Прорыв в области искусственного интеллекта улучшает интерфейсы «мозг-компьютер», расшифровывая сложные мозговые сигналы.

Исследователи Университет Тиба В Японии разработана новая система искусственного интеллекта, способная расшифровывать сложную активность мозга со значительно повышенной точностью, что является важным шагом на пути к более надежной работе. Интерфейсы «мозг-компьютер» (BCI)Этот прорыв может помочь ускорить разработку вспомогательных технологий, позволяющих людям с неврологическими заболеваниями управлять такими устройствами, как протезы конечностей, инвалидные коляски и реабилитационные роботы, с помощью своих мыслей.

Команда исследованиямиИсследование, проводимое аспирантом Чаовэнем Шеном и профессором Акио Намики из Высшей инженерной школы Университета Тиба, представляет новую архитектуру глубокого обучения, известную как Сверточная сеть на основе графов с использованием встраивания (EDGCN)Система предназначена для интерпретации сложных электрических сигналов, генерируемых в мозге, когда человек представляет себе движение конечностей — процесс, известный как моторное воображение.

Интерфейсы «мозг-компьютер» и двигательное воображение

Интерфейсы «мозг-компьютер» (BCI) призваны создать канал эмоциональной связи между человеческим мозгом и внешними машинами. Вместо того чтобы полагаться на движения мышц, BCI интерпретируют нейронные сигналы и преобразуют их в команды для цифровых систем или физических устройств.

Один из наиболее широко изучаемых подходов в исследованиях интерфейсов мозг-компьютер включает в себя Электроэнцефалография с использованием двигательного воображения (MI-EEG). В этих системах пользователи представляют себе выполнение движений — например, поднятие руки, захватывание предмета или ходьбу. Даже если физического движения не происходит, мозг генерирует характерные паттерны электрической активности, связанные с воображаемым движением.

Эти сигналы можно зафиксировать с помощью электроэнцефалография (ЭЭГ)ЭЭГ — это неинвазивная методика, которая регистрирует активность мозга с помощью электродов, размещенных на коже головы. ЭЭГ предоставляет многоканальные данные временных рядов, отражающие нейронную активность в различных областях мозга.

Точное расшифровывание этих сигналов позволяет компьютерам преобразовывать нейронную активность в команды, способные к действию. На практике это может позволить людям с параличом или тяжелыми двигательными нарушениями управлять вспомогательными технологиями, просто представляя движения.

Однако обеспечение надежного декодирования сигналов MI-EEG остается одной из самых сложных задач в нейротехнологиях.

Почему сигналы мозга сложно расшифровать

Основная проблема в разработке интерфейсов «мозг-компьютер» заключается в присущей сигналам ЭЭГ сложности.

Сигналы, возникающие при мысленном представлении движений, демонстрируют высокую пространственно-временную изменчивость, то есть они варьируются как в разных областях мозга, так и во времени. Они также значительно различаются между отдельными людьми и даже внутри одного и того же человека от одного сеанса к другому.

Традиционные модели машинного обучения часто испытывают трудности с обработкой подобных вариаций. Многие существующие системы полагаются на предопределенные структуры графов или фиксированные параметры, предполагающие, что сигналы мозга ведут себя в соответствии с заданными закономерностями. В действительности же нейронные сигналы гораздо более динамичны и неоднородны.

Более ранние методы часто использовали такие приемы, как анализ пространственных паттернов или традиционные сверточные нейронные сети, для извлечения признаков из сигналов ЭЭГ. Хотя эти подходы могут выявлять некоторые закономерности в нейронной активности, они часто не позволяют обнаружить более глубокие взаимодействия между областями мозга или изменяющиеся во времени паттерны.

В результате многие системы интерфейса мозг-компьютер требуют обширной калибровки и обучения, прежде чем они смогут эффективно функционировать для отдельных пользователей.

Новый подход: графовые сверточные сети, основанные на встраивании.

Исследовательская группа Университета Тиба решила эти проблемы, разработав новую структуру глубокого обучения, предназначенную для более точного отражения сложности мозговой активности.

Их решение — графовая сверточная сеть на основе встраивания (EDGCN) — объединяет несколько передовых методов для одновременного моделирования пространственной и временной структуры сигналов ЭЭГ.

В основе структуры лежит механизм слияния, основанный на встраивании данных, который позволяет системе динамически генерировать параметры, используемые для декодирования сигналов мозга. Вместо того чтобы полагаться на фиксированные архитектуры, EDGCN адаптирует свое внутреннее представление для лучшего учета вариаций между субъектами и во времени.

Архитектура объединяет множество специализированных компонентов:

Многоразрешенное временное встраивание (MRTE)

Этот модуль анализирует сигналы ЭЭГ в разных временных масштабах. Поскольку нейронные сигналы быстро меняются, важная информация может поступать с разным временным разрешением. MRTE извлекает признаки из многоразрешающие спектральные картины мощностиэто позволяет системе выявлять значимую нейронную активность, которая в противном случае могла бы быть пропущена.

Встраивание пространственных данных с учетом структуры (SASE)

Мозговые сигналы не изолированы; различные области мозга постоянно взаимодействуют. Механизм SASE моделирует эти взаимодействия, включая как локальные, так и глобальные структуры связности между электродами ЭЭГ. Это позволяет ИИ представлять мозг как сеть, а не как независимые сигнальные каналы.

Генерация параметров с учетом гетерогенности

Одним из наиболее инновационных аспектов структуры EDGCN является ее способность динамически генерировать параметры свертки графа из банка параметров, основанного на эмбеддингах. Это позволяет модели адаптироваться к уникальным характеристикам мозговых сигналов каждого субъекта.

Для поддержки этого процесса исследователи использовали свертка графа Чебышева, это метод, который эффективно моделирует взаимосвязи внутри сложных сетей.

Ядра с ограничениями по ортогональности

Для дальнейшего повышения устойчивости модель вводит ограничения ортогональности в свои сверточные ядра. Это способствует разнообразию изучаемых признаков и уменьшает избыточность, помогая системе извлекать более полные представления из сигналов ЭЭГ.

В совокупности эти компоненты позволяют EDGCN улавливать как локальные паттерны нейронной активности, так и крупномасштабные взаимодействия между областями мозга, что приводит к более точному декодированию сигналов двигательного воображения.

Результаты производительности

Исследователи протестировали EDGCN, используя широко распространенные эталонные наборы данных. Конкурс BCI IVкоторые являются стандартными оценочными наборами данных в области исследований интерфейсов «мозг-компьютер».

Полученная модель:

• Точность классификации 90.14% на наборе данных BCIC-IV-2b
• Точность классификации 86.50% на наборе данных BCIC-IV-2a

Эти результаты превосходят ряд существующих передовых методов декодирования и демонстрируют высокую обобщающую способность в отношении различных испытуемых.

Важно отметить, что система также продемонстрировала улучшенную адаптивность при применении к различным сценариям использования, что является ключевым требованием для практического внедрения интерфейсов мозг-компьютер. Многие существующие модели хорошо работают с одним обученным пользователем, но терпят неудачу при применении к новым людям. Архитектура EDGCN, основанная на встраивании данных, помогает преодолеть это ограничение за счет лучшего моделирования индивидуальной изменчивости.

Последствия для реабилитации и вспомогательных технологий

Способность более точно расшифровывать сигналы мозга может иметь серьезные последствия для вспомогательных технологий.

Интерфейсы мозг-компьютер на основе мысленных образов движений уже изучаются для таких применений, как:

• Инвалидные кресла, управляемые мыслью
• Нейропротезирование
• Роботизированные реабилитационные устройства
• Системы связи для пациентов с параличом

Повышение точности декодирования может сделать эти технологии значительно более надежными и простыми в использовании.

Исследователи считают, что такие системы, как EDGCN, могут помочь пациентам с такими заболеваниями, как:

• ход поршня
• Повреждения спинного мозга
• Амиотрофический боковой склероз (БАС)
• Другие нервно-мышечные расстройства

Благодаря более надежной интерпретации сигналов пациенты потенциально могли бы управлять нейрореабилитационными устройствами посредством простых воображаемых движений, что позволило бы им более естественно взаимодействовать со вспомогательными системами.

По словам профессора Намики, расшифровка сигналов, связанных с мысленным представлением движений, — это не только технологическая задача, но и возможность лучше понять, как мозг организует движения и нейронные связи.

На пути к созданию потребительских интерфейсов «мозг-компьютер».

Несмотря на десятилетия исследований, большинство систем интерфейса «мозг-компьютер» по-прежнему используются в лабораториях или специализированных клинических условиях. Надежность, адаптируемость и простота использования остаются существенными препятствиями для более широкого внедрения.

Такие разработки, как EDGCN, могут помочь приблизить интерфейсы мозг-компьютер к нейротехнологиям потребительского класса.

Благодаря улучшению способности системы обрабатывать разнородные сигналы мозга, модель снижает необходимость в обширной калибровке и экспертной настройке. Это важный шаг на пути к тому, чтобы системы интерфейса мозг-компьютер стали пригодны для использования за пределами исследовательских сред.

Дальнейшие исследования, вероятно, будут сосредоточены на интеграции таких моделей ИИ в портативные системы ЭЭГ и носимые устройства. В сочетании с усовершенствованиями в сенсорных технологиях и вычислительной мощности эти системы могут обеспечить более доступные и масштабируемые интерфейсы «мозг-машина».

Шаг к более глубокой интеграции человека и машины

Разработка EDGCN отражает более широкую тенденцию в области искусственного интеллекта и нейронауки: растущее использование нейронных сетей на основе графов для моделирования биологических систем.

Поскольку сам мозг функционирует как сложная сеть взаимосвязанных областей, графовые нейронные сети предоставляют естественный способ представления его структуры и динамики. По мере того как эти модели ИИ становятся все более совершенными, они могут позволить получить более глубокое понимание нейронной активности и когнитивных процессов.

В конечном итоге, улучшенное расшифровка сигналов мозга может проложить путь к новому поколению технологий, которые позволят людям взаимодействовать с машинами более плавно, чем когда-либо прежде.

Если прогресс будет продолжаться нынешними темпами, интерфейсы «мозг-компьютер» вскоре могут превратиться из экспериментальных исследовательских инструментов в повседневные вспомогательные технологии, способные восстановить независимость и мобильность миллионов людей по всему миру.