Tutkijat käyttävät generatiivisia vastakkainasettelun verkkoja parantamaan aivokone-liittymiä

Etelä-Carolinan yliopiston (USC) Viterbi School of Engineering -tutkijat käyttävät generatiivisia vastakkainasettelun verkkoja (GAN) parantamaan aivokone-liittymiä (BCI) vammaisille henkilöille. 

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

Tutkimusartikkeli julkaistiin Nature Biomedical Engineering -julkaisussa. 

BCI:n voima

Tutkijaryhmä pystyi opettamaan tekoälyä luomaan synteettistä aivotoimintatietoa tämän lähestymistavan avulla. Tiedot ovat muodoltaan hermoimpulsseja, joita voidaan syöttää koneoppimisalgoritmeihin parantamaan BCI:ä vammaisilla henkilöillä. 

BCI:t analysoivat yksilön aivosignaaleja ennen kuin kääntävät hermoaktiivisuuden käskyiksi, mikä mahdollistaa käyttäjän ohjata digitaalisia laitteita vain ajatuksillaan. Nämä laitteet, jotka voivat käsittää esimerkiksi tietokoneen osoittimia, voivat parantaa elämänlaatua potilailla, joilla on lihasdysfunktio tai halvauksen seurauksena liikuntakyky on heikentynyt. Ne voivat myös hyödyttää yksilöitä, joilla on lukittu oireyhtymä, jossa henkilö ei pysty liikkumaan tai viestimään, vaikka on täysin tietoinen. 

Markkinoilla on jo useita erilaisia BCI-laitteita, kuten laitteita, jotka mitka 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. 

BCI:ille vaaditaan valtavat määrät hermoaineistoja ja pitkiä koulutusjaksoja, kalibrointeja ja oppimista ymmärtääkseen syötteitä. 

Laurent Itti on tietojenkäsittelytieteen professori ja tutkimuksen yhteiskirjoittaja. 

”Riittävän datan saaminen BCI:itä ohjaaville algoritmeille voi olla haasteellista, kallista tai jopa mahdotonta, jos halvaantuneet yksilöt eivät pysty tuottamaan tarpeeksi vahvoja aivosignaaleja”, Itti sanoi. 

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

Generatiiviset vastakkainasettelun verkkorakenteet

GAN:t 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 tarkastella GAN:ia ja mahdollisuutta, että ne voivat luoda koulutusdataa BCI:lle luomalla synteettistä neurologista dataa, joka on erottamaton oikeasta vastineestaan. 

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

Syntetisoitu data yhdistettiin pieniin määriin uutta oikeaa dataa kouluttamaan BCI:ä. Tällä lähestymistavalla järjestelmä pystyi käynnistymään paljon nopeammin kuin nykyiset menetelmät. Tarkemmin sanottuna GAN-syntetisoidun hermoaineiston paransi BCI:n koulutusnopeutta jopa 20-kertaisesti. 

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

”Se on ensimmäinen kerta, kun olemme nähneet tekoälyn luovan ajatuksen tai liikkeen reseptin synteettisten hermoimpulssien kautta. Tämä tutkimus on kriittinen askel kohti BCI:n tekemistä soveltuvammaksi todelliseen maailmaan.” 

Ensimmäisen kokeellisen istunnon jälkeen järjestelmä pystyi sopeutumaan uusiin istuntoihin rajoitetulla lisähermoaineistolla. 

”Se on suuri innovaatio tässä – luominen väärää hermoimpulssien, jotka näyttävät tulevan tästä henkilöstä, kun he kuvittelevat eri liikkeitä, ja myös käyttäminen tätä dataa oppimisen avuksi seuraavalle henkilölle”, Itti sanoi. 

Nämä uudet kehityssuunnat GAN:in avulla luodulla synteettisellä datalla voivat myös johtaa läpimurtoihin muilla aloilla. 

”Kun yritys on valmis aloittamaan robotti-runkojen, robotti-käsien tai puhesynteesijärjestelmien kaupallistamisen, heidän tulisi tarkastella tätä menetelmää, koska se voi auttaa heitä koulutuksen ja uudelleenkoulutuksen nopeuttamisessa”, Itti sanoi. ”Mitä tulee GAN:in käyttöön BCI:n parantamiseen, luulen, että tämä on vasta alku.”