AI wordt gebruikt om menselijke hersengolven in real-time te recreëren

Onlangs creëerde een team van onderzoekers een neurale netwerk dat in staat is om menselijke hersengolven in real-time te recreëren. Volgens Futurism, bestond het onderzoeksteam uit onderzoekers van het Moscow Institute of Physics and Technology (MIPT) en de Neurobotics corporation, en waren ze in staat om de hersengolven van een persoon te visualiseren door de golven te vertalen met een computer vision neurale netwerk, waardoor ze als afbeeldingen konden worden weergegeven.

De resultaten van de studie werden gepubliceerd in bioRxiv, en een video werd gepost naast het onderzoeksrapport, die liet zien hoe het netwerk afbeeldingen reconstrueerde. Het onderzoeksteam van MIPT hoopt dat de studie zal helpen bij het creëren van post-stroke revalidatiesystemen die worden gecontroleerd door hersengolven. Om revalidatie-apparaten voor slachtoffers van een beroerte te creëren, moeten neurobiologen de processen bestuderen die de hersenen gebruiken om informatie te coderen. Een cruciaal onderdeel van het begrijpen van deze processen is het bestuderen van hoe mensen video-informatie waarnemen. Volgens ZME Science analyseren de huidige methoden voor het extraheren van afbeeldingen uit hersengolven meestal de signalen die afkomstig zijn van neuronen, met behulp van implantaten, of extracteren afbeeldingen met behulp van functionele MRI.

Het onderzoeksteam van Neurbiotics en MIPT maakte gebruik van electroencefalografie, of EEG, die hersengolven registreert die zijn verzameld vanaf elektroden die op het hoofd zijn geplaatst. In dergelijke situaties dragen mensen vaak apparaten die hun neurale signalen volgen terwijl ze naar een video kijken of naar afbeeldingen kijken. De analyse van hersenactiviteit leverde invoerfuncties op die konden worden gebruikt in een machine learning-systeem. Het machine learning-systeem kon de afbeeldingen reconstrueren die een persoon had gezien, en deze afbeeldingen werden in real-time op een scherm weergegeven.

Het experiment werd opgedeeld in meerdere delen. In de eerste fase van het experiment lieten de onderzoekers de deelnemers 10-seconden clips van YouTube-video’s kijken voor ongeveer 20 minuten. Er waren vijf verschillende categorieën waarin de video’s waren onderverdeeld: motorsport, menselijke gezichten, abstracte vormen, watervallen en bewegende mechanismen. Deze verschillende categorieën kunnen een verscheidenheid aan objecten bevatten. Bijvoorbeeld, de categorie motorsport bevatte clips van sneeuwscooters en motorfietsen.

Het onderzoeksteam analyseerde de EEG-gegevens die waren verzameld terwijl de deelnemers naar de video’s keken. De EEG’s toonden specifieke patronen voor elk van de verschillende video-clips, en dit betekende dat het team potentieel kon interpreteren wat de deelnemers op de video’s zagen, in meer of minder real-time.

In de tweede fase van het experiment werden drie categorieën willekeurig geselecteerd. Twee neurale netwerken werden gemaakt om met deze twee categorieën te werken. Het eerste netwerk genereerde willekeurige afbeeldingen die tot een van de drie categorieën behoorden, en deze afbeeldingen werden gegenereerd uit willekeurig ruis dat werd verfijnd tot een afbeelding. Ondertussen genereerde het andere netwerk ruis op basis van de EEG-scans. De gegevens in beide netwerken werden vergeleken en de willekeurig gegenereerde afbeeldingen werden bijgewerkt op basis van de EEG-ruisgegevens, totdat de gegenereerde afbeeldingen vergelijkbaar waren met de afbeeldingen die de testpersonen zagen.

Nadat het systeem was ontworpen, testten de onderzoekers het vermogen van het programma om hersengolven te visualiseren door de testpersonen video’s te laten zien die ze nog niet hadden gezien uit dezelfde categorieën. De EEG’s die tijdens de tweede ronde van het kijken waren gegenereerd, werden aan de netwerken gegeven, en de netwerken konden afbeeldingen genereren die gemakkelijk in de juiste categorie konden worden geplaatst, 90% van de tijd.

De onderzoekers merkten op dat de resultaten van hun experiment verrassend waren, omdat het lange tijd werd aangenomen dat er onvoldoende informatie in een EEG was om afbeeldingen te reconstrueren die door mensen werden waargenomen. Echter, de resultaten van het onderzoeksteam bewezen dat het kan worden gedaan.

Vladimir Konyshev, het hoofd van de Neurorobotics Lab bij MIPT, legde uit dat, hoewel het onderzoeksteam momenteel gefocust is op het creëren van hulpmiddelen voor mensen met een handicap, de technologie die ze ontwikkelen op een gegeven moment kan worden gebruikt om neurale controle-apparaten voor de algemene bevolking te creëren. Konyshev legde uit aan TechXplore:

“We werken aan het Assistive Technologies-project van Neuronet van de National Technology Initiative, dat zich richt op de hersen-computer-interface die post-stroke-patiënten in staat stelt om een exoskeletarm te controleren voor neurorevalidatie-doelen, of verlamde patiënten om een elektrische rolstoel te besturen, bijvoorbeeld. Het uiteindelijke doel is om de nauwkeurigheid van neurale controle voor gezonde individuen te vergroten.”