Tutkijat käyttävät generatiivisia vastakkainverkkoja parantamaan aivokone-liittymiä

Etelä-Kalifornian yliopiston (USC) Viterbi School of Engineering -tutkijat käyttävät generatiivisia vastakkainverkkoja (GAN) parantamaan aivokone-liittymiä (BCI) vammaisten henkilöiden avuksi.

GAN:ia käytetään myös syvänvaltaisten videoiden ja fotorealististen ihmiskasvojen luomiseen.

Tutkimusartikkeli julkaistiin Nature Biomedical Engineering -julkaisussa.

Aivokone-liittymien voima

Tutkijaryhmä pystyi opettamaan tekoälyä luomaan synteettistä aivotoimintatietoa tämän lähestymistavan avulla. Tiedot ovat muodoltaan hermoimpulsseja, joita voidaan syöttää koneoppimisalgoritmeihin parantamaan aivokone-liittymiä vammaisten henkilöiden avuksi.

Aivokone-liittymät analysoivat yksilön aivosignaaleja ennen kuin kääntävät hermoaktiivisuuden käskyiksi, mikä mahdollistaa käyttäjän ohjata digitaalisia laitteita vain ajatuksillaan. Nämä laitteet, jotka voivat sisältää esimerkiksi tietokoneen osoittimen, voivat parantaa elämänlaatua potilailla, jotka kärsivät lihasdysfunktiosta tai halvauksesta. Ne voivat myös hyödyttää yksilöitä, joilla on lukittu oireyhtymä, joka ilmenee, kun henkilö ei pysty liikkuun tai viestimään, vaikka on täysin tietoinen.

Markkinoilla on jo useita erilaisia aivokone-liittymiä, kuten laitteita, jotka mitovat aivosignaaleja, ja laitteita, jotka asennetaan aivokudoksiin. Teknologia kehittyy jatkuvasti ja sovelletaan uusilla tavoilla, mukaan lukien neurorehabilitaatio ja masennuksen hoito. Se on kuitenkin edelleen haasteellista tehdä järjestelmistä tarpeeksi nopeita toimimaan tehokkaasti todellisessa maailmassa.

Aivokone-liittymien tarvitsevat valtavat määrät hermoaineistoa ja pitkiä koulutusjaksoja, kalibrointeja ja oppimista ymmärtääkseen syötteitä.

Laurent Itti on tietojenkäsittelytieteen professori ja tutkimuksen yhteiskirjoittaja.

”Riittävän aineiston saaminen algoritmeille, jotka ohjaavat aivokone-liittymiä, voi olla vaikeaa, kallista tai jopa mahdotonta, jos halvaantuneet henkilöt eivät pysty tuottamaan riittävän voimakkaita aivosignaaleja”, Itti sanoi.

Teknologia on käyttäjäkohtainen, mikä tarkoittaa, että se on koulutettava kullekin yksilölle.

Generatiiviset vastakkainverkot

GAN:it voivat parantaa koko prosessia, koska ne pystyvät luomaan rajattoman määrän uusia, samankaltaisia kuvia kokeilemalla ja virheiden kautta.

Shixian Wen, joka on Ittin ohjaama tohtorikoulutettava ja tutkimuksen pääkirjoittaja, päätti tutkia GAN:eja ja mahdollisuutta, että ne voivat luoda koulutusaineistoa aivokone-liittymille luomalla synteettistä neurologista aineistoa, joka on erottamaton oikeasta vastineestaan.

Tutkijaryhmä suoritti kokeen, jossa he kouluttivat syvänoppimisalgoritmin yhden istunnon aineistolla, joka oli tallennettu apinasta, joka ojensi esineen. Sitten he käyttivät syntetisoijaa luomaan suuren määrän samankaltaista, mutta väärää hermoaineistoa.

Syntetisoitu aineisto yhdistettiin pienen määrän uutta oikeaa aineistoa, jotta voidaan kouluttaa aivokone-liittymä. Tällä lähestymistavalla järjestelmä pystyi käynnistymään paljon nopeammin kuin nykyiset menetelmät. Tarkemmin sanottuna GAN:ien luoma hermoaineisto paransi aivokone-liittymien koulutusnopeutta jopa 20-kertaisesti.

”Alle minuutin verran oikeaa aineistoa yhdistettynä synteettiseen aineistoon toimii yhtä hyvin kuin 20 minuutin verran oikeaa aineistoa”, Wen sanoi.

”Tämä on ensimmäinen kerta, kun olemme nähneet tekoälyn luovan ajatuksen tai liikkeen reseptin synteettisten hermoimpulssien luomisen kautta. Tämä tutkimus on kriittinen askel aivokone-liittymien tekemiseksi sovellettaviksi todelliseen maailmaan.”

Ensimmäisen kokeellisen istunnon jälkeen järjestelmä pystyi sopeutumaan uusiin istuntoihin vain vähäisen määrän uutta hermoaineistoa käyttämällä.

”Tämä on suuri innovaatio tässä – luomalla väärää hermoimpulssia, joka näyttää tulevan tästä henkilöstä, kun he kuvittelevat eri liikkeitä, ja käyttämällä tätä aineistoa myös seuraavan henkilön oppimisen tukemiseen”, Itti sanoi.

Nämä uudet kehityssuunnat GAN:ien luoman synteettisen aineiston kanssa voivat myös johtaa läpimurtoihin muilla aloilla.

”Kun yritys on valmis aloittamaan robotti-runko-, robotti-käsi- tai puhesynteesijärjestelmän kaupallistamisen, heidän tulisi tarkastella tätä menetelmää, koska se voi auttaa heitä koulutuksen ja uudelleenkoulutuksen nopeuttamisessa”, Itti sanoi. ”GAN:n käytöstä aivokone-liittymien parantamiseen luulen, että tämä on vasta alku.”