Pesquisadores Usam Redes Adversárias Generativas para Melhorar Interfaces Cérebro-Computador

Pesquisadores da Universidade do Sul da Califórnia (USC) Viterbi School of Engineering estão usando redes adversárias generativas (GANs) para melhorar as interfaces cérebro-computador (BCIs) para pessoas com deficiências.

As GANs também são usadas para criar vídeos deepfake e faces humanas fotorealistas.

O artigo de pesquisa foi publicado em Nature Biomedical Engineering.

O Poder das BCIs

A equipe conseguiu ensinar um AI a gerar dados sintéticos de atividade cerebral por meio dessa abordagem. Esses dados estão na forma de sinais neurais chamados de trens de espigas, que podem ser alimentados em algoritmos de aprendizado de máquina para melhorar as BCIs entre as pessoas com deficiências.

As BCIs analisam os sinais cerebrais de um indivíduo antes de traduzir a atividade neural em comandos, o que permite que o usuário controle 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 aprisionamento, que ocorre quando a pessoa é incapaz de se mover ou se comunicar, apesar de estar totalmente consciente.

Existem muitos tipos diferentes de BCIs já disponíveis no mercado, como os que medem sinais cerebrais e dispositivos que são implantados em tecidos cerebrais. A tecnologia está constantemente melhorando e sendo aplicada de novas maneiras, incluindo neuroreabilitação e tratamento de depressão. No entanto, ainda é difícil tornar os sistemas suficientemente rápidos para operar de forma eficiente no mundo real.

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

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

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

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

Redes Adversárias Generativas

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

Shixian Wen, um estudante de doutorado orientado por Itti e autor principal do estudo, decidiu examinar as GANs e a possibilidade de que elas pudessem criar dados de treinamento para as BCIs, gerando dados neurológicos sintéticos indistinguíveis dos dados reais.

A equipe realizou um experimento no qual treinou um sintetizador de espigas de aprendizado profundo com uma sessão de dados registrados de um macaco alcançando um objeto. Em seguida, usou um sintetizador para gerar uma grande quantidade de dados neurais sintéticos semelhantes, mas falsos.

Os dados sintetizados foram então combinados com pequenas quantidades de novos dados reais para treinar uma BCI. Com essa abordagem, o sistema foi capaz de iniciar e funcionar muito mais rápido do que os métodos atuais. Mais especificamente, os dados neurológicos sintéticos gerados pelas GANs melhoraram a velocidade de treinamento geral das BCIs em até 20 vezes.

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

“É a primeira vez que vemos o AI gerar a receita para o pensamento ou movimento por meio da criação de trens de espigas sintéticos. Essa pesquisa é um passo crítico para tornar as BCIs mais adequadas para uso no mundo real.”

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

“Essa é a grande inovação aqui – criar trens de espigas falsos que parecem vir dessa pessoa enquanto imagina fazer diferentes movimentos, e também usar esses dados para ajudar no aprendizado na próxima pessoa”, disse Itti.

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

“Quando uma empresa estiver pronta para começar a comercializar um esqueleto robótico, um braço robótico ou um sistema de síntese de fala, elas devem olhar para esse método, porque pode ajudá-las a acelerar o treinamento e o retreinamento”, disse Itti. “Quanto a usar GAN para melhorar as interfaces cérebro-computador, acho que isso é apenas o começo.”