I ricercatori utilizzano le reti avversarie generative per migliorare le interfacce cervello-computer

I ricercatori della University of Southern California (USC) Viterbi School of Engineering stanno utilizzando le reti avversarie generative (GAN) per migliorare le interfacce cervello-computer (BCI) per le persone con disabilità.

Le GAN sono anche utilizzate per creare video deepfake e volti umani fotorealistici.

La ricerca è stata pubblicata su Nature Biomedical Engineering.

Il potere delle BCI

Il team è riuscito a insegnare a un’intelligenza artificiale a generare dati di attività cerebrale sintetica attraverso questo approccio. Questi dati sono nella forma di segnali neurali chiamati spike train, che possono essere alimentati in algoritmi di apprendimento automatico per migliorare le BCI tra le persone con disabilità.

Le BCI analizzano i segnali cerebrali di un individuo prima di tradurre l’attività neurale in comandi, che consente all’utente di controllare dispositivi digitali con solo i propri pensieri. Questi dispositivi, che possono includere cose come cursori del computer, possono migliorare la qualità della vita dei pazienti che soffrono di disfunzione motoria o paralisi. Possono anche beneficiare le persone con sindrome da blocco, che si verifica quando la persona non è in grado di muoversi o comunicare nonostante essere completamente cosciente.

Esistono già molti tipi di BCI sul mercato, come quelle che misurano i segnali cerebrali e dispositivi che vengono impiantati nei tessuti cerebrali. La tecnologia è costantemente in miglioramento e viene applicata in nuovi modi, tra cui la riabilitazione neurologica e il trattamento della depressione. Tuttavia, è ancora difficile rendere i sistemi abbastanza veloci da funzionare efficientemente nel mondo reale.

Le BCI richiedono enormi quantità di dati neurali e lunghi periodi di formazione, calibrazione e apprendimento per comprendere i loro input.

Laurent Itti è un professore di scienze informatiche e coautore della ricerca.

“Ottenere abbastanza dati per gli algoritmi che alimentano le BCI può essere difficile, costoso o addirittura impossibile se gli individui paralizzati non sono in grado di produrre segnali cerebrali sufficientemente robusti”, ha detto Itti.

La tecnologia è specifica per l’utente, il che significa che deve essere formata per ogni individuo.

Reti avversarie generative

Le GAN possono migliorare l’intero processo poiché sono in grado di creare una quantità illimitata di nuove immagini simili attraverso un processo di prova ed errore.

Shixian Wen, uno studente di dottorato guidato da Itti e autore principale dello studio, ha deciso di esaminare le GAN e la possibilità che potessero creare dati di formazione per le BCI generando dati neurologici sintetici indistinguibili da quelli reali.

Il team ha condotto un esperimento in cui hanno formato un sintetizzatore di spike di apprendimento profondo con una sessione di dati registrati da una scimmia che raggiungeva un oggetto. Quindi hanno utilizzato un sintetizzatore per generare una grande quantità di dati neurali sintetici simili ma falsi.

I dati sintetici sono stati quindi combinati con piccole quantità di nuovi dati reali per formare una BCI. Con questo approccio, il sistema è stato in grado di partire e funzionare molto più velocemente dei metodi attuali. Più specificamente, i dati neurali sintetici generati dalle GAN hanno migliorato la velocità di formazione complessiva delle BCI di fino a 20 volte.

“Menos di un minuto di dati reali combinati con i dati sintetici funziona altrettanto bene come 20 minuti di dati reali”, ha detto Wen.

“È la prima volta che vediamo un’intelligenza artificiale generare la ricetta per il pensiero o il movimento attraverso la creazione di spike train sintetici. Questa ricerca è un passo critico per rendere le BCI più adatte all’uso nel mondo reale”.

Dopo le prime sessioni sperimentali, il sistema è stato in grado di adattarsi a nuove sessioni con quantità limitate di dati neurali aggiuntivi.

“Questo è il grande innovazione qui – creare spike train falsi che sembrano provenire da questa persona mentre immagina di fare diversi movimenti, e poi utilizzare questi dati per aiutare con l’apprendimento nella prossima persona”, ha detto Itti.

Questi nuovi sviluppi con dati sintetici generati dalle GAN potrebbero anche portare a breakthough in altre aree del settore.

“Quando un’azienda è pronta a iniziare la commercializzazione di uno scheletro robotico, un braccio robotico o un sistema di sintesi vocale, dovrebbe esaminare questo metodo, perché potrebbe aiutarli ad accelerare la formazione e la ri-formazione”, ha detto Itti. “Per quanto riguarda l’uso delle GAN per migliorare le interfacce cervello-computer, penso che questo sia solo l’inizio”.