एआई ब्रेकथ्रू ब्रेन-कंप्यूटर इंटरफेस को डिकोडिंग जटिल ब्रेन सिग्नल्स द्वारा सुधारता है

जापान में चिबा विश्वविद्यालय के शोधकर्ताओं ने एक नए कृत्रिम बुद्धिमत्ता फ्रेमवर्क का विकास किया है जो जटिल मस्तिष्क गतिविधि को महत्वपूर्ण रूप से सुधारित सटीकता के साथ डिकोड करने में सक्षम है, ब्रेन-कंप्यूटर इंटरफेस (बीसीआई) के विकास की दिशा में एक महत्वपूर्ण कदम चिह्नित करता है। यह सफलता न्यूरोलॉजिकल स्थितियों वाले लोगों के लिए सहायक प्रौद्योगिकियों के विकास को तेज कर सकती है जो प्रोस्थेटिक अंगों, व्हीलचेयर और पुनर्वास रोबोट जैसे उपकरणों को अपने विचारों का उपयोग करके नियंत्रित करने की अनुमति देती है।

इस शोध में, जिसका नेतृत्व चिबा विश्वविद्यालय के ग्रेजुएट स्कूल ऑफ इंजीनियरिंग में पीएचडी छात्र चाओवेन शेन और प्रोफेसर अकियो नामिकी ने किया, एक नए गहरे शिक्षण वास्तुकला को पेश किया गया है जिसे एम्बेडिंग-ड्रिवन ग्राफ कॉन्वोल्यूशनल नेटवर्क (ईडीजीसीएन) कहा जाता है। यह प्रणाली मस्तिष्क में उत्पन्न होने वाले जटिल विद्युत संकेतों की व्याख्या करने के लिए डिज़ाइन की गई है जब कोई व्यक्ति अपने अंगों को हिलाने की कल्पना करता है – एक प्रक्रिया जिसे मोटर इमेजरी के रूप में जाना जाता है।

ब्रेन-कंप्यूटर इंटरफेस और मोटर इमेजरी

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

बीसीआई अनुसंधान में सबसे व्यापक रूप से अध्ययन किए जाने वाले दृष्टिकोणों में से एक मोटर इमेजरी इलेक्ट्रोएन्सेफलोग्राफी (एमआई-ईईजी) शामिल है। इन प्रणालियों में, उपयोगकर्ता गतिविधियों की कल्पना करते हैं – जैसे कि हाथ उठाना, किसी वस्तु को पकड़ना या चलना। भले ही कोई शारीरिक गति न हो, मस्तिष्क कल्पना की गति से जुड़े विशिष्ट विद्युत गतिविधि पैटर्न उत्पन्न करता है।

इन संकेतों को इलेक्ट्रोएन्सेफलोग्राफी (ईईजी) का उपयोग करके कब्जा किया 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 विभिन्न मस्तिष्क क्षेत्रों में तंत्रिका गतिविधि का प्रतिनिधित्व करने वाले मल्टी-चैनल समय श्रृंखला डेटा प्रदान करता है।

इन संकेतों को सटीक रूप से डिकोड करने से कंप्यूटर को तंत्रिका गतिविधि को कार्रवाई योग्य कमांड में अनुवाद करने की अनुमति मिलती है। व्यवहार में, यह व्यक्तियों को पंगुपन या गंभीर मोटर अक्षमता के साथ सक्षम बना सकता है कि वे केवल कल्पना की गई गतिविधियों द्वारा सहायक प्रौद्योगिकियों को नियंत्रित करें।

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

ब्रेन सिग्नल्स को डिकोड करने में कठिनाई

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

मोटर इमेजरी संकेत उच्च स्थानिक-समय विशिष्टता 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 के बीच एक सत्र से दूसरे सत्र में भी बहुत भिन्न होते हैं।

पारंपरिक मशीन लर्निंग मॉडल अक्सर इन भिन्नताओं के साथ संघर्ष करते हैं। कई मौजूदा प्रणालियां पूर्वनिर्धारित ग्राफ संरचनाओं या निर्धारित मापदंडों 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 विषम होते हैं।

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

इसके परिणामस्वरूप, 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 कॉन्वोल्यूशनल नेटवर्क

चिबा विश्वविद्यालय की अनुसंधान टीम ने एक नए गहरे शिक्षण फ्रेमवर्क को विकसित करके इन चुनौतियों का समाधान किया जो ईईजी संकेतों की जटिलता को बेहतर ढंग से पकड़ने में सक्षम है।

उनका समाधान – एम्बेडिंग-ड्रिवन ग्राफ कॉन्वोल्यूशनल नेटवर्क (ईडीजीसीएन) – स्थानिक और समय संरचना दोनों को एक साथ मॉडल करने के लिए उन्नत तकनीकों को जोड़ती है।

फ्रेमवर्क के केंद्र में एक एम्बेडिंग-ड्रिवन फ्यूजन तंत्र है जो प्रणाली को डिकोडिंग ब्रेन संकेतों के लिए उपयोग किए जाने वाले पैरामीटर को गतिविधि से उत्पन्न करने की अनुमति देता है। निर्धारित वास्तुकला पर निर्भर रहने के बजाय, ईडीजीसीएन अपने आंतरिक प्रतिनिधित्व को विषयों और समय के बीच भिन्नता को बेहतर ढंग से पकड़ने के लिए अनुकूलित करता है।

वास्तुकला में कई विशेषज्ञ घटक एकीकृत हैं:

मल्टी-रेजोल्यूशन टेम्पोरल एम्बेडिंग (एमआरटीई)

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

स्ट्रक्चर-एवेयर स्पेशियल एम्बेडिंग (एसएएसई)

ब्रेन सिग्नल अलग-थलग नहीं हैं; विभिन्न मस्तिष्क क्षेत्र निरंतर बातचीत करते हैं। एसएएसई तंत्र ईईजी इलेक्ट्रोड के बीच स्थानीय और वैश्विक कनेक्टिविटी संरचनाओं को एकीकृत करके इन बातचीत 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 कि यह एक एम्बेडिंग-ड्रिवन पैरामीटर बैंक से ग्राफ कॉन्वोल्यूशनल पैरामीटर को गतिविधि से उत्पन्न करे। यह मॉडल को प्रत्येक विषय के मस्तिष्क संकेतों की विशिष्ट विशेषताओं के अनुकूल बनाने में सक्षम बनाता है।

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

ऑर्थोगोनलिटी-कॉन्सट्रेंड केर्नल

रोबस्टनेस को और बेहतर बनाने के लिए, मॉडल अपने कॉन्वोल्यूशनल 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 मस्तिष्क क्षेत्रों के बीच बड़े पैमाने पर बातचीत दोनों को पकड़ने में सक्षम बनाते हैं, जिसके परिणामस्वरूप मोटर इमेजरी संकेतों का अधिक सटीक डिकोडिंग होता है।

प्रदर्शन परिणाम

शोधकर्ताओं ने ईडीजीसीएन का परीक्षण बीसीआई अनुसंधान क्षेत्र में मानक मूल्यांकन डेटासेट के रूप में उपयोग किए जाने वाले बीसीआई प्रतियोगिता IV के बेंचमार्क डेटासेट का उपयोग करके किया।

मॉडल ने हासिल किया:

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

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

महत्वपूर्ण रूप से, प्रणाली ने क्रॉस-विषय परिदृश्यों में भी सुधारित अनुकूलन का प्रदर्शन किया, 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 परिवर्तनशीलता को बेहतर ढंग से मॉडल करके इस सीमा को पार करती है।

पुनर्वास और सहायक प्रौद्योगिकी के लिए निहितार्थ

मस्तिष्क संकेतों को अधिक सटीक रूप से डिकोड करने की क्षमता सहायक प्रौद्योगिकियों के लिए गहरे निहितार्थ हो सकती है।

मोटर इमेजरी-आधारित बीसीआई का उपयोग पहले से ही विचार-नियंत्रित व्हीलचेयर, न्यूरल प्रोस्थेटिक्स, रोबोटिक पुनर्वास उपकरणों और पंगु रोगियों के लिए संचार प्रणाली जैसे अनुप्रयोगों के लिए अन्वेषण किया जा रहा है।

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

शोधकर्ता मानते हैं कि ईडीजीसीएन जैसी प्रणाली स्ट्रोक, रीढ़ की हड्डी की चोटें, एमियोट्रोफिक लेटरल स्केलेरोसिस (एएलएस) और अन्य न्यूरोमस्कुलोस्केलेटल विकारों जैसी स्थितियों वाले रोगियों की मदद कर सकती है।

अधिक विश्वसनीय संकेत व्याख्या के साथ, रोगी साधारण कल्पना की गई गतिविधियों के माध्यम से तंत्रिका पुनर्वास उपकरणों को नियंत्रित करने में सक्षम हो सकते हैं, जिससे सहायक प्रणालियों के साथ अधिक प्राकृतिक बातचीत की अनुमति मिलती है।

प्रोफेसर नामिकी के अनुसार, मोटर इमेजरी संकेतों को डिकोड करना न केवल एक प्रौद्योगिकी चुनौती है, बल्कि यह जानने का एक अवसर भी है कि मस्तिष्क कैसे गति और तंत्रिका संबंधों का आयोजन करता है।

उपभोक्ता-ग्रेड ब्रेन-कंप्यूटर इंटरफेस की ओर

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

ईडीजीसीएन जैसे उन्नति बीसीआई को उपभोक्ता-ग्रेड न्यूरोटेक्नोलॉजी के करीब ले जा सकते हैं।

जटिल ब्रेन संकेतों को संभालने की प्रणाली की क्षमता में सुधार करके, मॉडल व्यापक कैलिब्रेशन और विशेषज्ञ ट्यूनिंग की आवश्यकता को कम करता है। यह बीसीआई प्रणालियों को अनुसंधान वातावरण से बाहर उपयोग करने के लिए एक महत्वपूर्ण कदम है।

भविष्य के शोध में संभवतः ऐसे एआई मॉडल 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 ब्रेन-मशीन इंटरफेस को सक्षम कर सकती हैं।

मानव-मशीन एकीकरण की दिशा में एक कदम

ईडीजीसीएन का विकास कृत्रिम बुद्धिमत्ता और तंत्रिका विज्ञान में एक व्यापक रुझान को प्रतिबिंबित करता है: जैविक प्रणालियों को मॉडल करने के लिए ग्राफ-आधारित न्यूरल नेटवर्क का बढ़ता उपयोग।

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

अंततः, ब्रेन संकेतों को अधिक सटीक रूप 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 बातचीत करने की अनुमति देती हैं।

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