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

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

Penelitian ini, yang dipimpin oleh mahasiswa doktoral Chaowen Shen dan Profesor Akio Namiki di Sekolah Pascasarjana Teknik di Universitas Chiba, memperkenalkan arsitektur pembelajaran dalam yang baru yang dikenal sebagai Jaringan Konvolusi Grafik yang Dipandu oleh Pengikut (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 saraf 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 benda, 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 waktu-seri multi-saluran yang mewakili aktivitas saraf di berbagai wilayah otak.

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

Namun, mencapai dekoding yang andal 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 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 yang telah ditetapkan yang menganggap sinyal otak berperilaku dalam pola yang konsisten. Pada kenyataannya, sinyal saraf jauh lebih dinamis dan heterogen.

Metode sebelumnya sering menggunakan teknik seperti analisis pola spasial umum atau jaringan saraf konvolusi konvensional untuk mengekstrak fitur dari sinyal EEG. Meskipun pendekatan ini dapat mengidentifikasi beberapa pola dalam aktivitas saraf, mereka sering gagal untuk 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: Jaringan Konvolusi Grafik yang Dipandu oleh Pengikut

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

Solusi mereka – Jaringan Konvolusi Grafik yang Dipandu oleh Pengikut (EDGCN) – menggabungkan beberapa teknik canggih untuk memodelkan struktur spasial dan temporal sinyal EEG secara bersamaan.

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

Arsitektur ini mengintegrasikan beberapa komponen khusus:

Pengikut Waktu Multi-Resolusi (MRTE)

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

Pengikut Spasial yang Sadar Struktur (SASE)

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

Generasi Parameter yang Sadar Heterogenitas

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

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

Inti yang Dibatasi Ortogonalitas

Untuk lebih meningkatkan kekuatan, model ini memperkenalkan batasan ortogonalitas dalam inti 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 saraf lokal dan interaksi besar-besaran antara wilayah otak, yang menghasilkan dekoding sinyal imajinasi motorik yang lebih akurat.

Hasil Kinerja

Peneliti menguji EDGCN menggunakan dataset benchmark yang secara luas digunakan dari Kompetisi BCI 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 dekoding yang ada dan menunjukkan generalisasi yang kuat di seluruh 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 terlatih tetapi gagal ketika diterapkan pada individu baru. Arsitektur EDGCN yang dipandu oleh pengikut membantu mengatasi keterbatasan ini dengan lebih baik memodelkan variabilitas individu.

Implikasi untuk Rehabilitasi dan Teknologi Bantu

Kemampuan untuk mendekode 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 saraf
• Perangkat rehabilitasi robotik
• Sistem komunikasi untuk pasien dengan kelumpuhan

Akurasi dekoding yang lebih baik dapat membuat teknologi ini lebih andal 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 andal, pasien dapat mengontrol perangkat rehabilitasi saraf melalui gerakan yang dibayangkan, memungkinkan interaksi yang lebih alami dengan sistem bantu.

Menurut Profesor Namiki, mendekode sinyal imajinasi motorik bukan hanya tantangan teknologi tetapi juga kesempatan untuk lebih memahami bagaimana otak mengatur gerakan dan konektivitas saraf.

Menuju Antarmuka Otak-Komputer Berkualitas Konsumen

Meskipun dekade penelitian, 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 teknologi neuro 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 kritis menuju membuat sistem BCI dapat digunakan di luar lingkungan penelitian.

Penelitian masa depan kemungkinan akan fokus pada mengintegrasikan model AI seperti ini ke dalam sistem EEG portabel dan perangkat yang dapat dikenakan. Dengan perbaikan 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 saraf grafik yang meningkat untuk memodelkan sistem biologis.

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

Akhirnya, dekoding sinyal otak yang lebih baik dapat membuka jalan bagi generasi baru teknologi yang memungkinkan manusia berinteraksi dengan mesin dengan cara yang lebih mulus daripada sebelumnya.

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