La svolta dell’intelligenza artificiale migliora le interfacce cervello-computer decodificando segnali cerebrali complessi

I ricercatori dell’Università di Chiba in Giappone hanno sviluppato una nuova struttura di intelligenza artificiale in grado di decodificare l’attività cerebrale complessa con un’accuratezza significativamente migliorata, segnando un passo importante verso interfacce cervello-computer (BCI) più affidabili. La svolta potrebbe aiutare ad accelerare lo sviluppo di tecnologie assistive che consentono alle persone con condizioni neurologiche di controllare dispositivi come arti protesiche, sedie a rotelle e robot di riabilitazione utilizzando i loro pensieri.

La ricerca, guidata dal dottorando Chaowen Shen e dal professor Akio Namiki alla Scuola di Ingegneria dell’Università di Chiba, introduce una nuova architettura di apprendimento profondo nota come Embedding-Driven Graph Convolutional Network (EDGCN). Il sistema è progettato per interpretare i segnali elettrici complessi generati nel cervello quando una persona immagina di muovere le membra – un processo noto come immaginazione motoria.

Interfacce cervello-computer e immaginazione motoria

Le interfacce cervello-computer mirano a creare un canale di comunicazione tra il cervello umano e le macchine esterne. Invece di affidarsi al movimento muscolare, le BCI interpretano i segnali neurali e li convertono in comandi per sistemi digitali o dispositivi fisici.

Uno degli approcci più studiati nella ricerca sulle BCI coinvolge l’elettroencefalografia dell’immaginazione motoria (MI-EEG). In questi sistemi, gli utenti immaginano di eseguire movimenti – come alzare una mano, afferrare un oggetto o camminare. Anche se non si verifica alcun movimento fisico, il cervello genera modelli distinti di attività elettrica associati al movimento immaginato.

Questi segnali possono essere catturati utilizzando l’elettroencefalografia (EEG), una tecnica non invasiva che registra l’attività cerebrale attraverso elettrodi posizionati sul cuoio capelluto. L’EEG fornisce dati di serie temporale multi-canale che rappresentano l’attività neurale in diverse regioni del cervello.

Decodificare questi segnali in modo accurato consente ai computer di tradurre l’attività neurale in comandi azionabili. Nella pratica, ciò potrebbe consentire alle persone con paralisi o grave disabilità motoria di controllare tecnologie assistive semplicemente immaginando movimenti.

Tuttavia, raggiungere una decodifica affidabile dei segnali di immaginazione motoria rimane una delle sfide più difficili nella neurotecnologia.

Perché i segnali cerebrali sono difficili da decodificare

L’ostacolo principale nello sviluppo delle interfacce cervello-computer risiede nella complessità intrinseca dei segnali EEG.

I segnali di immaginazione motoria presentano una alta variabilità spazio-temporale, il che significa che variano sia tra diverse regioni del cervello che nel tempo. Variano anche ampiamente tra individui e persino all’interno della stessa persona da una sessione all’altra.

I modelli di apprendimento automatico tradizionali spesso lottano con queste variazioni. Molti sistemi esistenti si affidano a strutture grafiche predefinite o a parametri fissi che presuppongono che i segnali cerebrali si comportino in modelli coerenti. In realtà, i segnali neurali sono molto più dinamici ed eterogenei.

I metodi precedenti hanno spesso utilizzato tecniche come l’analisi dei modelli spaziali comuni o le reti neurali convoluzionali convenzionali per estrarre caratteristiche dai segnali EEG. Sebbene questi approcci possano identificare alcuni modelli nell’attività neurale, spesso non riescono a catturare le interazioni più profonde tra le regioni del cervello o i modelli evolutivi nel tempo.

Di conseguenza, molti sistemi BCI richiedono una lunga calibrazione e formazione prima di poter funzionare in modo efficace per gli utenti individuali.

Un nuovo approccio: Embedding-Driven Graph Convolutional Networks

Il team di ricerca dell’Università di Chiba ha affrontato queste sfide sviluppando una nuova struttura di apprendimento profondo progettata per catturare meglio la complessità dell’attività cerebrale.

La loro soluzione – Embedding-Driven Graph Convolutional Network (EDGCN) – combina diverse tecniche avanzate per modellare la struttura spaziale e temporale dei segnali EEG contemporaneamente.

Al centro della struttura c’è un meccanismo di fusione guidato da embedding che consente al sistema di generare dinamicamente i parametri utilizzati per la decodifica dei segnali cerebrali. Invece di affidarsi a strutture fisse, l’EDGCN adatta la sua rappresentazione interna per catturare meglio le variazioni tra soggetti e nel tempo.

L’architettura integra più componenti specializzati:

Multi-Resolution Temporal Embedding (MRTE)

Questo modulo analizza i segnali EEG a diverse scale temporali. Poiché i segnali neurali evolvono rapidamente, le informazioni importanti possono verificarsi a diverse risoluzioni temporali. Il MRTE estrae caratteristiche da modelli spettrali di potenza a multi-risoluzione, consentendo al sistema di identificare attività neurale significativa che altrimenti potrebbe essere persa.

Structure-Aware Spatial Embedding (SASE)

I segnali cerebrali non sono isolati; diverse regioni del cervello interagiscono continuamente. Il meccanismo SASE modella queste interazioni incorporando sia la connettività locale che globale tra gli elettrodi EEG. Ciò consente all’AI di rappresentare il cervello come una rete piuttosto che come canali di segnale indipendenti.

Heterogeneity-Aware Parameter Generation

Uno degli aspetti più innovativi della struttura EDGCN è la sua capacità di generare dinamicamente parametri di convoluzione grafica da una banca di parametri guidata da embedding. Ciò consente al modello di adattarsi alle caratteristiche uniche dei segnali cerebrali di ciascun soggetto.

Per supportare questo processo, i ricercatori hanno utilizzato la convoluzione grafica di Chebyshev, una tecnica che modella efficientemente le relazioni all’interno di reti complesse.

Orthogonality-Constrained Kernels

Per migliorare ulteriormente la robustezza, il modello introduce vincoli di ortogonalità all’interno dei suoi nuclei di convoluzione. Ciò incoraggia la diversità nelle caratteristiche apprese e riduce la ridondanza, aiutando il sistema a estrarre rappresentazioni più ricche dai segnali EEG.

Insieme, questi componenti consentono all’EDGCN di catturare sia i modelli di attività neurale locale che le grandi interazioni tra le regioni del cervello, risultando in una decodifica più accurata dei segnali di immaginazione motoria.

Risultati delle prestazioni

I ricercatori hanno testato l’EDGCN utilizzando set di dati di benchmark ampiamente utilizzati dal BCI Competition IV, che sono set di dati di valutazione standard nel campo della ricerca sulle interfacce cervello-computer.

Il modello ha raggiunto:

• 90,14% di accuratezza di classificazione nel set di dati BCIC-IV-2b
• 86,50% di accuratezza di classificazione nel set di dati BCIC-IV-2a

Questi risultati superano diversi metodi di decodifica attuali e dimostrano una forte generalizzazione tra diversi soggetti.

In particolare, il sistema ha anche mostrato una maggiore adattabilità quando applicato a scenari cross-soggetto, un requisito chiave per la distribuzione pratica delle BCI. Molti modelli esistenti funzionano bene per un singolo utente addestrato ma falliscono quando applicati a nuovi individui. L’architettura guidata da embedding dell’EDGCN aiuta a superare questo limite modellando meglio la variabilità individuale.

Implicazioni per la riabilitazione e la tecnologia assistiva

La capacità di decodificare i segnali cerebrali in modo più accurato potrebbe avere implicazioni profonde per le tecnologie assistive.

Le BCI basate sull’immaginazione motoria sono già in fase di sperimentazione per applicazioni come:

• sedie a rotelle controllate dal pensiero
• protesi neurali
• dispositivi di riabilitazione robotica
• sistemi di comunicazione per pazienti con paralisi

Un’accuratezza di decodifica migliorata potrebbe rendere queste tecnologie più affidabili e facili da usare.

I ricercatori ritengono che sistemi come l’EDGCN possano aiutare i pazienti con condizioni come:

• ictus
• lesioni spinali
• malattia di Lou Gehrig (ALS)
• altre disordini neuromuscoloscheletrici

Con un’interpretazione dei segnali più affidabile, i pazienti potrebbero potenzialmente controllare i dispositivi di riabilitazione neurologica attraverso semplici movimenti immaginati, consentendo un’interazione più naturale con i sistemi assistivi.

Secondo il professor Namiki, la decodifica dei segnali di immaginazione motoria non è solo una sfida tecnologica, ma anche un’opportunità per comprendere meglio come il cervello organizza i movimenti e la connettività neurale.

Verso interfacce cervello-computer di livello consumer

Nonostante decenni di ricerca, la maggior parte dei sistemi di interfacce cervello-computer rimane confinata ai laboratori o a ambienti clinici specializzati. L’affidabilità, l’adattabilità e la facilità d’uso rimangono barriere significative all’adozione più ampia.

I progressi come l’EDGCN potrebbero aiutare a spostare le BCI verso una neurotecnologia di livello consumer.

Migliorando la capacità del sistema di gestire segnali cerebrali eterogenei, il modello riduce la necessità di una lunga calibrazione e di regolazione da parte degli esperti. Questo è un passo critico verso la realizzazione di sistemi BCI utilizzabili al di fuori degli ambienti di ricerca.

Le future ricerche si concentreranno probabilmente sull’integrazione di tali modelli AI in sistemi EEG portatili e dispositivi indossabili. Combinati con miglioramenti nella tecnologia dei sensori e nella potenza di calcolo, questi sistemi potrebbero abilitare interfacce cervello-macchina più accessibili e scalabili.

Un passo verso una maggiore integrazione uomo-macchina

Lo sviluppo dell’EDGCN riflette una tendenza più ampia nell’intelligenza artificiale e nelle neuroscienze: l’utilizzo crescente di reti neurali grafiche per modellare sistemi biologici.

Poiché il cervello stesso opera come una rete complessa di regioni interconnesse, le reti neurali grafiche forniscono un modo naturale per rappresentare la sua struttura e dinamica. Man mano che questi modelli AI diventano più sofisticati, potrebbero sbloccare una comprensione più profonda dell’attività neurale e della cognizione.

Infine, una decodifica migliorata dei segnali cerebrali potrebbe aprire la strada a una nuova generazione di tecnologie che consentono agli esseri umani di interagire con le macchine in modo più fluido che mai.

Se i progressi continuano al ritmo attuale, le interfacce cervello-computer potrebbero presto passare da strumenti di ricerca sperimentali a tecnologie assistive quotidiane in grado di ripristinare l’indipendenza e la mobilità a milioni di persone in tutto il mondo.