Istraživači koriste generativne kontradiktorne mreže za poboljšanje sučelja mozak-računalo

Istraživači na Sveučilištu Southern California (USC) Viterbi School of Engineering koriste generativne kontradiktorne mreže (GAN) za poboljšanje sučelja mozak-računalo (BCI) za osobe s invaliditetom. 

GAN-ovi se također koriste za stvaranje deepfake videa i foto realističnih ljudskih lica. 

Istraživački rad objavljen je u Biomedicinsko inženjerstvo prirode. 

Moć BCI-ja

Tim je ovim pristupom uspio naučiti umjetnu inteligenciju da generira sintetičke podatke o moždanoj aktivnosti. Ti su podaci u obliku neuralnih signala koji se nazivaju spike trains, koji se mogu unijeti u algoritme strojnog učenja za poboljšanje BCI-a među osobama s invaliditetom. 

BCI analiziraju moždane signale pojedinca prije nego što prevedu neuralnu aktivnost u naredbe, što korisniku omogućuje upravljanje digitalnim uređajima samo svojim mislima. Ovi uređaji, koji mogu uključivati ​​stvari poput računalnih kursora, mogu poboljšati kvalitetu života pacijenata koji pate od motoričke disfunkcije ili paralize. Također mogu koristiti osobama sa sindromom zatvorenosti, koji se javlja kada se osoba ne može kretati ili komunicirati unatoč tome što je potpuno pri svijesti.

Na tržištu već postoje mnoge različite vrste BCI-a, poput onih koji mjere moždane signale i uređaja koji se ugrađuju u moždana tkiva. Tehnologija se stalno poboljšava i primjenjuje na nove načine, uključujući neurorehabilitaciju i liječenje depresije. Međutim, još uvijek je teško sustave učiniti dovoljno brzima da učinkovito rade u stvarnom svijetu.

BCI zahtijevaju ogromne količine neuralnih podataka i duga razdoblja obuke, kalibracije i učenje razumijevanja njihovih inputa.

Laurent Itti je profesor informatike i koautor istraživanja. 

"Dobivanje dovoljno podataka za algoritme koji pokreću BCI može biti teško, skupo ili čak nemoguće ako paralizirani pojedinci nisu u stanju proizvesti dovoljno snažne moždane signale", rekao je Itti. 

Tehnologija je specifična za svakog korisnika, što znači da se mora uvježbati za svakog pojedinca. 

Generativne suparničke mreže

GAN-ovi mogu poboljšati cijeli ovaj proces budući da su sposobni stvoriti neograničenu količinu novih, sličnih slika prolazeći kroz proces pokušaja i pogrešaka.

Shixian Wen, doktorant kojeg je savjetovao Itti i glavni autor studije, odlučio je pogledati GAN-ove i mogućnost da oni mogu stvoriti podatke o obuci za BCI generiranjem sintetičkih neuroloških podataka koji se ne mogu razlikovati od stvarnih pandana. 

Tim je izveo eksperiment u kojem su obučavali šiljasti sintetizator dubokog učenja s jednom sesijom podataka koji su snimljeni od majmuna koji poseže za predmetom. Zatim su koristili sintesajzer za generiranje velike količine sličnih, ali lažnih neuralnih podataka.

Sintetizirani podaci zatim su kombinirani s malim količinama novih stvarnih podataka za treniranje BCI-a. S ovim pristupom, sustav se mogao pokrenuti i pokrenuti mnogo brže od trenutnih metoda. Točnije, neuralni podaci sintetizirani GAN-om poboljšali su ukupnu brzinu treninga BCI-a do 20 puta.

"Manje od jedne minute stvarnih podataka u kombinaciji sa sintetičkim podacima funkcionira kao i 20 minuta stvarnih podataka", rekao je Wen.

“Ovo je prvi put da smo vidjeli AI kako generira recept za misao ili pokret stvaranjem sintetičkih šiljastih vlakova. Ovo istraživanje je ključni korak prema tome da BCI postane prikladniji za korištenje u stvarnom svijetu.” 

Nakon prvih eksperimentalnih sesija, sustav se uspio prilagoditi novim sesijama s ograničenim dodatnim neuronskim podacima.

"Ovdje je velika inovacija — stvaranje lažnih šiljastih vlakova koji izgledaju baš kao da dolaze od ove osobe dok zamišlja da radi različite pokrete, a zatim i korištenje tih podataka za pomoć u učenju sljedeće osobe", rekao je Itti.

Ova nova dostignuća sa sintetičkim podacima koje generira GAN također bi mogla dovesti do otkrića u drugim područjima polja.

"Kada je tvrtka spremna započeti s komercijalizacijom robotskog kostura, robotske ruke ili sustava za sintezu govora, trebala bi razmotriti ovu metodu jer bi im mogla pomoći u ubrzanju obuke i ponovne obuke", rekao je Itti. "Što se tiče korištenja GAN-a za poboljšanje sučelja mozak-računalo, mislim da je ovo samo početak."