Doorbraak in AI verbetert hersen-computerinterfaces door het decoderen van complexe hersensignalen

Onderzoekers aan de Chiba University in Japan hebben een nieuw kunstmatig intelligentie-kader ontwikkeld dat complexe hersenactiviteit met significant verbeterde nauwkeurigheid kan decoderen, waarmee een belangrijke stap wordt gezet naar betrouwbaardere hersen-computerinterfaces (BCI’s). Deze doorbraak kan helpen de ontwikkeling van hulpmiddelen te versnellen die mensen met neurologische aandoeningen in staat stellen apparaten zoals protheseledematen, rolstoelen en revalidatie-robots met hun gedachten te bedienen.

Het onderzoek, geleid door promovendus Chaowen Shen en professor Akio Namiki aan de Graduate School of Engineering van de Chiba University, introduceert een nieuw diep leerarchitectuur genaamd Embedding-Driven Graph Convolutional Network (EDGCN). Het systeem is ontworpen om de complexe elektrische signalen te interpreteren die in de hersenen worden gegenereerd wanneer iemand zich voorstelt dat hij zijn ledematen beweegt – een proces dat bekend staat als motorische voorstelling.

Hersen-Computerinterfaces en Motorische Voorstelling

Hersen-computerinterfaces hebben als doel een communicatiekanaal te creëren tussen de menselijke hersenen en externe machines. In plaats van te vertrouwen op spierbeweging, interpreteren BCI’s neurale signalen en zetten ze om in opdrachten voor digitale systemen of fysieke apparaten.

Een van de meest uitgebreid bestudeerde benaderingen in BCI-onderzoek is motorische voorstelling electroencefalografie (MI-EEG). In deze systemen stellen gebruikers zich voor dat ze bewegingen uitvoeren – zoals het optillen van een hand, het grijpen van een voorwerp of het lopen. Ondanks dat er geen fysieke beweging plaatsvindt, genereert de hersenen kenmerkende patronen van elektrische activiteit die geassocieerd zijn met de voorgestelde beweging.

Deze signalen kunnen worden vastgelegd met behulp van electroencefalografie (EEG), een niet-invasieve techniek die hersenactiviteit registreert via elektroden op het hoofd. EEG biedt multi-kanaals tijdsreeksgegevens die neurale activiteit over verschillende delen van de hersenen weergeven.

Het decoderen van deze signalen met nauwkeurigheid stelt computers in staat om neurale activiteit om te zetten in uitvoerbare opdrachten. In de praktijk kan dit mensen met verlamming of ernstige motorische beperking in staat stellen hulpmiddelen te bedienen door zich alleen maar bewegingen voor te stellen.

Echter, het bereiken van betrouwbare decoding van MI-EEG-signalen blijft een van de moeilijkste uitdagingen in neurotechnologie.

Waarom Hersensignalen Moeilijk te Decoderen Zijn

Het primaire obstakel in de ontwikkeling van hersen-computerinterfaces ligt in de inherente complexiteit van EEG-signalen.

Motorische voorstellingssignalen vertonen hoge spatiotemporele variabiliteit, wat betekent dat ze zowel over verschillende hersengebieden als over tijd variëren. Ze verschillen ook sterk tussen individuen en zelfs binnen dezelfde persoon van de ene sessie tot de andere.

Traditionele machine learning-modellen hebben vaak moeite met deze variaties. Veel bestaande systemen vertrouwen op vooraf gedefinieerde grafische structuren of vaste parameters die ervan uitgaan dat hersensignalen consistent gedragen. In werkelijkheid zijn neurale signalen veel dynamischer en heterogener.

Eerdere methoden gebruikten vaak technieken zoals common spatial pattern-analyse of conventionele convolutionele neurale netwerken om kenmerken uit EEG-signalen te extraheren. Hoewel deze benaderingen enkele patronen in neurale activiteit kunnen identificeren, missen ze vaak diepere interacties tussen hersengebieden of evoluerende patronen in de tijd.

Als gevolg hiervan vereisen veel BCI-systemen uitgebreide kalibratie en training voordat ze effectief kunnen functioneren voor individuele gebruikers.

Een Nieuwe Benadering: Embedding-Driven Graph Convolutional Networks

Het onderzoeksteam van de Chiba University heeft deze uitdagingen aangepakt door een nieuw diep leer-kader te ontwikkelen dat beter in staat is de complexiteit van hersenactiviteit te modelleren.

Hun oplossing – Embedding-Driven Graph Convolutional Network (EDGCN) – combineert verschillende geavanceerde technieken om de ruimtelijke en temporele structuur van EEG-signalen tegelijk te modelleren.

Het kader integreert meerdere gespecialiseerde componenten:

Multi-Resolutie Temporele Embedding (MRTE)

Deze module analyseert EEG-signalen op verschillende tijdschalen. Omdat neurale signalen snel evolueren, kan belangrijke informatie op verschillende temporele resoluties voorkomen. MRTE extrahereert kenmerken uit multi-resolutie macht spectrale patronen, waardoor het systeem in staat is om betekenisvolle neurale activiteit te identificeren die anders gemist zou kunnen worden.

Structuur-Bewuste Ruimtelijke Embedding (SASE)

Hersensignalen zijn niet geïsoleerd; verschillende hersengebieden interacteren continu. De SASE-mechanisme modelleert deze interacties door zowel lokale als globale connectiviteitsstructuren tussen EEG-elektroden te incorporeren. Dit stelt de AI in staat om de hersenen te representeren als een netwerk in plaats van als onafhankelijke signaalkanalen.

Heterogeniteit-Bewuste Parameter Generatie

Een van de meest innovatieve aspecten van het EDGCN-kader is de mogelijkheid om grafische convolution parameters dynamisch te genereren uit een embedding-gedreven parameterbank. Dit stelt het model in staat om zich aan te passen aan de unieke kenmerken van elke onderwerp-hersensignalen.

Om dit proces te ondersteunen, gebruikten de onderzoekers Chebyshev grafische convolution, een techniek die efficiënt relaties binnen complexe netwerken modelleert.

Orthogonaliteit-Beperkte Kernels

Om de robuustheid verder te verbeteren, introduceert het model orthogonaliteit-beperkingen binnen zijn convolution-kernels. Dit moedigt diversiteit aan in de geleerde kenmerken en reduceert redundantie, waardoor het systeem rijkere representaties van EEG-signalen kan extraheren.

Samen stellen deze componenten EDGCN in staat om zowel lokale neurale activiteitspatronen als grote-schaal interacties tussen hersengebieden te modelleren, waardoor een nauwkeurigere decoding van motorische voorstellingssignalen mogelijk wordt.

Prestatie Resultaten

De onderzoekers testten EDGCN met behulp van breed gebruikt benchmark datasets van de BCI Competition IV, die standaard evaluatie-datasets zijn in het veld van hersen-computerinterface-onderzoek.

Het model behaalde:

• 90,14% classificatie nauwkeurigheid op de BCIC-IV-2b dataset
• 86,50% classificatie nauwkeurigheid op de BCIC-IV-2a dataset

Deze resultaten overtreffen verschillende bestaande state-of-the-art decoding methoden en demonstreren een sterke generalisatie over verschillende onderwerpen.

Belangrijk is dat het systeem ook een verbeterde aanpasbaarheid vertoonde bij toepassing op cross-onderwerp scenario’s, een cruciale vereiste voor praktische BCI-implementatie. Veel bestaande modellen presteren goed voor een enkele getrainde gebruiker, maar falen wanneer ze worden toegepast op nieuwe individuen. De embedding-gedreven architectuur van EDGCN helpt deze beperking te overwinnen door beter de individuele variabiliteit te modelleren.

Implicaties voor Revalidatie en Hulpmiddelen

De mogelijkheid om hersensignalen nauwkeuriger te decoderen kan diepgaande implicaties hebben voor hulpmiddelen.

Motorische voorstelling-gebaseerde BCI’s worden reeds onderzocht voor toepassingen zoals:

• Gedachte-gestuurde rolstoelen
• Neurale prothesen
• Robotische revalidatie-apparaten
• Communicatiesystemen voor patiënten met verlamming

Een verbeterde decoding nauwkeurigheid kan deze technologieën significant betrouwbaarder en gemakkelijker in gebruik maken.

Onderzoekers geloven dat systemen zoals EDGCN kunnen helpen bij patiënten met aandoeningen zoals:

• Beroerte
• Rugletsel
• Amyotrofe laterale sclerose (ALS)
• Andere neuromusculoskeletale aandoeningen

Met een betere signaalinterpretatie kunnen patiënten mogelijk neurorevalidatie-apparaten bedienen door eenvoudigweg bewegingen voor te stellen, waardoor een meer natuurlijke interactie met hulpmiddelen mogelijk wordt.

Volgens professor Namiki is het decoderen van motorische voorstellingssignalen niet alleen een technologische uitdaging, maar ook een kans om beter te begrijpen hoe de hersenen beweging en neurale connectiviteit organiseren.

Naar Consumentenklasse Hersen-Computerinterfaces

Ondanks decennia van onderzoek, blijven de meeste hersen-computerinterface-systemen beperkt tot laboratoria of gespecialiseerde klinische omgevingen. Betrouwbaarheid, aanpasbaarheid en gebruiksgemak blijven significante barrières voor bredere adoptie.

Doorbraken zoals EDGCN kunnen helpen BCI’s dichter bij consumentenklasse neurotechnologie te brengen.

Door de mogelijkheid van het systeem te verbeteren om heterogene hersensignalen te verwerken, reduceert het model de noodzaak voor uitgebreide kalibratie en expertafstelling. Dit is een cruciale stap naar het maken van BCI-systemen bruikbaar buiten onderzoeksomgevingen.

Toekomstig onderzoek zal waarschijnlijk focussen op het integreren van dergelijke AI-modellen in draagbare EEG-systemen en draagbare apparaten. In combinatie met verbeteringen in sensortechnologie en rekenkracht, kunnen deze systemen meer toegankelijke en schaalbare hersen-machineinterfaces mogelijk maken.

Een Stap naar Diepere Mens-Machine Integratie

De ontwikkeling van EDGCN weerspiegelt een bredere trend in kunstmatige intelligentie en neurologie: het toenemend gebruik van grafische neurale netwerken om biologische systemen te modelleren.

Omdat de hersenen zelf functioneren als een complex netwerk van verbonden regio’s, bieden grafische neurale netwerken een natuurlijke manier om hun structuur en dynamiek te representeren. Naarmate deze AI-modellen geavanceerder worden, kunnen ze diepere inzichten in neurale activiteit en cognitie ontsluiten.

Uiteindelijk kan een verbeterde decoding van hersensignalen de weg vrijmaken voor een nieuwe generatie technologieën die mensen in staat stellen machines meer naadloos te bedienen dan ooit tevoren.

Als de vooruitgang op het huidige tempo voortduurt, kunnen hersen-computerinterfaces mogelijk binnenkort overgang maken van experimentele onderzoeksinstrumenten naar alledaagse hulpmiddelen die in staat zijn onafhankelijkheid en mobiliteit te herstellen voor miljoenen mensen wereldwijd.