Pesquisadores usam redes Adversarial generativas para melhorar as interfaces cérebro-computador

Pesquisadores da Viterbi School of Engineering da University of Southern California (USC) estão usando redes adversárias generativas (GANs) para melhorar as interfaces cérebro-computador (BCIs) para pessoas com deficiência. 

Os GANs também são usados ​​para criar vídeos deepfake e fotos de rostos humanos realistas. 

O trabalho de pesquisa foi publicado em Engenharia Biomédica da Natureza. 

O poder dos BCIs

A equipe conseguiu ensinar uma IA a gerar dados sintéticos de atividade cerebral por meio dessa abordagem. Esses dados estão na forma de sinais neurais chamados trens de picos, que podem ser inseridos em algoritmos de aprendizado de máquina para melhorar os BCIs entre pessoas com deficiência. 

Os BCIs analisam os sinais cerebrais de um indivíduo antes de traduzir a atividade neural em comandos, o que permite ao usuário controlar dispositivos digitais apenas com seus pensamentos. Esses dispositivos, que podem incluir coisas como cursores de computador, são capazes de melhorar a qualidade de vida de pacientes que sofrem de disfunção motora ou paralisia. Eles também podem beneficiar indivíduos com síndrome de encarceramento, que ocorre quando a pessoa é incapaz de se mover ou se comunicar apesar de estar totalmente consciente.

Já existem muitos tipos diferentes de BCIs no mercado, como aqueles que medem sinais cerebrais e dispositivos implantados em tecidos cerebrais. A tecnologia está constantemente melhorando e sendo aplicada de novas maneiras, incluindo neurorreabilitação e tratamento da depressão. No entanto, ainda é difícil tornar os sistemas rápidos o suficiente para operar com eficiência no mundo real.

Os BCIs exigem grandes quantidades de dados neurais e longos períodos de treinamento, calibrações e aprendizado para entender suas entradas.

Laurent Itti é professor de ciência da computação e coautor da pesquisa. 

“Obter dados suficientes para os algoritmos que alimentam os BCIs pode ser difícil, caro ou mesmo impossível se indivíduos paralisados ​​não forem capazes de produzir sinais cerebrais suficientemente robustos”, disse Itti. 

A tecnologia é específica do usuário, o que significa que deve ser treinada para cada indivíduo. 

Redes Adversariais Generativas

As GANs podem melhorar todo esse processo, pois são capazes de criar uma quantidade ilimitada de novas imagens semelhantes passando por um processo de tentativa e erro.

Shixian Wen, um estudante de doutorado aconselhado por Itti e principal autor do estudo, decidiu olhar para GANs e a possibilidade de que eles pudessem criar dados de treinamento para BCIs gerando dados neurológicos sintéticos que são indistinguíveis da contraparte real. 

A equipe realizou um experimento em que treinou um sintetizador de pico de aprendizado profundo com uma sessão de dados gravada de um macaco alcançando um objeto. Eles então usaram um sintetizador para gerar uma grande quantidade de dados neurais semelhantes, mas falsos.

Os dados sintetizados foram então combinados com pequenas quantidades de novos dados reais para treinar um BCI. Com essa abordagem, o sistema foi capaz de começar a funcionar muito mais rápido do que os métodos atuais. Mais especificamente, os dados neurais sintetizados por GAN melhoraram a velocidade geral de treinamento do BCI em até 20 vezes.

“Menos de um minuto de dados reais combinados com dados sintéticos funcionam tão bem quanto 20 minutos de dados reais”, disse Wen.

“É a primeira vez que vimos a IA gerar a receita para o pensamento ou movimento por meio da criação de trens de picos sintéticos. Esta pesquisa é um passo crítico para tornar os BCIs mais adequados para uso no mundo real”. 

Após as primeiras sessões experimentais, o sistema foi capaz de se adaptar a novas sessões com dados neurais adicionais limitados.

“Essa é a grande inovação aqui – criar trens de pico falsos que se parecem com os que vêm dessa pessoa enquanto ela imagina fazer movimentos diferentes, e também usar esses dados para ajudar no aprendizado da próxima pessoa”, disse Itti.

Esses novos desenvolvimentos com dados sintéticos gerados por GAN também podem levar a avanços em outras áreas do campo.

“Quando uma empresa está pronta para começar a comercializar um esqueleto robótico, braço robótico ou sistema de síntese de fala, ela deve considerar esse método, porque pode ajudá-la a acelerar o treinamento e o retreinamento”, disse Itti. “Quanto ao uso da GAN para melhorar as interfaces cérebro-computador, acho que isso é apenas o começo.”