Älyvoiman läpimurto parantaa aivo-kone rajapintoja monimutkaisten aivosignaalejen avulla

Chiban yliopiston tutkijat Japanissa ovat kehittäneet uuden tekoälykehysrakenteen, joka pystyy dekoodaamaan monimutkaisia aivotoimintoja merkittävästi parannetulla tarkkuudella, mikä on tärkeä askel kohti luotettavampia aivo-kone rajapintoja (BCI). Läpimurto voi auttaa kiihdyttämään avustavien teknologioiden kehittämistä, jotka sallivat ihmisille neurologisilla oireilla ohjata laitteita, kuten proteeseja, pyörätuoleja ja kuntoutusrobottien avulla ajatuksillaan.

Tutkimus, jota johtavat tohtorikoulutettava Chaowen Shen ja professori Akio Namiki Chiban yliopiston insinööritieteellisessä tiedekunnassa, esittelee uuden syväoppimisarkkitehtuurin, joka tunnetaan nimellä Embedding-Driven Graph Convolutional Network (EDGCN). Järjestelmä on suunniteltu tulkitsemaan monimutkaisia sähköisiä signaaleja, jotka syntyvät aivossa, kun henkilö kuvittelee liikettä – prosessi, jota kutsutaan motorisen kuvittelun prosessiksi.

Aivo-kone rajapinnat ja motorinen kuvittelu

Aivo-kone rajapinnat pyrkivät luomaan vaikutuskanavan ihmisaivojen ja ulkoisten laitteiden välille. Sen sijaan, että riippuisivat lihasliikkeestä, BCI:t tulkitsevat hermoimpulsseja ja muuttavat ne digitaalijärjestelmien tai fyysisten laitteiden käskyiksi.

Yksi laajimmin tutkituista lähestymistavoista BCI-tutkimuksessa on motorinen kuvittelu sähköenkefalografiassa (MI-EEG). Nämä järjestelmät pyytävät käyttäjiä kuvittelemaan liikkeitä – kuten käsien nostamista, esineiden tarttumista tai kävelemistä. Vaikka fyysistä liikettä ei tapahdu, aivot tuottavat ominaisia sähköisiä aktiivisuusmalleja, jotka liittyvät kuviteltuun liikkeeseen.

Nämä signaalit voidaan kaapata sähköenkefalografialla (EEG), joka on ei-invasiivinen menetelmä, joka tallentaa aivotoimintaa kalloa peittävien elektrodejen avulla. EEG tarjoaa monikanavaista aikasarjadataa, joka edustaa hermoaktiivisuutta eri aivoalueilla.

Signaaleiden tarkan dekoodauksen mahdollistaminen sallii tietokoneiden kääntää hermoaktiivisuutta toimiviksi käskyiksi. Käytännössä tämä voisi sallia henkilöille, joilla on halvaus tai vakava lihasheikkous, ohjata avustavia teknologioita yksinkertaisesti kuvittelemalla liikkeitä.

Kuitenkaan dekoodaaminen on yksi vaikeimmista haasteista neuroteknologian kehittämisessä.

Miksi aivosignaalit ovat vaikeita dekoodata

Pääasiallinen este aivo-kone rajapinnan kehittämisessä on EEG-signaaleiden sisäänrakennettu monimutkaisuus.

Motorisen kuvittelun signaalit näyttävät korkeaa paikallista ja aikasarjamuuttujaisuutta, mikä tarkoittaa, että ne vaihtelevat sekä eri aivoalueilla että ajassa. Ne myös eroavat laajasti yksilöiden välillä ja jopa saman henkilön eri istuntojen välillä.

Perinteiset koneoppimismallit usein kamppailevat näiden muutosten kanssa. Monet olemassa olevat järjestelmät riippuvat ennalta määritetyistä graafirakenteista tai kiinteistä parametreista, jotka oletetaan aivojen signaaleiden käyttäytyvän johdonmukaisesti. Todellisuudessa hermoimpulssit ovat paljon dynaamisempia ja heterogeenisempiä.

Aikaisemmat menetelmät käyttivät usein tekniikoita, kuten yleisen tilan analyysiä tai perinteisiä konvoluutioneuroverkkoja, joilla voitiin erottaa joitakin malleja hermoaktiivisuudesta. Vaikka nämä lähestymistavat voivat tunnistaa joitakin malleja, ne usein epäonnistuvat dekoodauksessa syvempien vuorovaikutusten tai ajan myötä kehittyvien mallien osalta.

Tämän seurauksena monet BCI-järjestelmät vaativat laajaa kalibrointia ja koulutusta ennen kuin ne voivat toimia tehokkaasti yksittäisten käyttäjien kanssa.

Uusi lähestymistapa: Upotusohjatut graafiset konvoluutioverkkorakenteet

Chiban yliopiston tutkimusryhmä ratkaisi nämä haasteet kehittämällä uuden syväoppimiskehysrakenteen, joka on suunniteltu paremmin havainnoimaan aivotoiminnan monimutkaisuutta.

Heidän ratkaisunsa – Embedding-Driven Graph Convolutional Network (EDGCN) – yhdistää useita edistyneitä tekniikoita mallintamaan samanaikaisesti EEG-signaaleiden paikallista ja aikasarjarakennetta.

Järjestelmän ytimessä on upotusohjattu yhdistämismekanismi, joka sallii järjestelmän dynaamisesti generoida parametreja, joita käytetään aivosignaaleiden dekoodaukseen. Sen sijaan, että riippuisi kiinteistä arkkitehtuureista, EDGCN sopeuttaa sisäisen edustuksensa paremmin havainnoimaan muutoksia yksilöiden välillä ja ajassa.

Arkkitehtuuri integroi useita erikoistuneita komponentteja:

Moniresoluutioinen aikasarja-upotus (MRTE)

Tämä moduuli analysoi EEG-signaaleja eri aikaskaaloissa. Koska hermoimpulssit kehittyvät nopeasti, tärkeää tietoa voi esiintyä eri aikaresoluutioissa. MRTE erottaa piirteitä moniresoluutioisista spektrinäkymistä, jolloin järjestelmä voi tunnistaa merkityksellisen hermoaktiivisuuden, jota muuten voisi jättää huomiotta.

Rakenteen tunnistava paikallinen upotus (SASE)

Hermoimpulssit eivät ole erillisiä; eri aivoalueet vuorovaikuttavat jatkuvasti. SASE-mekanismi mallintaa näitä vuorovaikutuksia sisällyttämällä sekä paikalliset että globaalit yhteydenpitostruktuurit EEG-elektrodeja. Tämä mahdollistaa AI:lle edustaa aivoja verkostona erillisten signaalikanavien sijaan.

Heterogeenisuuden tunnistava parametrin generointi

Yksi EDGCN-kehyksen innovatiivisimmista piirteistä on sen kyky dynaamisesti generoida graafikonvoluutio-parametreja upotusohjatusta parametripankista. Tämä mahdollistaa mallille sopeutua kunkin aivotoiminnan yksilöllisiin ominaisuuksiin.

Tukeakseen tätä prosessia tutkijat käyttivät Chebyshev-graafikonvoluutiota, tekniikkaa, joka mallintaa tehokkaasti suhteita monimutkaisissa verkostoissa.

Ortogonaalisuuden rajoitukset ytimissä

Järjestelmän luotettavuuden parantamiseksi malli esittelee ortogonaalisuuden rajoitukset konvoluutioytimissä. Tämä rohkaisee oppimismallin oppimaan monipuolisempia piirteitä ja vähentää tarpeettomia toistoja, jolloin järjestelmä voi erottaa rikkaammat edustukset EEG-signaaleista.

Nämä komponentit yhdessä sallivat EDGCN:lle havainnoida sekä paikallisia hermoaktiivisuusmalleja että laajamittaisia vuorovaikutuksia aivoalueiden välillä, mikä johtaa tarkempiin motorisen kuvittelun signaaleiden dekoodauksiin.

Suorituskykytulokset

Tutkijat testasivat EDGCN:ää laajalti käytetyillä vertailudatakokoelmilla BCI-kilpailusta IV, jotka ovat standardoituneita arviointidatakokoelmia aivo-kone rajapinnan tutkimuksessa.

Malli saavutti:

• 90,14 %:n luokittelutarkkuuden BCIC-IV-2b-datasetissä
• 86,50 %:n luokittelutarkkuuden BCIC-IV-2a-datasetissä

Nämä tulokset ylittävät useita olemassa olevia huipputason dekoodausmenetelmiä ja osoittavat vahvan yleistettävyyden eri yksilöiden välillä.

Tärkeää on, että järjestelmä myös osoitti parantunutta sopeutumiskykyä, kun sitä sovellettiin eri yksilöiden välisiin tilanteisiin, mikä on avainvaatimus käytännön BCI-käytössä. Monet olemassa olevat mallit toimivat hyvin yhdelle koulutetulle käyttäjälle, mutta epäonnistuvat, kun ne sovelletaan uusiin yksilöihin. EDGCN:n upotusohjattu arkkitehtuuri auttaa ylittämään tämän rajoituksen mallintamalla yksilöllistä muutosta paremmin.

Merkitsevyydet kuntoutumiselle ja avustavalle teknologialle

Aivosignaaleiden dekoodauksen parantaminen voi olla merkittävää avustaville teknologioille.

Motorisen kuvittelun perusteella olevat BCI:t ovat jo tutkittu sovelluksissa, kuten:

• Ajatuksin ohjattavat pyörätuolit
• Hermostolliset proteesit
• Robotiikkakuntoutuslaitteet
• Viestintäjärjestelmät halvaantuneille potilaille

Dekoodausvirheen parantaminen voi tehdä näistä teknologioista merkittävästi luotettavampia ja helpompia käyttää.

Tutkijat uskovat, että järjestelmät kuten EDGCN voivat auttaa potilaita, joilla on oireita, kuten:

• Aivoinfarkti
• Selkäydinvammat
• Amyotrofinen lateraalisclerosis (ALS)
• Muut hermo-lihasvaivat

Luotettavamman signaalin tulkitseminen voi mahdollistaa potilaiden ohjata neurorehabilitaatiolaitteita yksinkertaisesti kuvittelemalla liikkeitä, mahdollistaen luonnollisemman vuorovaikutuksen avustavien järjestelmien kanssa.

Professori Namikin mukaan motorisen kuvittelun signaaleiden dekoodaus ei ole pelkästään tekninen haaste, vaan myös mahdollisuus ymmärtää paremmin, miten aivot järjestävät liikettä ja hermostollista yhteyttä.

Kuluttajaluokan aivo-kone rajapintojen suuntaan

Vaikka BCI-järjestelmiä on tutkittu jo vuosikymmeniä, useimmat aivo-kone rajapintajärjestelmät ovat edelleen laboratorioissa tai erikoistuneissa kliinisissä ympäristöissä. Luotettavuus, sopeutuvuus ja helppokäyttöisyys ovat edelleen merkittäviä esteitä laajemmalle hyväksynnälle.

EDGCN-kaltaiset edistysaskeleet voivat auttaa BCI-järjestelmiä lähemmäs kuluttajaluokan neuroteknologiaa.

Järjestelmän kyvyn parantaminen dekoodata heterogeenisiä aivosignaaleja vähentää tarvetta laajalle kalibroinnille ja asiantuntijoiden säätölle. Tämä on kriittinen askel kohti BCI-järjestelmien käytön helpottamiseksi tutkimusympäristön ulkopuolella.

Tulevaisuuden tutkimus keskittynee todennäköisesti integroimaan tällaisia tekoälymalleja kannettaviin EEG-järjestelmiin ja liikkuviin laitteisiin. Yhdistettynä parannuksiin anturiteknologiassa ja laskentatehossa nämä järjestelmät voivat mahdollistaa helpommin saatavissa olevat ja skaalautuvat aivo-kone rajapinnat.

Askelta kohti syvempää ihmisen ja koneen integraatiota

EDGCN:n kehittäminen heijastaa laajempaa suuntausta tekoälyssä ja neurotieteessä: kasvavaa graafipohjaisia neuroverkkoja biologisten järjestelmien mallintamiseen.

Koska aivot itse toimivat monimutkaisena verkostona toisiinsa kytkettyjen alueiden kanssa, graafiset neuroverkot tarjoavat luonnollisen tavan edustaa sen rakennetta ja dynamiikkaa. Kun nämä tekoälymallit tulevat yhä sofistikoituneemmiksi, ne voivat avata syvemmän ymmärryksen hermoaktiivisuudesta ja kognitiosta.

Lopulta aivosignaaleiden dekoodauksen parantaminen voi avata tien uuden sukupolven teknologioille, jotka sallivat ihmisille vuorovaikuttaa koneiden kanssa helpommin kuin koskaan aiemmin.

Jos edistys jatkuu nykyisellä tahdilla, aivo-kone rajapinnat voivat pian siirtyä kokeellisista tutkimustyökaluista arkipäivän avustaviksi teknologioiksi, jotka voivat palauttaa itsenäisyyden ja liikkuvuuden miljoonille maailmanlaajuisesti.