Terobosan AI Meningkatkan Antarmuka Otak-Komputer dengan Menguraikan Sinyal Otak yang Kompleks

Peneliti di Chiba University di Jepang telah mengembangkan kerangka kerja kecerdasan buatan baru yang mampu menguraikan aktivitas otak yang kompleks dengan akurasi yang jauh lebih baik, menandai langkah penting menuju antarmuka otak-komputer (BCI) yang lebih dapat diandalkan. Terobosan ini dapat membantu mempercepat pengembangan teknologi bantu yang memungkinkan orang dengan kondisi neurologis untuk mengontrol perangkat seperti anggota tubuh prostetik, kursi roda, dan robot rehabilitasi menggunakan pikiran mereka.

Penelitian ini, dipimpin oleh mahasiswa Ph.D. Chaowen Shen dan Profesor Akio Namiki di Sekolah Pascasarjana Teknik di Chiba University, memperkenalkan arsitektur pembelajaran dalam yang baru yang dikenal sebagai Embedding-Driven Graph Convolutional Network (EDGCN). Sistem ini dirancang untuk menafsirkan sinyal listrik kompleks yang dihasilkan di otak ketika seseorang membayangkan menggerakkan anggota tubuhnya – proses yang dikenal sebagai imajinasi motorik.

Antarmuka Otak-Komputer dan Imajinasi Motorik

Antarmuka otak-komputer bertujuan untuk menciptakan saluran komunikasi antara otak manusia dan mesin eksternal. Alih-alih mengandalkan gerakan otot, BCI menafsirkan sinyal neural dan mengubahnya menjadi perintah untuk sistem digital atau perangkat fisik.

Salah satu pendekatan yang paling banyak dipelajari dalam penelitian BCI melibatkan elektroensefalografi imajinasi motorik (MI-EEG). Dalam sistem ini, pengguna membayangkan melakukan gerakan – seperti mengangkat tangan, menggenggam objek, atau berjalan. Meskipun tidak ada gerakan fisik yang terjadi, otak menghasilkan pola aktivitas listrik yang khas yang terkait dengan gerakan yang dibayangkan.

Sinyal ini dapat ditangkap menggunakan elektroensefalografi (EEG), teknik non-invasif yang merekam aktivitas otak melalui elektroda yang ditempatkan di kulit kepala. EEG menyediakan data time-series multi-saluran yang mewakili aktivitas neural di berbagai wilayah otak.

Menguraikan sinyal ini dengan akurat memungkinkan komputer untuk menerjemahkan aktivitas neural menjadi perintah yang dapat digunakan. Dalam prakteknya, ini dapat memungkinkan individu dengan kelumpuhan atau gangguan motorik parah untuk mengontrol teknologi bantu hanya dengan membayangkan gerakan.

Namun, mencapai penguraian yang dapat diandalkan dari sinyal MI-EEG tetap menjadi salah satu tantangan paling sulit dalam neuroteknologi.

Mengapa Sinyal Otak Sulit Didekode

Hambatan utama dalam pengembangan antarmuka otak-komputer terletak pada kompleksitas inheren dari sinyal EEG.

Sinyal imajinasi motorik menampilkan variabilitas spasial-waktu yang tinggi, yang berarti mereka bervariasi baik di berbagai wilayah otak dan sepanjang waktu. Mereka juga berbeda secara luas antara individu dan bahkan dalam orang yang sama dari satu sesi ke sesi lain.

Model pembelajaran mesin tradisional seringkali mengalami kesulitan dengan variasi ini. Banyak sistem yang ada bergantung pada struktur grafik yang telah ditentukan sebelumnya atau parameter tetap yang menganggap sinyal otak berperilaku dalam pola yang konsisten. Dalam kenyataan, sinyal neural jauh lebih dinamis dan heterogen.

Metode sebelumnya sering menggunakan teknik seperti analisis pola spasial umum atau jaringan saraf konvolusional konvensional untuk mengekstrak fitur dari sinyal EEG. Meskipun pendekatan ini dapat mengidentifikasi beberapa pola dalam aktivitas neural, mereka seringkali gagal menangkap interaksi yang lebih dalam antara wilayah otak atau pola yang berkembang sepanjang waktu.

Sebagai hasilnya, banyak sistem BCI memerlukan kalibrasi dan pelatihan yang luas sebelum mereka dapat berfungsi secara efektif untuk pengguna individu.

Pendekatan Baru: Embedding-Driven Graph Convolutional Networks

Tim peneliti di Chiba University mengatasi tantangan ini dengan mengembangkan kerangka kerja pembelajaran dalam baru yang dirancang untuk lebih baik menangkap kompleksitas aktivitas otak.

Solusi mereka – Embedding-Driven Graph Convolutional Network (EDGCN) – menggabungkan beberapa teknik canggih untuk memodelkan struktur spasial dan temporal dari sinyal EEG secara bersamaan.

Di inti kerangka kerja ini adalah mekanisme fusi yang dipandu oleh embedding yang memungkinkan sistem untuk secara dinamis menghasilkan parameter yang digunakan untuk menguraikan sinyal otak. Alih-alih mengandalkan arsitektur tetap, EDGCN menyesuaikan representasi internalnya untuk lebih baik menangkap variasi antara subjek dan sepanjang waktu.

Arsitektur ini mengintegrasikan beberapa komponen khusus:

Multi-Resolution Temporal Embedding (MRTE)

Modul ini menganalisis sinyal EEG pada skala waktu yang berbeda. Karena sinyal neural berkembang dengan cepat, informasi penting dapat terjadi pada resolusi waktu yang berbeda. MRTE mengekstrak fitur dari polanya spektral daya multi-resolusi, yang memungkinkan sistem untuk mengidentifikasi aktivitas neural yang bermakna yang mungkin tidak akan terlewatkan.

Structure-Aware Spatial Embedding (SASE)

Sinyal otak tidak terisolasi; wilayah otak yang berbeda berinteraksi terus-menerus. Mekanisme SASE memodelkan interaksi ini dengan menggabungkan struktur konektivitas lokal dan global di antara elektroda EEG. Ini memungkinkan AI untuk merepresentasikan otak sebagai jaringan bukan sebagai saluran sinyal yang independen.

Heterogeneity-Aware Parameter Generation

Salah satu aspek paling inovatif dari kerangka kerja EDGCN adalah kemampuannya untuk secara dinamis menghasilkan parameter konvolusi grafik dari bank parameter yang dipandu oleh embedding. Ini memungkinkan model untuk menyesuaikan diri dengan karakteristik unik dari sinyal otak setiap subjek.

Untuk mendukung proses ini, peneliti menggunakan konvolusi grafik Chebyshev, teknik yang secara efisien memodelkan hubungan dalam jaringan kompleks.

Orthogonality-Constrained Kernels

Untuk lebih meningkatkan kekuatan, model ini memperkenalkan konstrain ortogonalitas dalam kernel konvolusinya. Ini mendorong keanekaragaman dalam fitur yang dipelajari dan mengurangi redundansi, membantu sistem mengekstrak representasi yang lebih kaya dari sinyal EEG.

Bersama, komponen-komponen ini memungkinkan EDGCN untuk menangkap pola aktivitas neural lokal dan interaksi besar-besaran antara wilayah otak, yang menghasilkan penguraian sinyal imajinasi motorik yang lebih akurat.

Hasil Kinerja

Peneliti menguji EDGCN menggunakan dataset benchmark yang secara luas digunakan dari BCI Competition IV, yang merupakan dataset evaluasi standar dalam bidang penelitian antarmuka otak-komputer.

Model ini mencapai:

• 90,14% akurasi klasifikasi pada dataset BCIC-IV-2b
• 86,50% akurasi klasifikasi pada dataset BCIC-IV-2a

Hasil ini melampaui beberapa metode penguraian yang ada dan menunjukkan generalisasi yang kuat di berbagai subjek.

Pentingnya, sistem ini juga menunjukkan adaptabilitas yang lebih baik ketika diterapkan pada skenario antar-subjek, yang merupakan persyaratan kunci untuk penerapan BCI yang praktis. Banyak model yang ada berfungsi dengan baik untuk satu pengguna yang dilatih tetapi gagal ketika diterapkan pada individu baru. Arsitektur yang dipandu oleh embedding EDGCN membantu mengatasi keterbatasan ini dengan lebih baik memodelkan variabilitas individu.

Implikasi untuk Rehabilitasi dan Teknologi Bantu

Kemampuan untuk menguraikan sinyal otak dengan lebih akurat dapat memiliki implikasi yang mendalam untuk teknologi bantu.

BCI berbasis imajinasi motorik sudah dieksplorasi untuk aplikasi seperti:

• Kursi roda yang dikendalikan oleh pikiran
• Prostetik neural
• Perangkat rehabilitasi robotik
• Sistem komunikasi untuk pasien dengan kelumpuhan

Akurasi penguraian yang lebih baik dapat membuat teknologi ini lebih dapat diandalkan dan lebih mudah digunakan.

Peneliti percaya bahwa sistem seperti EDGCN dapat membantu pasien dengan kondisi seperti:

• Stroke
• Cedera sumsum tulang belakang
• Amyotrophic lateral sclerosis (ALS)
• Gangguan neuromuskuloskeletal lainnya

Dengan interpretasi sinyal yang lebih dapat diandalkan, pasien dapat mengontrol perangkat neurorehabilitasi melalui gerakan yang dibayangkan, memungkinkan interaksi yang lebih alami dengan sistem bantu.

Menurut Profesor Namiki, menguraikan sinyal imajinasi motorik tidak hanya merupakan tantangan teknologi tetapi juga kesempatan untuk lebih memahami bagaimana otak mengatur gerakan dan konektivitas neural.

Menuju Antarmuka Otak-Komputer Berkualitas Konsumen

Meskipun telah dilakukan penelitian selama beberapa dekade, sebagian besar sistem antarmuka otak-komputer masih terbatas pada laboratorium atau pengaturan klinis khusus. Keandalan, adaptabilitas, dan kemudahan penggunaan tetap menjadi hambatan signifikan untuk adopsi yang lebih luas.

Kemajuan seperti EDGCN dapat membantu memindahkan BCI lebih dekat ke neuroteknologi berkualitas konsumen.

Dengan meningkatkan kemampuan sistem untuk menangani sinyal otak yang heterogen, model ini mengurangi kebutuhan akan kalibrasi yang luas dan penyetelan ahli. Ini adalah langkah penting untuk membuat sistem BCI dapat digunakan di luar lingkungan penelitian.

Penelitian di masa depan kemungkinan akan fokus pada mengintegrasikan model AI seperti ini ke dalam sistem EEG portabel dan perangkat yang dapat dikenakan. Dengan perbaikan dalam teknologi sensor dan kekuatan komputasi, sistem ini dapat memungkinkan antarmuka otak-mesin yang lebih mudah diakses dan dapat diskalakan.

Langkah Menuju Integrasi Manusia-Mesin yang Lebih Dalam

Pengembangan EDGCN mencerminkan tren yang lebih luas dalam kecerdasan buatan dan neurosains: penggunaan jaringan neural grafik yang meningkat untuk memodelkan sistem biologis.

Karena otak itu sendiri beroperasi sebagai jaringan kompleks yang terhubung dari wilayah yang berbeda, jaringan neural grafik menyediakan cara alami untuk merepresentasikan struktur dan dinamika otak. Ketika model AI ini menjadi lebih canggih, mereka mungkin membuka wawasan yang lebih dalam tentang aktivitas neural dan kognisi.

Pada akhirnya, penguraian sinyal otak yang lebih baik dapat membuka jalan bagi generasi baru teknologi yang memungkinkan manusia berinteraksi dengan mesin dengan cara yang lebih lancar dari sebelumnya.

Jika kemajuan terus berlanjut dengan kecepatan saat ini, antarmuka otak-komputer mungkin segera beralih dari alat penelitian eksperimental ke teknologi bantu sehari-hari yang dapat mengembalikan kemandirian dan mobilitas kepada jutaan orang di seluruh dunia.