חוקרים משתמשים ברשתות יריבות יוצרות כדי לשפר ממשקי מוח-מחשב

חוקרים באוניברסיטת דרום קליפורניה (USC) בית הספר להנדסה ויטרבי משתמשים ברשתות יריבות יוצרות (GANs) כדי לשפר ממשקי מוח-מחשב (BCIs) עבור אנשים עם מוגבלויות. 

GANs משמשים גם ליצירת סרטונים מזויפים ופנים אנושיות פוטוריאליסטיות. 

המאמר הופיע בNature Biomedical Engineering. 

כוחם של BCIs

הצוות הצליח ללמד AI ליצור נתוני פעילות מוחית סינתטית דרך גישה זו. נתונים אלו הם בצורת אותות עצביים הנקראים spike trains, אשר יכולים להזין אלגוריתמים ללמידת מכונה כדי לשפר BCIs בין אלו עם מוגבלויות. 

BCIs מנתחים את אותות המוח של הפרט לפני תרגום פעילות עצבית לפקודות, אשר מאפשרים למשתמש לשלוט בהתקנים דיגיטליים עם רק מחשבותיהם. התקנים אלו, אשר יכולים לכלול דברים כמו סמן עכבר, מסוגלים לשפר את איכות החיים של חולים הסובלים מדיספונקציה מוטורית או שיתוק. הם יכולים גם להועיל לאנשים עם תסמונת נעולה, אשר מתרחשת כאשר האדם אינו מסוגל לנוע או לתקשר על אף שהוא מודע לחלוטין.

ישנם סוגים רבים של BCIs כבר בשוק, כגון אלו שמודדים אותות מוח והתקנים המושתלים ברקמות המוח. הטכנולוגיה משתפרת באופן קבוע ומיושמת בדרכים חדשות, כולל שיקום עצבי וטיפול בדיכאון. עם זאת, עדיין קשה להפוך את המערכות למהירות מספיק כדי לפעול באופן יעיל בעולם האמיתי.

BCIs דורשים כמויות עצומות של נתונים עצביים ותקופות אימון ארוכות, כיול ולמידה כדי להבין את הקלטים שלהם.

לורן איטי הוא פרופסור למדעי המחשב ושותף למחקר. 

“לקבל מספיק נתונים עבור האלגוריתמים שמניעים את BCIs יכול להיות קשה, יקר או אפילו בלתי אפשרי אם אנשים משותקים אינם מסוגלים לייצר אותות מוח חזקים מספיק,” אמר איטי. 

הטכנולוגיה היא ספציפית למשתמש, מה שאומר שהיא חייבת להיות מאומנת עבור כל פרט.

רשתות יריבות יוצרות

GANs יכולים לשפר את כל התהליך מאחר שהם מסוגלים ליצור כמות בלתי מוגבלת של תמונות חדשות ודומות על ידי מעבר דרך תהליך של ניסוי וטעייה.

שיקסיאן ון, סטודנט לדוקטורט בהדרכת איטי ומחבר המחקר, החליט לבדוק GANs ואת האפשרות שהם יכולים ליצור נתוני אימון עבור BCIs על ידי יצירת נתונים עצביים סינתטיים שאינם ניתנים להבדלה מהמקור האמיתי.

הצוות ביצע ניסוי בו הם אימנו מסנתזר ספייק עמוק עם ישיבה אחת של נתונים שהוקלטו מקוף המגיע לאובייקט. אז הם השתמשו במסנתזר כדי ליצור כמות גדולה של נתונים עצביים מזויפים אך דומים.

נתונים המוסנתזים הולבשו עם כמויות קטנות של נתונים אמיתיים חדשים כדי לאמן BCI. עם גישה זו, המערכת הצליחה להתחיל לפעול הרבה יותר מהר מהשיטות הנוכחיות. במפורש, נתוני ה-GAN המוסנתזים שיפרו את מהירות האימון הכללית של BCIs עד 20 פעמים.

“פחות מדקה של נתונים אמיתיים משולבים עם נתונים סינתטיים עובדים טוב כמו 20 דקות של נתונים אמיתיים,” אמר ון.

“זו הפעם הראשונה שראינו AI מייצר את המתכון למחשבה או תנועה דרך יצירת spike trains סינתטיים. מחקר זה הוא צעד קריטי לקראת הפיכת BCIs ליותר מתאימים לשימוש בעולם האמיתי.” 

לאחר הפגישות הניסויים הראשונות, המערכת הצליחה להסתגל לפגישות חדשות עם כמות מוגבלת של נתונים עצביים נוספים.

“זו החידוש הגדול כאן – יצירת spike trains מזויפים שנראים כאילו הם באים מאותו אדם כאשר הוא מדמיין תנועות שונות, וגם השתמשות בנתונים האלו כדי לסייע בלמידה עבור האדם הבא,” אמר איטי.

הפיתוחים החדשים האלו עם נתונים סינתטיים שנוצרו על ידי GAN יכולים גם להוביל לפריצות דרך בתחומים אחרים של התחום.

“כאשר חברה מוכנה להתחיל למסחר את שלד רובוטי, זרוע רובוטית או מערכת סינתזת דיבור, הם צריכים להסתכל על שיטה זו, כיוון שהיא עשויה לעזור להם עם האצת האימון והאימון מחדש,” אמר איטי. “באשר לשימוש ב-GAN כדי לשפר ממשקי מוח-מחשב, אני חושב שזה רק ההתחלה.”