פריצת דרך באינטליגנציה מלאכותית משפרת ממשקי מוח-מחשב על ידי פענוח אותות מוח מורכבים

חוקרים באוניברסיטת צ’יבה ביפן פיתחו מסגרת אינטליגנציה מלאכותית חדשה המסוגלת לפענח פעילות מוח מורכבת עם דיוק משמעותית, ומסמנת צעד חשוב לעבר ממשקי מוח-מחשב (BCIs) אמינים יותר. הפריצה יכולה לעזור לאיצור התפתחותן של טכנולוגיות עזר המאפשרות לאנשים עם מצבים נוירולוגיים לשלוט בהתקנים כגון גפיים תותבות, כיסאות גלגלים ורובוטים לשיקום באמצעות מחשבותיהם.

המחקר, בראשותו של סטודנט לדוקטורט צ’אובן שן ופרופסור אקיו נאמיקי בבית הספר להנדסה באוניברסיטת צ’יבה, מציג ארכיטקטורת למידה עמוקה חדשה הידועה בשם Embedding-Driven Graph Convolutional Network (EDGCN). המערכת תוכננה לפרש את האותות החשמליים המורכבים הנוצרים במוח כאשר אדם מדמיין תנועת גפיים – תהליך הידוע בשם דמיון מוטורי.

ממשקי מוח-מחשב ודמיון מוטורי

ממשקי מוח-מחשב מטרתם ליצור ערוץ תקשורת בין המוח האנושי למכונות חיצוניות. במקום להסתמר על תנועת שריר, ממשקי מוח-מחשב מפרשים אותות עצביים וממירים אותם לפקודות עבור מערכות דיגיטליות או התקנים פיזיים.

אחת הגישות הנחקרות ביותר במחקר ממשקי מוח-מחשב היא אלקטרואנצפלוגרפיה של דמיון מוטורי (MI-EEG). במערכות אלו, משתמשים מדמיינים ביצוע תנועות – כגון הרמת יד, אחיזת אובייקט או הליכה. אף על פי שאין תנועה פיזית, המוח יוצר דפוסים ייחודיים של פעילות חשמלית הקשורים לתנועה המדומיינת.

אותות אלו יכולים להירשם באמצעות אלקטרואנצפלוגרפיה (EEG), טכניקה בלתי פולשנית הרושמת פעילות מוחית דרך אלקטרודות המוצמדות לקרקפת. EEG מספקת נתונים זמניים רב-ערוציים המייצגים פעילות עצבית באזורים שונים של המוח.

פענוח אותות אלו בדיוק מאפשר למחשבים לתרגם פעילות עצבית לפקודות מבצעות. בפועל, זה יכול לאפשר לאנשים עם שיתוק או לקות מוטורית קשה לשלוט בטכנולוגיות עזר פשוט על ידי דמיון תנועות.

הואיל והגעה לפענוח אמין של אותות MI-EEG נותר אחד האתגרים הקשים ביותר בנוירוטכנולוגיה.

למה אותות מוח קשים לפענוח

המכשול העיקרי בפיתוח ממשקי מוח-מחשב טמון במורכבות הטבעית של אותות EEG.

אותות דמיון מוטוריים מציגים שונות זמנית-מרחבית גבוהה, כלומר הם משתנים הן בין אזורים שונים של המוח והן במהלך הזמן. הם גם משתנים באופן ניכר בין אנשים שונים ואפילו באותו אדם מפגישה לפגישה.

מודלים של למידת מכונה מסורתיים רבים מתקשים עם השינויים האלו. רבים מהמערכות הקיימות מסתמכות על מבנה גרף מוגדר מראש או פרמטרים קבועים המניחים שאותות מוח מתנהגים בדפוסים עקביים. במציאות, אותות עצביים הרבה יותר דינאמיים והטרוגניים.

שיטות קודמות רבות השתמשו בטכניקות כגון ניתוח דפוס מרחבי נפוץ או רשתות עצביות קונבולוציוניות מסורתיות כדי לחלץ מאפיינים מאותות EEG. בעוד שגישות אלו יכולות לזהות חלק מהדפוסים בפעילות עצבית, הן לעיתים קרובות נכשלות בלכידת אינטראקציות עמוקות יותר בין אזורי מוח או דפוסים משתנים בזמן.

בעקבות כך, רבים ממערכות ממשקי מוח-מחשב דורשות כיום ארוך של כיול ואימון לפני שהן יכולות לפעול ביעילות עבור משתמשים פרטניים.

גישה חדשה: Embedding-Driven Graph Convolutional Networks

צוות המחקר באוניברסיטת צ’יבה פתר אתגרים אלו על ידי פיתוח מסגרת למידה עמוקה חדשה שתוכננה לתפוס טוב יותר את המורכבות של פעילות מוח.

פתרונם – Embedding-Driven Graph Convolutional Network (EDGCN) – משלב מספר טכניקות מתקדמות כדי לדמות את המבנה המרחבי והזמני של אותות EEG בו-זמנית.

בליבת המסגרת נמצא מנגנון ערבוב מונחה-שבירה המאפשר למערכת ליצור דינאמית פרמטרים המשמשים לפענוח אותות מוח. במקום להסתמר על ארכיטקטורות קבועות, EDGCN מותאמת את ייצוגה הפנימי כדי לתפוס טוב יותר את השינויים בין נושאים ובמהלך הזמן.

הארכיטקטורה משלבת מספר רכיבים מיוחדים:

שבירת זמן רב-רזולוציה (MRTE)

מודול זה מנתח אותות EEG בקנה מידה זמני שונה. מאחר שאותות עצביים משתנים במהירות, מידע חשוב עשוי להופיע ברזולוציות זמניות שונות. MRTE מחלץ מאפיינים מדפוסים ספקטרליים רב-רזולוציה, מה שמאפשר למערכת לזהות פעילות עצבית משמעותית שאחרת הייתה עלולה להימחק.

שבירת מרחב-מודעת מבנה (SASE)

אותות מוח אינם בודדים; אזורים שונים של המוח מתקשרים ברציפות. מנגנון SASE מודל את האינטראקציות האלו על ידי שילוב מבנים קונקטיביים מקומיים וגלובליים בין אלקטרודות EEG. זה מאפשר לאינטליגנציה המלאכותית לייצג את המוח כרשת ולא כערוצי אותות עצמאיים.

יצירת פרמטרים מודעת הטרוגניות

אחד היסודות החדשניים ביותר של מסגרת EDGCN הוא יכולתה ליצור דינאמית פרמטרים גרפיים מתוך בנק פרמטרים מונחה-שבירה. זה מאפשר למודל להסתגל לאפיונים הייחודיים של אותות מוח כל אדם.

כדי לתמוך בתהליך זה, החוקרים השתמשו בקונבולוציה גרפית של Chebyshev, טכניקה המדמה ביעילות יחסים בתוך רשתות מורכבות.

גרעינים הכפופים לאורתוגונליות

כדי לשפר עוד יותר את העמידות, המודל מציג את הגבלות האורתוגונליות בתוך גרעיני הקונבולוציה. זה מעודד מגוון במאפיינים הנלמדים ומקטין רדונדנטיות, מה שעוזר למערכת לחלץ ייצוגים עשירים יותר מאותות EEG.

ביחד, רכיבים אלו מאפשרים ל-EDGCN לתפוס הן דפוסים מקומיים של פעילות עצבית והן אינטראקציות בקנה מידה גדול בין אזורי מוח, מה שמוביל לפענוח מדויק יותר של אותות דמיון מוטורי.

תוצאות ביצועים

החוקרים בדקו את EDGCN באמצעות מאגרי נתונים בני-סטנדרט מתחרות BCI הרביעית, הם מאגרי הנתונים הסטנדרטיים בתחום מחקר ממשקי מוח-מחשב.

המודל השיג:

• 90.14% דיוק סיווג על מאגר הנתונים BCIC-IV-2b
• 86.50% דיוק סיווג על מאגר הנתונים BCIC-IV-2a

תוצאות אלו עולות על שיטות פענוח מתקדמות קיימות רבות ומדגימות התאמה חזקה לאורך נושאים שונים.

בנוסף, המערכת הראתה גם עמידות משופרת כאשר הוחלה על תרחישים של נושאים שונים, דרישה מרכזית ליישום מעשי של ממשקי מוח-מחשב. רבים מהמודלים הקיימים מבצעים היטב עבור משתמש אחד שאומנו אך נכשלים כאשר מוחלים על אנשים חדשים. ארכיטקטורת EDGCN המונחית-שבירה עוזרת להתגבר על הגבלה זו על ידי דמות מוטבת יותר של שונות בין-אישית.

משמעויות לשיקום וטכנולוגיה עזר

יכולת לפענח אותות מוח בדיוק רב יותר יכולה להיות בעלת משמעויות מרחיקות לטכנולוגיות עזר.

ממשקי מוח-מחשב המבוססים על דמיון מוטורי כבר נחקרים ליישומים כגון:

• כיסאות גלגלים המופעלים במחשבה
• אביזרים עצביים
• התקנים רובוטיים לשיקום
• מערכות תקשורת עבור חולים עם שיתוק

דיוק פענוח משופר יכול להפוך טכנולוגיות אלו לאמינות וקלות שימוש יותר.

חוקרים מאמינים כי מערכות כגון EDGCN עשויות לסייע לחולים עם מצבים כגון:

• שבץ
• פגיעות בחוט השדרה
• טרשת אמיוטרופית (ALS)
• הפרעות נוירו-שריריות אחרות

עם פענוח אותות יותר אמין, חולים יכולים לשלוט בהתקנים לשיקום עצבי דרך תנועות מדומיינות פשוטות, מאפשרים אינטראקציה יותר טבעית עם מערכות עזר.

לפי פרופסור נאמיקי, פענוח אותות דמיון מוטוריים אינו רק אתגר טכנולוגי אלא גם הזדמנות להבין טוב יותר כיצד המוח מארגן תנועה וקשרים עצביים.

לעבר ממשקי מוח-מחשב ברמת צרכנים

על אף עשורים של מחקר, רוב מערכות ממשקי מוח-מחשב עדיין מוגבלות למעבדות או הגדרות קליניות מיוחדות. אמינות, גמישות וקלות שימוש נותרות מחסומים משמעותיים לאימוצם הרחב יותר.

פריצות דרך כגון EDGCN יכולות לעזור להביא את ממשקי מוח-מחשב לקרוב יותר לטכנולוגיה ברמת צרכנים.

בעתיד, המחקר כנראה יתמקד באינטגרציה של מודלי אינטליגנציה מלאכותית כאלו לתוך מערכות EEG ניידות והתקנים נשיאים. בשילוב עם שיפורים בטכנולוגיה של חיישנים וכוח חישוב, מערכות אלו יכולות לאפשר ממשקי מוח-מכונה נגישים ומקובלים יותר.

צעד לעבר אינטגרציה עמוקה יותר של אדם-מכונה

פיתוח EDGCN משקף מגמה רחבה יותר באינטליגנציה מלאכותית ומדעי המוח: השימוש ההולך וגובר ברשתות עצביות גרפיות כדי לדמות מערכות ביולוגיות.

מאחר שהמוח עצמו פועל כרשת מורכבת של אזורים מחוברים, רשתות עצביות גרפיות מספקות דרך טבעית לייצוג מבנהו ודינמיקה. ככל שמודלים אלו של אינטליגנציה מלאכותית הולכים ומשתכללים, הם עשויים לפתוח את הדלת לתובנות עמוקות יותר לגבי פעילות עצבית וקוגניציה.

בסופו של דבר, פענוח משופר של אותות מוח יכול לסלול את הדרך לדור חדש של טכנולוגיות המאפשרות לבני אדם ליצור אינטראקציה עם מכונות באופן הרמוני יותר מאי פעם.