Älykkään koneoppimisen läpimurto parantaa aivokone-liittymiä monimutkaisten aivosignaaleiden tunnistamalla

Tutkijat Chiban yliopistossa Japanissa ovat kehittäneet uuden tekoälykehysksen, joka pystyy tunnistamaan monimutkaisia aivotoimintoja merkittävästi parannetulla tarkkuudella, mikä on tärkeä askel luotettavampien aivokone-liittymien (BCI) kehittämiseksi. Tämä läpimurto voi auttaa kiihdyttämään avustavien teknologioiden kehittämistä, jotka sallivat ihmisille neurologisilla oireilla ohjata laitteita, kuten proteeseja, pyörätuoleja ja kuntoutusroboteja, ajatuksillaan.

Tutkimus, jota johti tohtorikoulutettava Chaowen Shen ja professori Akio Namiki Chiban yliopiston insinööritieteellisessä tiedekunnassa, esittää uuden syvän oppimisen arkkitehtuurin, jota kutsutaan Upotus-ohjatun graafinen konvoluutioverkon (EDGCN). Järjestelmä on suunniteltu tulkitsemaan monimutkaisia sähköisiä signaaleja, jotka syntyvät aivossa, kun henkilö kuvittelee liikkeitä – prosessi, jota kutsutaan motorinen kuvitteluelektroenkefalografi (MI-EEG)ksi.

Aivokone-liittymät ja motorinen kuvittelu

Aivokone-liittymät pyrkivät luomaan viestintäkanavan ihmisaivojen ja ulkoisten laitteiden välille. Sen sijaan, että riippuisivat lihasliikkeestä, BCI:t tulkitsevat hermosignaaleja ja muuttavat ne käskyiksi digitaalisille järjestelmille tai fyysisille laitteille.

Yksi laajimmin tutkittu lähestymistapa BCI-tutkimuksessa on motorinen kuvitteluelektroenkefalografi (MI-EEG). Nämä järjestelmät käyttäjät kuvittelevat liikkeitä – kuten käsien nostamista, esineiden tarttumista tai kävelemistä. Vaikka fyysistä liikettä ei tapahdu, aivot tuottavat ominaisia sähköisiä aktiivisuuden malleja, jotka liittyvät kuviteltuihin liikkeisiin.

Nämä signaalit voidaan kaapata elektroenkefalografi (EEG):n avulla, joka on ei-invasiivinen menetelmä, joka tallentaa aivotoimintaa kalloa peittävien elektrodejen avulla. EEG tarjoaa usean kanavan aikasarjadataa, joka edustaa hermostoaktiivisuutta eri aivoalueilla.

Signaaleiden tarkka tunnistaminen sallii tietokoneiden kääntää hermostoaktiivisuutta toimiviksi käskyiksi. Käytännössä tämä voisi sallia henkilöille, joilla on halvaus tai vakava lihasvammo, ohjata avustavia teknologioita yksinkertaisesti kuvittelemalla liikkeitä.

Kuitenkin, luotettavan dekoodauksen saavuttaminen MI-EEG-signaaleista on yksi vaikeimmista haasteista neuroteknologiassa.

Miksi aivosignaalit ovat vaikeita dekoodata

Pääasiallinen este aivokone-liittymän kehittämisessä on EEG-signaaleiden sisäänrakennettu monimutkaisuus.

Motorisen kuvittelun signaalit näyttävät korkeaa paikka- ja aikamuuttuvuutta, 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 aivosignaaleiden käyttäytyvän johdonmukaisissa malleissa. Todellisuudessa hermosignaalit ovat paljon dynaamisempia ja heterogeenisempia.

Aikaisemmat menetelmät käyttivät usein tekniikoita, kuten yleisen tilan analyysiä tai perinteisiä konvoluutio-neuroverkkoja, joilla pyrittiin erottamaan piirteitä EEG-signaaleista. Vaikka nämä lähestymistavat voivat tunnistaa joitakin malleja hermostoaktiivisuudessa, ne usein epäonnistuvat kaappaamasta syvempiä vuorovaikutuksia aivoalueiden välillä tai kehittyvien mallien aikasuhteita.

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

Uusi lähestymistapa: Upotus-ohjattu graafinen konvoluutioverkko

Chiban yliopiston tutkimusryhmä vastasi näihin haasteisiin kehittämällä uuden syvän oppimisen kehysksen, joka on suunniteltu paremmin kaappaamaan aivotoiminnan monimutkaisuutta.

Heidän ratkaisunsa – Upotus-ohjattu graafinen konvoluutioverkko (EDGCN) – yhdistää useita edistyneitä tekniikoita mallintamaan EEG-signaaleiden sekä paikallista että aikasuhteista rakennetta samanaikaisesti.

Järjestelmän ytimessä on upotus-ohjattu yhdistämismekanismi, joka sallii järjestelmän dynaamisesti generoida parametreja, joita käytetään aivosignaaleiden dekoodaukseen. Sen sijaan, että riippuisi kiinteistä arkkitehtuureista, EDGCN sopeuttaa sisäisen edustustansa paremmin kaappaamaan yksilöiden ja ajan vaihtelut.

Arkkitehtuuri integroi useita erikoistuneita komponentteja:

Moniresoluutioinen aikasuhteinen upotus (MRTE)

Tämä moduuli analysoi EEG-signaaleja eri aikaresoluutioilla. Koska hermosignaalit kehittyvät nopeasti, tärkeää tietoa voi esiintyä eri aikaresoluutioissa. MRTE erottaa piirteitä moniresoluutioisista voimakkuus-spektrin malleista, mikä sallii järjestelmän tunnistaa merkityksellistä hermostoaktiivisuutta, jota muuten voisi jäädyttää huomiotta.

Rakenteen tietoinen paikallinen upotus (SASE)

Hermosignaalit eivät ole erillisiä; eri aivoalueet vuorovaikuttavat jatkuvasti. SASE-mekanismi mallintaa näitä vuorovaikutuksia sisällyttämällä sekä paikallisen että globaalin yhteyden rakenteen EEG-elektrodeja. Tämä sallii tekoälylle edustaa aivoja verkostona itsenäisten signaali-kanavien sijaan.

Heterogeenisuuden tietoinen parametrin generointi

Yksi EDGCN-kehyskseen innovatiivisimmista puolista on sen kyky dynaamisesti generoida graafisen konvoluution parametreja upotus-ohjatusta parametripankista. Tämä sallii mallin sopeutua kunkin aivokuvitelman signaaleiden yksilöllisiin ominaisuuksiin.

Tukeakseen tätä prosessia tutkijat käyttivät Chebyshevin graafisen konvoluution, joka mallintaa tehokkaasti suhteita monimutkaisissa verkostoissa.

Ortogonaalisuuden rajoitettu ydin

Järjestelmän robustisuuden parantamiseksi malli esittää ortogonaalisuuden rajoitukset konvoluutio-ytimissä. Tämä kannustaa oppimismalleja oppimaan monipuolisempia piirteitä ja vähentää redundanssia, auttaen järjestelmää kaappaamaan rikkaammat edustukset EEG-signaaleista.

Nämä komponentit yhdessä sallivat EDGCN:lle kaappaamaan sekä paikalliset hermostoaktiivisuuden mallit että laajamittaiset vuorovaikutukset aivoalueiden välillä, johtaen tarkempiin motorisen kuvittelun signaaleiden dekoodauksiin.

Suorituskykytulokset

Tutkijat testasivat EDGCN:ää laajalti käytetyillä vertailudatakokoelmilla BCI-kilpailun IV:stä, jotka ovat standardit arviointidatakokoelmat aivokone-liittymän tutkimuksessa.

Malli saavutti:

• 90.14% luokittelutarkkuus BCIC-IV-2b-datakokoelmalla
• 86.50% luokittelutarkkuus BCIC-IV-2a-datakokoelmalla

Nämä tulokset ylittävät useita olemassa olevia valtavirtaista dekoodaustekniikoita ja osoittavat vahvan yleistettävyyden eri koehenkilöiden välillä.

Tärkeää on, että järjestelmä myös osoitti parantunutta sopeutumista, kun sitä sovellettiin eri koehenkilöiden välisiin tilanteisiin, mikä on avainvaatimus käytännön BCI-soveltamiselle. Monet olemassa olevat mallit toimivat hyvin yhdelle koulutetulle käyttäjälle, mutta epäonnistuvat, kun ne sovelletaan uusiin yksilöihin. EDGCN:n upotus-ohjattu arkkitehtuuri auttaa ylittämään tämän rajoituksen mallintamalla yksilöllisen vaihtelun paremmin.

Implikaatiot kuntoutus- ja avustavalle teknologialle

Aivosignaaleiden dekoodauksen parantaminen voi olla merkittävää avustavalle teknologialle.

Motorisen kuvittelun perusteella olevat BCI:t tutkitaan jo sovelluksissa, kuten:

• Ajatuksilla ohjattavat pyörätuolit
• Hermosto-proteesi
• Roboottiset kuntoutuslaitteet
• Viestintäjärjestelmät potilaille, joilla on halvaus

Dekoodauksen tarkkuuden 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 neuromuskulaariset häiriöt

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 vain tekninen haaste, vaan myös mahdollisuus ymmärtää paremmin, miten aivot järjestävät liikkeitä ja hermostoyhteyksiä.

Kuluttajaluokan aivokone-liittymien suuntaan

Vaikka aivokone-liittymien tutkimus on kestänyt vuosikymmeniä, useimmat BCI-järjestelmät ovat edelleen laboratorioissa tai erikoistuneissa kliinisissä ympäristöissä. Luotettavuus, sopeutuvuus ja helppokäyttöisyys ovat edelleen merkittäviä esteitä laajemmalle hyväksynnälle.

EDGCN-kalteiden kaltaiset edistysaskeleet voivat auttaa siirtämään BCI:t lähemmäs kuluttajaluokan neuroteknologiaa.

Järjestelmän kyky parantaa heterogeenisten aivosignaaleiden käsittelyä vähentää laajan kalibroinnin ja asiantuntijoiden säätämisen tarvetta. Tämä on kriittinen askel BCI-järjestelmien tekemiseksi käytettäviksi tutkimusympäristön ulkopuolella.

Tuleva tutkimus keskittynee todennäköisesti integroimaan näitä tekoälymalleja kannettaviin EEG-järjestelmiin ja wearable-laitteisiin. Yhdistettynä parannuksiin anturiteknologiassa ja laskentatehossa nämä järjestelmät voivat mahdollistaa helpommin saatavilla olevat ja skaalautuvat aivokone-liittymät.

Askel syvemmän ihmisen ja koneen integraation suuntaan

EDGCN:n kehittäminen heijastaa laajempaa suuntausta tekoälyssä ja neurotieteessä: graafipohjaisten neuroverkkojen kasvavaa käyttöä biologisten järjestelmien mallintamiseen.

Koska aivot itse toimivat monimutkaisena verkostona toisiinsa kytkettyjä alueita, graafiset neuroverkot tarjoavat luonnollisen tavan edustaa aivojen rakennetta ja dynamiikkaa. Kun nämä tekoälymallit kehittyvät monimutkaisemmiksi, ne voivat avata syvemmän ymmärryksen hermostoaktiivisuudesta ja kognitiosta.

Lopulta, aivosignaaleiden dekoodauksen parantaminen voi avaata tien uudelle sukupolvelle teknologioita, jotka sallivat ihmisille vuorovaikuttaa koneiden kanssa sulavammin kuin koskaan aiemmin.

jos edistys askelten tahtiin jatkuu, aivokone-liittymät voivat pian siirtyä kokeellisista tutkimustyökaluista jokapäiväisiksi avustaviksi teknologioiksi, jotka voivat palauttaa itsenäisyyden ja liikkuvuuden miljoonille maailmanlaajuisesti.