Algoritma DPAD Meningkatkan Antarmuka Otak-Komputer, Menjanjikan Kemajuan dalam Neuroteknologi

Otak manusia, dengan jaringan kompleks miliaran neuron, selalu bergetar dengan aktivitas listrik. Simfoni neural ini mengkodekan setiap pikiran, tindakan, dan sensasi kita. Bagi neuroscientist dan insinyur yang bekerja pada antarmuka otak-komputer (BCI), memecahkan kode neural ini telah menjadi tantangan yang sangat besar. Kesulitan tidak hanya terletak pada membaca sinyal otak, tetapi juga pada mengisolasi dan menginterpretasikan pola spesifik di tengah kebisingan aktivitas neural.

Dalam lompatan besar, peneliti di Universitas Southern California (USC) telah mengembangkan algoritma kecerdasan buatan baru yang berjanji untuk merevolusi cara kita mendekode aktivitas otak. Algoritma, yang dinamai DPAD (Dissociative Prioritized Analysis of Dynamics), menawarkan pendekatan baru untuk memisahkan dan menganalisis pola neural spesifik dari campuran kompleks sinyal otak.

Maryam Shanechi, Ketua Sawchuk di Teknik Elektro dan Komputer dan direktur pendiri Pusat Neuroteknologi USC, memimpin tim yang mengembangkan teknologi ini. Karya mereka, yang baru-baru ini diterbitkan di jurnal Nature Neuroscience, mewakili kemajuan signifikan dalam bidang dekoding neural dan menjanjikan untuk meningkatkan kemampuan antarmuka otak-komputer.

Kompleksitas Aktivitas Otak

Untuk menghargai signifikansi algoritma DPAD, penting untuk memahami sifat kompleks aktivitas otak. Pada setiap saat, otak kita terlibat dalam beberapa proses secara bersamaan. Misalnya, saat Anda membaca artikel ini, otak Anda tidak hanya memproses informasi visual teks, tetapi juga mengontrol postur, mengatur pernapasan, dan mungkin berpikir tentang rencana hari Anda.

Setiap kegiatan ini menghasilkan pola pembakaran neuralnya sendiri, menciptakan taplak kompleks aktivitas otak. Pola-pola ini tumpang tindih dan berinteraksi, membuatnya sangat sulit untuk mengisolasi sinyal neural yang terkait dengan perilaku atau proses berpikir tertentu. Dalam kata-kata Shanechi, “Semua perilaku yang berbeda, seperti gerakan lengan, ucapan, dan keadaan internal seperti lapar, secara bersamaan dikodekan di otak Anda. Pengkodean bersama ini menghasilkan pola yang sangat kompleks dan tercampur dalam aktivitas listrik otak.”

Kompleksitas ini menimbulkan tantangan besar bagi antarmuka otak-komputer. BCI bertujuan untuk menerjemahkan sinyal otak menjadi perintah untuk perangkat eksternal, potensial memungkinkan individu yang lumpuh untuk mengontrol lengan prostetik atau perangkat komunikasi melalui pikiran saja. Namun, kemampuan untuk menginterpretasikan perintah ini secara akurat tergantung pada mengisolasi sinyal neural yang relevan dari kebisingan latar aktivitas otak yang sedang berlangsung.

Metode dekoding tradisional telah bergelut dengan tugas ini, sering gagal membedakan antara perintah yang disengaja dan aktivitas otak yang tidak terkait. Keterbatasan ini telah menghambat pengembangan BCI yang lebih canggih dan handal, membatasi potensi aplikasinya dalam teknologi klinis dan asistif.

DPAD: Pendekatan Baru untuk Dekoding Neural

Algoritma DPAD mewakili pergeseran paradigma dalam cara kita mendekati dekoding neural. Intinya, algoritma ini menggunakan jaringan neural dalam dengan strategi pelatihan unik. Seperti yang dijelaskan oleh Omid Sani, asisten peneliti di laboratorium Shanechi dan mantan mahasiswa doktoral, “Unsur kunci dalam algoritma kecerdasan buatan ini adalah untuk pertama kali mencari pola otak yang terkait dengan perilaku yang diminati dan mempelajari pola-pola ini dengan prioritas selama pelatihan jaringan neural dalam.”

Pendekatan pembelajaran yang diprioritaskan ini memungkinkan DPAD untuk secara efektif memisahkan pola perilaku dari campuran kompleks aktivitas neural. Setelah pola primer ini diidentifikasi, algoritma kemudian mempelajari untuk mempertimbangkan pola yang tersisa, memastikan mereka tidak mengganggu atau menutupi sinyal yang diminati.

Fleksibilitas jaringan neural dalam desain algoritma ini memungkinkannya untuk menggambarkan berbagai pola otak, membuatnya dapat disesuaikan dengan berbagai jenis aktivitas neural dan potensi aplikasi.

Sumber: USC

Implikasi untuk Antarmuka Otak-Komputer

Pengembangan DPAD memiliki implikasi signifikan untuk kemajuan antarmuka otak-komputer. Dengan mendekode niat gerakan dari aktivitas otak dengan lebih akurat, teknologi ini dapat sangat meningkatkan fungsionalitas dan responsivitas BCI.

Bagi individu yang lumpuh, ini dapat berarti kontrol yang lebih intuitif atas lengan prostetik atau perangkat komunikasi. Akurasi yang ditingkatkan dalam dekoding dapat memungkinkan kontrol motor yang lebih halus, potensial memungkinkan gerakan dan interaksi yang lebih kompleks dengan lingkungan.

Lebih lanjut, kemampuan algoritma untuk memisahkan pola otak spesifik dari aktivitas neural latar dapat mengarah pada BCI yang lebih robust di pengaturan dunia nyata, di mana pengguna secara konstan memproses berbagai stimulus dan terlibat dalam berbagai tugas kognitif.

Di Luar Gerakan: Aplikasi Masa Depan dalam Kesehatan Mental

Sementara fokus awal DPAD telah pada dekoding pola otak yang terkait dengan gerakan, potensi aplikasinya meluas jauh di luar kontrol motor. Shanechi dan timnya sedang menjelajahi kemungkinan menggunakan teknologi ini untuk mendekode keadaan mental seperti nyeri atau mood.

Kemampuan ini dapat memiliki implikasi yang mendalam untuk pengobatan kesehatan mental. Dengan melacak secara akurat keadaan gejala pasien, klinisi dapat memperoleh wawasan berharga tentang perkembangan kondisi kesehatan mental dan efektivitas pengobatan. Shanechi membayangkan masa depan di mana teknologi ini dapat “mengarah pada antarmuka otak-komputer tidak hanya untuk gangguan gerakan dan kelumpuhan, tetapi juga untuk kondisi kesehatan mental.”

Kemampuan untuk mengukur dan melacak keadaan mental secara objektif dapat merevolusi cara kita mendekati perawatan kesehatan mental yang dipersonalisasi, memungkinkan terapi yang lebih tepat disesuaikan dengan kebutuhan pasien individu.

Dampak Lebih Luas pada Neurosains dan Kecerdasan Buatan

Pengembangan DPAD membuka jalur baru untuk memahami otak itu sendiri. Dengan menyediakan cara yang lebih nuansa untuk menganalisis aktivitas neural, algoritma ini dapat membantu neuroscientist menemukan pola otak yang belum dikenal sebelumnya atau memperbarui pemahaman kita tentang proses neural yang sudah diketahui.

Dalam konteks yang lebih luas dari kecerdasan buatan dan kesehatan, DPAD menunjukkan potensi mesin pembelajaran untuk menangani masalah biologis yang kompleks. Ini menunjukkan bagaimana kecerdasan buatan dapat digunakan tidak hanya untuk memproses data yang ada, tetapi juga untuk mengungkap wawasan dan pendekatan baru dalam penelitian ilmiah.