Les chercheurs utilisent les réseaux antagonistes génératifs pour améliorer les interfaces cerveau-ordinateur

Les chercheurs de l’Université de Californie du Sud (USC) à l’école d’ingénierie Viterbi utilisent des réseaux antagonistes génératifs (GAN) pour améliorer les interfaces cerveau-ordinateur (BCI) pour les personnes handicapées. 

Les GAN sont également utilisés pour créer des vidéos et des visages humains photoréalistes. 

L’article de recherche a été publié dans Nature Biomedical Engineering. 

Le pouvoir des BCI

L’équipe a pu enseigner à un IA à générer des données d’activité cérébrale synthétiques grâce à cette approche. Ces données sont sous la forme de signaux neuronaux appelés trains de spikes, qui peuvent être alimentés dans des algorithmes d’apprentissage automatique pour améliorer les BCI chez les personnes handicapées. 

Les BCI analysent les signaux cérébraux d’un individu avant de traduire l’activité neuronale en commandes, ce qui permet à l’utilisateur de contrôler des appareils numériques avec ses seules pensées. Ces appareils, qui peuvent inclure des curseurs de souris, améliorent la qualité de vie des patients souffrant de dysfonctionnement moteur ou de paralysie. Ils peuvent également bénéficier aux personnes atteintes de syndrome de verrouillage, qui se produit lorsque la personne est incapable de bouger ou de communiquer malgré être pleinement consciente.

Il existe de nombreux types de BCI déjà sur le marché, tels que ceux qui mesurent les signaux cérébraux et les appareils implantés dans les tissus cérébraux. La technologie est constamment améliorée et appliquée de nouvelles manières, notamment dans la neurorééducation et le traitement de la dépression. Cependant, il est encore difficile de rendre les systèmes suffisamment rapides pour fonctionner efficacement dans le monde réel.

Les BCI nécessitent d’énormes quantités de données neuronales et de longues périodes de formation, de calibration et d’apprentissage pour comprendre leurs entrées.

Laurent Itti est un professeur de sciences informatiques et co-auteur de la recherche. 

« Obtenir suffisamment de données pour les algorithmes qui alimentent les BCI peut être difficile, coûteux ou même impossible si les personnes paralysées ne sont pas en mesure de produire des signaux cérébraux suffisamment robustes », a déclaré Itti. 

La technologie est spécifique à l’utilisateur, ce qui signifie qu’elle doit être formée pour chaque individu. 

Réseaux antagonistes génératifs

Les GAN peuvent améliorer tout ce processus puisqu’ils sont capables de créer une quantité illimitée de nouvelles images similaires en passant par un processus d’essais et d’erreurs.

Shixian Wen, un étudiant en doctorat conseillé par Itti et auteur principal de l’étude, a décidé d’examiner les GAN et la possibilité qu’ils puissent créer des données de formation pour les BCI en générant des données neurologiques synthétiques indiscernables de la contrepartie réelle. 

L’équipe a mené une expérience dans laquelle ils ont formé un synthétiseur de spikes d’apprentissage profond avec une session de données enregistrées à partir d’un singe atteignant un objet. Ils ont ensuite utilisé un synthétiseur pour générer une grande quantité de données neuronales synthétiques similaires mais fausses.

Les données synthétisées ont ensuite été combinées avec de petites quantités de nouvelles données réelles pour former un BCI. Avec cette approche, le système a pu démarrer et fonctionner beaucoup plus rapidement que les méthodes actuelles. Plus précisément, les données neuronales synthétisées par GAN ont amélioré la vitesse de formation globale des BCI de jusqu’à 20 fois.

« Moins d’une minute de données réelles combinées avec les données synthétiques fonctionne aussi bien que 20 minutes de données réelles », a déclaré Wen.

« C’est la première fois que nous voyons un IA générer la recette de la pensée ou du mouvement via la création de trains de spikes synthétiques. Cette recherche est une étape cruciale pour rendre les BCI plus adaptés à une utilisation dans le monde réel. » 

Après les premières sessions expérimentales, le système a pu s’adapter à de nouvelles sessions avec des données neuronales supplémentaires limitées.

« C’est l’innovation majeure ici – créer de fausses trains de spikes qui ressemblent exactement à ceux provenant de cette personne lorsqu’elle imagine faire différents mouvements, puis utiliser ces données pour aider à l’apprentissage de la personne suivante », a déclaré Itti.

Ces nouveaux développements avec des données synthétiques générées par GAN pourraient également conduire à des avancées dans d’autres domaines du domaine.

« Lorsqu’une entreprise est prête à commencer à commercialiser un squelette robotique, un bras robotique ou un système de synthèse vocale, elle devrait regarder cette méthode, car elle pourrait les aider à accélérer la formation et la rééducation », a déclaré Itti. « En ce qui concerne l’utilisation de GAN pour améliorer les interfaces cerveau-ordinateur, je pense que c’est seulement le début. »