Cercetătorii utilizează rețelele generative adverse pentru a îmbunătăți interfețele creier-calculator

Cercetătorii de la Universitatea din California de Sud (USC) Școala de Inginerie Viterbi utilizează rețelele generative adverse (GAN) pentru a îmbunătăți interfețele creier-calculator (BCI) pentru persoanele cu dizabilități. 

GAN-urile sunt utilizate și pentru a crea videoclipuri deepfake și fețe umane fotorealiste. 

Articolul de cercetare a fost publicat în Nature Biomedical Engineering. 

Puterea BCI-urilor

Echipa a reușit să învețe un AI să genereze date sintetice de activitate cerebrală prin această abordare. Aceste date sunt sub formă de semnale neuronale numite trenuri de impulsuri, care pot fi introduse în algoritmi de învățare automată pentru a îmbunătăți BCI-urile persoanelor cu dizabilități. 

BCI-urile analizează semnalele cerebrale ale unei persoane înainte de a le traduce în comenzi, ceea ce permite utilizatorului să controleze dispozitive digitale doar cu gândurile sale. Aceste dispozitive, care pot include lucruri precum cursorul mouse-ului, pot îmbunătăți calitatea vieții pacienților care suferă de disfuncție motorie sau paralizie. De asemenea, pot beneficia persoanele cu sindrom de încarcerare, care apare atunci când persoana nu poate să se miște sau să comunice, deși este pe deplin conștientă.

Există multe tipuri diferite de BCI-uri deja pe piață, cum ar fi cele care măsoară semnalele cerebrale și dispozitivele implantate în țesuturile cerebrale. Tehnologia este în continuă îmbunătățire și aplicare în moduri noi, inclusiv neuroreabilitare și tratamentul depresiei. Cu toate acestea, este încă dificil să se facă sistemele suficient de rapide pentru a funcționa eficient în lumea reală.

BCI-urile necesită cantități masive de date neuronale și perioade lungi de antrenament, calibrare și învățare pentru a înțelege intrările lor.

Laurent Itti este profesor de științe computaționale și coautor al cercetării. 

“Obținerea de date suficiente pentru algoritmii care alimentează BCI-urile poate fi dificilă, scumpă sau chiar imposibilă, dacă persoanele paralizate nu pot produce semnale cerebrale suficient de robuste”, a spus Itti. 

Tehnologia este specifică utilizatorului, ceea ce înseamnă că trebuie să fie antrenată pentru fiecare persoană în parte. 

Rețelele generative adverse

GAN-urile pot îmbunătăți întregul proces, deoarece sunt capabile să creeze o cantitate nelimitată de noi imagini asemănătoare, prin procesul de încercare și eroare.

Shixian Wen, student doctorand condus de Itti și autor principal al studiului, a decis să examineze GAN-urile și posibilitatea ca acestea să poată crea date de antrenament pentru BCI-urile prin generarea de date neurologice sintetice care sunt indistinguabile de cele reale. 

Echipa a efectuat un experiment în care au antrenat un sintetizator de impulsuri de învățare profundă cu o sesiune de date înregistrate de la un maimuță care ajungea după un obiect. Apoi au utilizat un sintetizator pentru a genera o cantitate mare de date neurologice sintetice, dar false.

Datele sintetizate au fost apoi combinate cu cantități mici de date reale noi pentru a antrena un BCI. Cu această abordare, sistemul a putut să pornească și să ruleze mult mai repede decât metodele actuale. Mai exact, datele neurologice sintetizate GAN au îmbunătățit viteza generală de antrenament a BCI-urilor de până la 20 de ori.

“Less than a minute’s worth of real data combined with the synthetic data works as well as 20 minutes of real data”, a spus Wen.

“Este pentru prima dată când am văzut AI-ul generând rețeta pentru gândire sau mișcare prin crearea de trenuri de impulsuri sintetice. Această cercetare este un pas crucial spre a face BCI-urile mai potrivite pentru utilizarea în lumea reală.” 

După primele sesiuni experimentale, sistemul a putut să se adapteze la noi sesiuni cu cantități limitate de date neurologice suplimentare.

“Acesta este marele inovator aici — crearea de trenuri de impulsuri false care arată exact ca și cum ar veni de la această persoană, în timp ce își imaginează efectuarea diferitelor mișcări, și apoi utilizarea acestor date pentru a ajuta la învățarea pe următoarea persoană”, a spus Itti.

Aceste noi dezvoltări cu date sintetice generate GAN ar putea duce, de asemenea, la progrese în alte domenii ale acestui câmp.

“Când o companie este gata să înceapă comercializarea unui schelet robotic, un braț robotic sau un sistem de sinteză a vorbirii, ar trebui să ia în considerare această metodă, deoarece ar putea să-i ajute la accelerarea antrenamentului și reantrenamentului”, a spus Itti. “În ceea ce privește utilizarea GAN pentru a îmbunătăți interfețele creier-calculator, cred că acesta este doar începutul.”