Prințul AI îmbunătățește interfețele creier-calculator prin decodarea semnalelor cerebrale complexe

Cercetătorii de la Universitatea Chiba din Japonia au dezvoltat un nou cadru de inteligență artificială capabil să decodeze activitatea cerebrală complexă cu o acuratețe semnificativ îmbunătățită, marcând un pas important către interfețe creier-calculator (BCI) mai fiabile. Prințul acesta poate ajuta la accelerarea dezvoltării tehnologiilor asistive care permit persoanelor cu afecțiuni neurologice să controleze dispozitive precum proteze, scaune cu rotile și roboți de reabilitare folosindu-și gândurile.

Cercetarea, condusă de studentul doctorand Chaowen Shen și profesorul Akio Namiki de la Școala de Inginerie a Universității Chiba, introduce o arhitectură de învățare profundă nouă, cunoscută sub numele de Rețea de Convoluție Grafică Dirijată de Încorporare (EDGCN). Sistemul este proiectat pentru a interpreta semnalele electrice complexe generate în creier atunci când o persoană își imaginează mișcări ale membrelor – un proces cunoscut sub numele de imagistică motorie.

Interfețele Creier-Calculator și Imagistica Motorie

Interfețele creier-calculator își propun să creeze un canal de comunicare între creierul uman și mașinile externe. În loc să se bazeze pe mișcarea musculară, interfețele creier-calculator interpretează semnalele neuronale și le convertește în comenzi pentru sisteme digitale sau dispozitive fizice.

Una dintre cele mai studiate abordări în cercetarea interfețelor creier-calculator implică electroencefalografia imagisticii motorii (MI-EEG). În aceste sisteme, utilizatorii își imaginează mișcări – cum ar fi ridicarea unei mâini, apucarea unui obiect sau mersul. Chiar dacă nu are loc nicio mișcare fizică, creierul generează modele distinctive de activitate electrică asociate cu mișcarea imaginară.

Aceste semnale pot fi capturate folosind electroencefalografia (EEG), o tehnică neinvazivă care înregistrează activitatea cerebrală prin electrozi plasați pe scalp. EEG oferă date cu serie temporală multi-canal care reprezintă activitatea neuronală în diferite regiuni ale creierului.

Decodarea acestor semnale în mod precis permite calculatoarelor să traducă activitatea neuronală în comenzi actionabile. În practică, acest lucru ar putea permite persoanelor cu paralizie sau deficiențe motorii severe să controleze tehnologii asistive pur și simplu imaginându-și mișcări.

Cu toate acestea, realizarea decodării fiabile a semnalelor MI-EEG rămâne una dintre cele mai dificile provocări în neurotehnologie.

De Ce Semnalele Cerebrale Sunt Dificil de Decodat

Obstacolul principal în dezvoltarea interfețelor creier-calculator constă în complexitatea inerentă a semnalelor EEG.

Semnalele imagisticii motorii prezintă o variabilitate spațio-temporală ridicată, ceea ce înseamnă că variază atât în diferite regiuni ale creierului, cât și în timp. De asemenea, ele diferă foarte mult între indivizi și chiar în cadrul aceleiași persoane de la o sesiune la alta.

Modelele tradiționale de învățare automată adesea se luptă cu aceste variații. Multe sisteme existente se bazează pe structuri de grafice predefinite sau parametri fixi care presupun că semnalele cerebrale se comportă în moduri consistente. În realitate, semnalele neuronale sunt mult mai dinamice și eterogene.

Metodele anterioare au folosit adesea tehnici precum analiza modelului spațial comun sau rețelele neuronale convolutive convenționale pentru a extrage caracteristici din semnalele EEG. Deși aceste abordări pot identifica anumite modele în activitatea neuronală, ele nu reușesc adesea să capteze interacțiunile mai profunde între regiunile creierului sau modelele evolutive în timp.

Ca urmare, multe sisteme BCI necesită o calibrare și o instruire extinsă înainte de a putea funcționa eficient pentru utilizatori individuali.

O Abordare Nouă: Rețele de Convoluție Grafică Dirijată de Încorporare

Echipa de cercetare de la Universitatea Chiba a abordat aceste provocări prin dezvoltarea unui nou cadru de învățare profundă proiectat pentru a capta mai bine complexitatea activității cerebrale.

Soluția lor – Rețea de Convoluție Grafică Dirijată de Încorporare (EDGCN) – combină mai multe tehnici avansate pentru a modela structura spațială și temporală a semnalelor EEG în același timp.

La nucleul acestui cadru se află un mecanism de fuziune dirijat de încorporare care permite sistemului să genereze dinamic parametrii utilizați pentru decodarea semnalelor cerebrale. În loc să se bazeze pe arhitecturi fixe, EDGCN adaptează reprezentarea sa internă pentru a capta mai bine variațiile dintre subiecți și în timp.

Arhitectura integrează multiple componente specializate:

Încorporare Temporală Multi-Rezoluție (MRTE)

Acest modul analizează semnalele EEG la diferite scări de timp. Deoarece semnalele neuronale evoluează rapid, informații importante pot apărea la diferite rezoluții temporale. MRTE extrage caracteristici din modele spectrale de putere multi-rezoluție, permițând sistemului să identifice activitate neuronală semnificativă care ar putea fi altfel pierdută.

Încorporare Spațială Conștientă de Structură (SASE)

Semnalele cerebrale nu sunt izolate; diferite regiuni ale creierului interacționează continuu. Mecanismul SASE modelează aceste interacțiuni prin integrarea atât a conectivității locale, cât și a celei globale între electrozii EEG. Acest lucru permite sistemului să reprezinte creierul ca o rețea și nu ca canale de semnal independente.

Generare de Parametri Conștientă de Heterogenitate

Una dintre cele mai inovatoare aspecte ale cadrului EDGCN este capacitatea sa de a genera dinamic parametri de convoluție grafică dintr-o bancă de parametri dirijată de încorporare. Acest lucru permite modelului să se adapteze la caracteristicile unice ale semnalelor cerebrale ale fiecărui subiect.

Pentru a sprijini acest proces, cercetătorii au utilizat convoluția grafică Chebyshev, o tehnică care modelează eficient relațiile din cadrul unor rețele complexe.

Nuclee Constrainate de Ortogonalitate

Pentru a îmbunătăți și mai mult robustețea, modelul introduce constrângeri de ortogonalitate în cadrul nucleelelor sale de convoluție. Acest lucru încurajează diversitatea în caracteristicile învățate și reduce redundanța, ajutând sistemul să extragă reprezentări mai bogate din semnalele EEG.

Împreună, aceste componente permit EDGCN să capteze atât modelele locale de activitate neuronală, cât și interacțiunile la scară largă între regiunile creierului, rezultând în decodarea mai precisă a semnalelor imagisticii motorii.

Rezultate ale Performanței

Cercetătorii au testat EDGCN utilizând seturi de date de referință larg utilizate din Competiția BCI IV, care sunt seturi standard de evaluare în domeniul cercetării interfețelor creier-calculator.

Modelul a obținut:

• 90,14% acuratețe de clasificare pe setul de date BCIC-IV-2b
• 86,50% acuratețe de clasificare pe setul de date BCIC-IV-2a

Aceste rezultate depășesc mai multe metode de decodare de ultimă generație existente și demonstrează o puternică generalizare pe subiecți diferiți.

În mod important, sistemul a arătat, de asemenea, o adaptabilitate îmbunătățită atunci când a fost aplicat în scenarii de subiecți diferiți, o cerință cheie pentru implementarea practică a BCI. Multe modele existente funcționează bine pentru un utilizator instruit, dar eşuează atunci când sunt aplicate unor indivizi noi. Arhitectura dirijată de încorporare a EDGCN ajută la depășirea acestei limitări prin modelarea mai bună a variabilității individuale.

Implicații pentru Reabilitare și Tehnologie Asistivă

Capacitatea de a decoda semnalele cerebrale în mod mai precis poate avea implicații profunde pentru tehnologiile asistive.

Interfețele creier-calculator bazate pe imagistică motorie sunt deja explorate pentru aplicații precum:

• scaune cu rotile controlate prin gânduri
• proteze neuronale
• dispozitive de reabilitare robotică
• sisteme de comunicare pentru pacienții cu paralizie

O acuratețe îmbunătățită a decodării poate face aceste tehnologii mult mai fiabile și mai ușor de utilizat.

Cercetătorii cred că sisteme precum EDGCN pot ajuta pacienții cu afecțiuni precum:

• accident vascular cerebral
• leziuni ale măduvei spinării
• boala Lou Gehrig (ALS)
• alte tulburări neuromusculare

Cu o interpretare a semnalelor mai fiabilă, pacienții ar putea controla dispozitive de neuroreabilitare prin simple mișcări imaginate, permițând o interacțiune mai naturală cu sistemele asistive.

Conform profesorului Namiki, decodarea semnalelor imagisticii motorii nu este doar o provocare tehnologică, ci și o oportunitate de a înțelege mai bine cum creierul organizează mișcarea și conectivitatea neuronală.

Înspre Interfețe Creier-Calculator de Clasă Consumator

În ciuda deceniilor de cercetare, majoritatea sistemelor de interfețe creier-calculator rămân limitate la laboratoare sau medii clinice specializate. Fiabilitatea, adaptabilitatea și ușurința în utilizare rămân bariere semnificative pentru adoptarea mai largă.

Progrese precum EDGCN pot ajuta la aducerea interfețelor creier-calculator mai aproape de tehnologia de clasă consumator.

Prin îmbunătățirea capacității sistemului de a gestiona semnalele cerebrale eterogene, modelul reduce nevoia de calibrare extinsă și reglare expertă. Acesta este un pas critic către facerea sistemelor BCI utilizabile în afara mediilor de cercetare.

Cercetările viitoare se vor concentra probabil pe integrarea unor astfel de modele AI în sisteme EEG portabile și dispozitive purtabile. În combinație cu îmbunătățirile tehnologiei de senzori și puterii de calcul, aceste sisteme ar putea permite interfețe creier-mașină mai accesibile și mai scalabile.

Un Pas către o Integrare Mai Adâncă Om-Mașină

Dezvoltarea EDGCN reflectă o tendință mai largă în inteligența artificială și neuroștiințe: utilizarea tot mai frecventă a rețelelor neuronale grafice pentru modelarea sistemelor biologice.

Deoarece creierul însuși funcționează ca o rețea complexă de regiuni interconectate, rețelele neuronale grafice oferă o modalitate naturală de a reprezenta structura și dinamica sa. Pe măsură ce aceste modele AI devin mai sofisticate, ele pot debloca perspective mai profunde asupra activității neuronale și a cogniției.

În cele din urmă, decodarea îmbunătățită a semnalelor cerebrale poate deschide calea către o nouă generație de tehnologii care permit oamenilor să interacționeze cu mașinile într-un mod mai fluid decât oricând.

Dacă progresul continuă în ritmul actual, interfețele creier-calculator ar putea trece în curând de la unelte de cercetare experimentală la tehnologii asistive de uz zilnic, capabile să restaureze independența și mobilitatea pentru milioane de oameni din întreaga lume.