datos para los algoritmos que alimentan las BCIs puede ser difícil, costoso o incluso imposible si las personas paralizadas no pueden producir señales cerebrales lo suficientemente robustas”, dijo Itti.

La tecnología es específica del usuario, lo que significa que debe ser entrenada para cada individuo.

Redes adversarias generativas

Las GANs pueden mejorar todo este proceso ya que son capaces de crear una cantidad ilimitada de nuevas imágenes similares a través de un proceso de prueba y error.

Shixian Wen, un estudiante de doctorado asesorado por Itti y autor principal del estudio, decidió examinar las GANs y la posibilidad de que puedan crear datos de entrenamiento para BCIs generando datos neurológicos sintéticos que son indistinguibles de los reales.

El equipo llevó a cabo un experimento en el que entrenaron un sintetizador de aprendizaje profundo de picos con una sesión de datos registrados de un mono que alcanzaba un objeto. Luego utilizaron un sintetizador para generar una gran cantidad de datos neurológicos sintéticos similares pero falsos.

Los datos sintetizados se combinaron con pequeñas cantidades de nuevos datos reales para entrenar una BCI. Con este enfoque, el sistema pudo ponerse en marcha mucho más rápido que los métodos actuales. Más específicamente, los datos neurológicos sintetizados por GAN mejoraron la velocidad de entrenamiento general de las BCIs hasta 20 veces.

“Menos de un minuto de datos reales combinados con los datos sintéticos funciona tan bien como 20 minutos de datos reales”, dijo Wen.

“Es la primera vez que vemos a una IA generar la receta para el pensamiento o el movimiento a través de la creación de trenes de picos sintéticos. Esta investigación es un paso crítico hacia hacer que las BCIs sean más adecuadas para su uso en el mundo real”.

Después de las primeras sesiones experimentales, el sistema pudo adaptarse a nuevas sesiones con cantidades limitadas de datos neurológicos adicionales.

“Esa es la gran innovación aquí: crear trenes de picos falsos que parecen venir de esta persona mientras imagina hacer diferentes movimientos, y luego también utilizar estos datos para ayudar con el aprendizaje en la próxima persona”, dijo Itti.

Estos nuevos desarrollos con datos sintéticos generados por GAN también podrían llevar a avances en otras áreas del campo.

“Cuando una empresa esté lista para comenzar a comercializar un esqueleto robótico, un brazo robótico o un sistema de síntesis de voz, deberían considerar este método, porque podría ayudarles a acelerar el entrenamiento y el retramiento”, dijo Itti. “En cuanto a utilizar GAN para mejorar las interfaces cerebro-ordenador, creo que esto es solo el comienzo”.