연구자들은 뇌-컴퓨터 인터페이스를 개선하기 위해 생성적 적대적 네트워크를 사용한다

남부 캘리포니아 대학교(USC) 비터비 공과대학의 연구자들은 장애인들을 위한 뇌-컴퓨터 인터페이스(BCIs)를 개선하기 위해 생성적 적대적 네트워크(GANs)를 사용하고 있습니다.

GANs는 또한 딥페이크 비디오와 사진 실사적인 인간 얼굴을 생성하는 데 사용됩니다.

이 연구 논문은 네이처 바이오메디컬 엔지니어링에 발표되었습니다.

BCI의 힘

연구 팀은 이 접근 방식을 통해 합성 뇌 활동 데이터를 생성하는 인공지능을 교육할 수 있었습니다. 이 데이터는 스파이크 트레인이라고 하는 신경 신호의 형태로 제공되며, 장애인들의 BCIs를 개선하기 위해 기계 학습 알고리즘에 입력할 수 있습니다.

BCIs는 개인의 뇌 신호를 분석한 다음 신경 활동을 명령으로 번역하여 사용자가 생각만으로 디지털 장치를 제어할 수 있도록 합니다. 이러한 장치에는 컴퓨터 커서와 같은 것들이 포함될 수 있으며, 운동 기능 장애 또는 마비로 고통받는 환자의 삶의 질을 개선하는 데 도움이 될 수 있습니다. 또한 잠금 증후군에 걸린 개인에게도ประโยชน을 제공할 수 있습니다. 잠금 증후군은 개인이 완전히 의식이 있지만 이동이나 의사소통을 할 수 없는 상태입니다.

시장에는 이미 다양한 유형의 BCIs가 존재합니다. 뇌 신호를 측정하는 장치와 뇌 조직에 삽입되는 장치 등이 있습니다. 이 기술은不断히 개선되고 새로운 방식으로 적용되고 있습니다. 신경 재활과 우울증 치료 등에 적용되고 있습니다. 그러나 시스템을 실제 세계에서 효율적으로 작동하도록 충분히 빠르게 만들기는 여전히 어렵습니다.

BCIs는大量의 신경 데이터와 긴 훈련 기간, 보정, 학습이 필요합니다.

로렌트 이티(Laurent Itti)는 컴퓨터 과학 교수이자 연구의 공동 저자입니다.

“BCIs를 구동하는 알고리즘에 필요한 데이터를 얻는 것이 어려울 수 있습니다. 마비된 개인이 충분히 강력한 뇌 신호를 생성할 수 없을 때는 비용이 많이 들거나甚至 불가능할 수 있습니다.” 이티는 말했다.

이 기술은 사용자 지정형입니다. 즉, 각 개인에 대해 훈련되어야 합니다.

생성적 적대적 네트워크

GANs는 이 전체 과정을 개선할 수 있습니다. 왜냐하면 새로운 이미지의 무제한의 양을 생성하기 위해 시도와 오류의 과정을 거치기 때문입니다.

이티의 지도下的 박사 과정 학생인 시시안 원(Shixian Wen)은 연구의 주요 저자입니다. 그는 GANs를 살펴보고 BCIs를 위한 훈련 데이터를 생성하기 위해 합성 신경학적 데이터를 생성할 수 있는 가능성을 조사했습니다.

연구 팀은 원숭이의 손이 물체를 잡는 동안 기록된 데이터 세션으로 깊은 학습 스파이크 합성기를 훈련시켰습니다. 그런 다음 합성기를 사용하여大量의 유사하지만 가짜 신경 데이터를 생성했습니다.

합성된 데이터는 이후 실제 데이터와 결합되어 BCIs를 훈련시키기 위해 사용되었습니다. 이 접근 방식으로 시스템은 현재 방법보다 훨씬 더 빠르게 작동할 수 있었습니다. 구체적으로, GAN으로 생성된 신경 데이터는 BCIs의 전체 훈련 속도를 최대 20배까지 개선했습니다.

“실제 데이터 1분 미만과 합성 데이터를 결합하면 실제 데이터 20분과 동일한 효과를 낼 수 있습니다.” 원은 말했다.

“생성적 적대적 네트워크를 사용하여 사고나 운동의 레시피를 생성하는 인공지능을 처음 보았습니다. 이 연구는 실제 사용에 적합한 BCIs를 만들기 위한 중요한 단계입니다.”

초기 실험 세션 이후, 시스템은 추가 신경 데이터 없이 새로운 세션에 적응할 수 있었습니다.

“큰 혁신은 여기 있습니다. 이 사람의 다양한 동작을 상상하는 동안 생성된 가짜 스파이크 트레인을 생성하고, 다음 사람에 대한 학습을 지원하는 데 사용하는 것입니다.” 이티는 말했다.

GAN으로 생성된 합성 데이터의 이러한 새로운 개발은 또한 분야의 다른 영역에서 획기적인 발전을 이룰 수 있습니다.

“회사가 로봇 스켈레톤, 로봇 팔 또는 음성 합성 시스템의 상업화를 시작할 준비가되면이 방법을 살펴보아야합니다. 훈련과 재훈련을 가속화하는 데 도움이 될 수 있기 때문입니다.” 이티는 말했다. “BCIs를 개선하기 위해 GAN을 사용하는 것은 이제 시작에 불과합니다.”