आर्टिफ़िशियल इंटेलिजेंस के माध्यम से मस्तिष्क-कंप्यूटर इंटरफेस में सुधार, जटिल मस्तिष्क संकेतों को डिकोड करने में मदद करता है

जापान के चिबा विश्वविद्यालय में शोधकर्ताओं ने एक नए प्रकार के आर्टिफ़िशियल इंटेलिजेंस फ्रेमवर्क का विकास किया है, जो जटिल मस्तिष्क गतिविधि को अधिक सटीकता के साथ डिकोड करने में सक्षम है, जो मस्तिष्क-कंप्यूटर इंटरफेस (बीसीआई) के विकास में एक महत्वपूर्ण कदम है। यह सफलता उन लोगों के लिए सहायक प्रौद्योगिकियों के विकास को तेज करने में मदद कर सकती है जो तंत्रिका तंत्र की स्थिति से पीड़ित हैं और अपने विचारों का उपयोग करके उपकरणों जैसे कि कृत्रिम अंग, व्हीलचेयर और पुनर्वास रोबोट को नियंत्रित कर सकते हैं।

इस शोध में, जिसका नेतृत्व पीएचडी छात्र चाओवेन शेन और प्रोफेसर अकियो नामिकी ने किया है, एक नए प्रकार के गहरे शिक्षण वास्तुकला का परिचय दिया गया है, जिसे एम्बेडिंग-ड्रिवन ग्राफ कॉनवोल्यूशनल नेटवर्क (ईडीजीसीएन) कहा जाता है। यह प्रणाली मस्तिष्क में उत्पन्न होने वाले जटिल विद्युत संकेतों को व्याख्या करने के लिए डिज़ाइन की गई है, जब एक व्यक्ति अपने अंगों की कल्पना करता है – एक प्रक्रिया जिसे मोटर इमेजरी कहा जाता है।

मस्तिष्क-कंप्यूटर इंटरफेस और मोटर इमेजरी

मस्तिष्क-कंप्यूटर इंटरफेस मानव मस्तिष्क और बाहरी मशीनों के बीच एक संचार चैनल बनाने का लक्ष्य रखते हैं। इसके बजाय मांसपेशियों की गति पर निर्भर रहने के, बीसीआई तंत्रिका संकेतों को व्याख्या करते हैं और उन्हें डिजिटल प्रणालियों या भौतिक उपकरणों के लिए आदेशों में परिवर्तित करते हैं।

बीसीआई अनुसंधान में सबसे व्यापक रूप से अध्ययन की जाने वाली दृष्टिकोण में मोटर इमेजरी इलेक्ट्रोएन्सेफलोग्राफी (एमआई-ईईजी) शामिल है। इन प्रणालियों में, उपयोगकर्ता गतिविधियों की कल्पना करते हैं – जैसे कि हाथ उठाना, वस्तु पकड़ना, या चलना। हालांकि कोई भौतिक गति नहीं होती है, मस्तिष्क कल्पना की गई गति से जुड़े विशिष्ट विद्युत.pattern उत्पन्न करता है।

इन संकेतों को इलेक्ट्रोएन्सेफलोग्राफी (ईईजी) का उपयोग करके पकड़ा जा सकता है, जो एक गैर-इनवेसिव तकनीक है जो खोपड़ी पर रखे इलेक्ट्रोड के माध्यम से मस्तिष्क की गतिविधि को रिकॉर्ड करती है। ईईजी कई चैनलों वाले समय श्रृंखला डेटा प्रदान करता है जो मस्तिष्क के विभिन्न क्षेत्रों में तंत्रिका गतिविधि का प्रतिनिधित्व करता है।

इन संकेतों को सटीक रूप से डिकोड करने से कंप्यूटर को तंत्रिका गतिविधि को कार्रवाई योग्य आदेशों में अनुवाद करने की अनुमति मिलती है। व्यवहार में, यह उन व्यक्तियों को जो पक्षाघात या गंभीर मोटर अक्षमता से पीड़ित हैं, को सहायक प्रौद्योगिकियों को नियंत्रित करने की अनुमति दे सकता है, केवल कल्पना की गई गति के माध्यम से।

हालांकि, एमआई-ईईजी संकेतों को विश्वसनीय रूप से डिकोड करना न्यूरोटेक्नोलॉजी में सबसे कठिन चुनौतियों में से एक बना हुआ है।

मस्तिष्क संकेतों को डिकोड करने में कठिनाई क्यों है

मस्तिष्क-कंप्यूटर इंटरफेस विकास में प्राथमिक बाधा ईईजी संकेतों की अंतर्निहित जटिलता में निहित है।

मोटर इमेजरी संकेत उच्च स्थानिक-समयिक परिवर्तनशीलता प्रदर्शित करते हैं, जिसका अर्थ है कि वे मस्तिष्क के विभिन्न क्षेत्रों में और समय के साथ भिन्न होते हैं। वे व्यक्तियों के बीच और एक ही व्यक्ति में एक सत्र से दूसरे सत्र में भी बहुत भिन्न होते हैं।

पारंपरिक मशीन लर्निंग मॉडल अक्सर इन परिवर्तनों के साथ संघर्ष करते हैं। कई मौजूदा प्रणालियां पूर्वनिर्धारित ग्राफ संरचनाओं या निर्धारित पैरामीटर पर निर्भर करती हैं जो यह मानती हैं कि मस्तिष्क संकेत निरंतर पैटर्न में व्यवहार करते हैं। वास्तव में, तंत्रिका संकेत बहुत अधिक गतिशील और विविध होते हैं।

पिछले तरीकों में अक्सर सामान्य स्थानिक पैटर्न विश्लेषण या पारंपरिक कॉनवोल्यूशनल न्यूरल नेटवर्क जैसी तकनीकों का उपयोग किया जाता था ताकि ईईजी संकेतों से विशेषताओं को निकाला जा सके। जबकि ये दृष्टिकोण कुछ पैटर्न को तंत्रिका गतिविधि में पहचान सकते हैं, वे अक्सर मस्तिष्क क्षेत्रों के बीच गहरे संबंधों या समय के साथ विकसित होने वाले पैटर्न को पकड़ने में विफल रहते हैं।

इस प्रकार, कई बीसीआई प्रणालियों को व्यक्तिगत उपयोगकर्ताओं के लिए प्रभावी ढंग से कार्य करने से पहले व्यापक कैलिब्रेशन और प्रशिक्षण की आवश्यकता होती है।

एक नई दृष्टिकोण: एम्बेडिंग-ड्रिवन ग्राफ कॉनवोल्यूशनल नेटवर्क

चिबा विश्वविद्यालय की अनुसंधान टीम ने इन चुनौतियों का सामना करने के लिए एक नए प्रकार के गहरे शिक्षण फ्रेमवर्क का विकास किया है।

उनका समाधान – एम्बेडिंग-ड्रिवन ग्राफ कॉनवोल्यूशनल नेटवर्क (ईडीजीसीएन) – ईईजी संकेतों की स्थानिक और समय संरचना को एक ही समय में मॉडल करने के लिए कई उन्नत तकनीकों को जोड़ती है।

फ्रेमवर्क के केंद्र में एक एम्बेडिंग-ड्रिवन फ्यूजन तंत्र है जो प्रणाली को गतिशील रूप से उन पैरामीटरों को उत्पन्न करने की अनुमति देता है जो मस्तिष्क संकेतों को डिकोड करने के लिए उपयोग किए जाते हैं। निर्धारित वास्तुकला पर निर्भर रहने के बजाय, ईडीजीसीएन अपने आंतरिक प्रतिनिधित्व को विषयों और समय के बीच भिन्नताओं को बेहतर ढंग से पकड़ने के लिए अनुकूलित करता है।

वास्तुकला में कई विशेषज्ञ घटक एकीकृत हैं:

मल्टी-रेजोल्यूशन टेम्पोरल एम्बेडिंग (एमआरटीई)

यह मॉड्यूल ईईजी संकेतों का विश्लेषण विभिन्न समय स्केल पर करता है। चूंकि तंत्रिका संकेत तेजी से विकसित होते हैं, महत्वपूर्ण जानकारी विभिन्न समयिक संकल्पों पर हो सकती है। एमआरटीई मल्टी-रेजोल्यूशन पावर स्पेक्ट्रल पैटर्न से विशेषताओं को निकालता है, जिससे प्रणाली को ऐसी तंत्रिका गतिविधि की पहचान करने में मदद मिलती है जो अन्यथा मिस हो सकती है।

स्ट्रक्चर-एवेयर स्पेशियल एम्बेडिंग (एसएएसई)

मस्तिष्क संकेत अलग-थलग नहीं हैं; विभिन्न मस्तिष्क क्षेत्र निरंतर बातचीत करते हैं। एसएएसई तंत्र ईईजी इलेक्ट्रोड के बीच स्थानीय और वैश्विक कनेक्टिविटी संरचनाओं को शामिल करके इन परस्पर क्रियाओं को मॉडल करता है। यह एआई को मस्तिष्क को एक नेटवर्क के रूप में प्रस्तुत करने की अनुमति देता है, स्वतंत्र संकेत चैनलों के बजाय।

हेटेरोजेनिटी-एवेयर पैरामीटर जेनरेशन

ईडीजीसीएन फ्रेमवर्क की सबसे नवाचारी विशेषताओं में से एक इसकी क्षमता है एम्बेडिंग-ड्रिवन पैरामीटर बैंक से गतिशील रूप से ग्राफ कॉनवोल्यूशनल पैरामीटर उत्पन्न करने की। यह मॉडल को प्रत्येक विषय के मस्तिष्क संकेतों की विशिष्ट विशेषताओं के अनुकूल होने में सक्षम बनाता है।

इस प्रक्रिया का समर्थन करने के लिए, शोधकर्ताओं ने चेबीशेव ग्राफ कॉनवोल्यूशनल न्यूरल नेटवर्क का उपयोग किया, जो जटिल नेटवर्क के भीतर संबंधों को कुशलता से मॉडल करता है।

ऑर्थोगोनलिटी-कंस्ट्रेंड केर्नल

रोबस्टनेस में सुधार करने के लिए, मॉडल अपने कॉनवोल्यूशनल केर्नल के भीतर ऑर्थोगोनलिटी प्रतिबंध पेश करता है। यह सीखे गए विशेषताओं में विविधता को प्रोत्साहित करता है और कमी को कम करता है, जिससे प्रणाली ईईजी संकेतों से समृद्ध प्रतिनिधित्व निकालने में मदद मिलती है।

एक साथ, ये घटक ईडीजीसीएन को स्थानीय तंत्रिका गतिविधि पैटर्न और बड़े पैमाने पर मस्तिष्क क्षेत्रों के बीच परस्पर क्रिया दोनों को पकड़ने में सक्षम बनाते हैं, जिससे मोटर इमेजरी संकेतों का अधिक सटीक डिकोडिंग होता है।

प्रदर्शन परिणाम

शोधकर्ताओं ने ईडीजीसीएन का परीक्षण बीसीआई अनुसंधान क्षेत्र में मानक मूल्यांकन डेटासेट का उपयोग करके किया, जो बीसीआई प्रतियोगिता IV से हैं।

मॉडल ने प्राप्त किया:

• 90.14% वर्गीकरण सटीकता बीसीआईसी-आईवी-2बी डेटासेट पर
• 86.50% वर्गीकरण सटीकता बीसीआईसी-आईवी-2ए डेटासेट पर

इन परिणामों ने कई मौजूदा राज्य-ऑफ-द-आर्ट डिकोडिंग विधियों को पार किया और विभिन्न विषयों में मजबूत सामान्यीकरण प्रदर्शित किया।

महत्वपूर्ण रूप से, प्रणाली ने क्रॉस-विषय परिदृश्यों में भी सुधार की लचीलापन दिखाई, जो व्यावहारिक बीसीआई तैनाती के लिए एक प्रमुख आवश्यकता है। कई मौजूदा मॉडल एक एकल प्रशिक्षित उपयोगकर्ता के लिए अच्छा प्रदर्शन करते हैं लेकिन नए व्यक्तियों पर लागू होने पर विफल हो जाते हैं। ईडीजीसीएन की एम्बेडिंग-ड्रिवन वास्तुकला व्यक्तिगत भिन्नता को बेहतर ढंग से मॉडल करके इस सीमा को पार करने में मदद करती है।

पुनर्वास और सहायक प्रौद्योगिकी के लिए निहितार्थ

मस्तिष्क संकेतों को अधिक सटीकता से डिकोड करने की क्षमता सहायक प्रौद्योगिकियों के लिए महत्वपूर्ण निहितार्थ हो सकती है।

मोटर इमेजरी-आधारित बीसीआई का अन्वेषण पहले से ही कई अनुप्रयोगों के लिए किया जा रहा है, जैसे:

• विचार-नियंत्रित व्हीलचेयर
• तंत्रिका प्रोस्थेटिक्स
• रोबोटिक पुनर्वास उपकरण
• पक्षाघात वाले रोगियों के लिए संचार प्रणाली

डिकोडिंग सटीकता में सुधार इन प्रौद्योगिकियों को अधिक विश्वसनीय और उपयोग में आसान बना सकता है।

शोधकर्ता मानते हैं कि ईडीजीसीएन जैसी प्रणालियां उन रोगियों की मदद कर सकती हैं जो निम्नलिखित स्थितियों से पीड़ित हैं:

• स्ट्रोक
• रीढ़ की हड्डी की चोटें
• एमियोट्रोफिक लेटरल स्केलेरोसिस (एएलएस)
• अन्य न्यूरोमस्कुलर विकार

अधिक विश्वसनीय संकेत व्याख्या के साथ, रोगी सरल कल्पना की गई गति के माध्यम से पुनर्वास उपकरणों को नियंत्रित कर सकते हैं, जिससे सहायक प्रणालियों के साथ अधिक प्राकृतिक परस्पर क्रिया हो सकती है।

प्रोफेसर नामिकी के अनुसार, मोटर इमेजरी संकेतों को डिकोड करना न केवल एक प्रौद्योगिकी चुनौती है, बल्कि यह मस्तिष्क की गतिविधि और तंत्रिका संबंधों को बेहतर ढंग से समझने का अवसर भी है।

उपभोक्ता-ग्रेड मस्तिष्क-कंप्यूटर इंटरफेस की ओर

दशकों के शोध के बावजूद, अधिकांश मस्तिष्क-कंप्यूटर इंटरफेस प्रणालियां प्रयोगशालाओं या विशेषज्ञता क्लिनिक सेटिंग्स तक सीमित हैं। विश्वसनीयता, अनुकूलन और उपयोग में आसानी अभी भी व्यापक अपनाने के लिए महत्वपूर्ण बाधाएं हैं।

ईडीजीसीएन जैसी प्रगति बीसीआई को उपभोक्ता-ग्रेड न्यूरोटेक्नोलॉजी के करीब ले जाने में मदद कर सकती है।

प्रणाली की क्षमता में सुधार करके विषम मस्तिष्क संकेतों को संभालने से, मॉडल व्यापक कैलिब्रेशन और विशेषज्ञ ट्यूनिंग की आवश्यकता को कम करता है। यह उपभोक्ता बाहरी अनुसंधान वातावरण में बीसीआई प्रणालियों को उपयोग करने योग्य बनाने के लिए एक महत्वपूर्ण कदम है।

भविष्य के शोध में संभवतः ऐसे एआई मॉडलों को पोर्टेबल ईईजी प्रणालियों और पहनने योग्य उपकरणों में एकीकृत करने पर ध्यान केंद्रित किया जाएगा। सेंसर प्रौद्योगिकी और कंप्यूटिंग शक्ति में सुधार के साथ मिलकर, ये प्रणाली अधिक सुलभ और मापनीय मस्तिष्क-मशीन इंटरफेस को सक्षम कर सकती हैं।

गहरे मानव-मशीन एकीकरण की ओर एक कदम

ईडीजीसीएन का विकास आर्टिफ़िशियल इंटेलिजेंस और न्यूरोसाइंस में एक व्यापक रुझान को दर्शाता है: जैविक प्रणालियों को मॉडल करने के लिए ग्राफ-आधारित न्यूरल नेटवर्क का बढ़ता उपयोग।

चूंकि मस्तिष्क स्वयं जटिल नेटवर्क के रूप में कार्य करता है, ग्राफ न्यूरल नेटवर्क इसकी संरचना और गतिविधि का प्रतिनिधित्व करने के लिए एक प्राकृतिक तरीका प्रदान करते हैं। जैसे-जैसे ये एआई मॉडल अधिक परिष्कृत होते जाएंगे, वे तंत्रिका गतिविधि और संज्ञान में गहरी अंतर्दृष्टि प्रदान कर सकते हैं।

अंततः, मस्तिष्क संकेतों को बेहतर ढंग से डिकोड करने से एक नई पीढ़ी की प्रौद्योगिकियों का मार्ग प्रशस्त हो सकता है जो मानवों को मशीनों के साथ पहले से कहीं अधिक सहजता से परस्पर क्रिया करने की अनुमति देती हैं।

यदि प्रगति अपनी वर्तमान गति से जारी रहती है, तो मस्तिष्क-कंप्यूटर इंटरफेस जल्द ही प्रयोगात्मक अनुसंधान उपकरणों से दैनिक सहायक प्रौद्योगिकियों में परिवर्तित हो सकते हैं जो विश्वभर के लाखों लोगों को स्वतंत्रता और गतिशीलता बहाल करने में सक्षम होंगे।