Прорыв в области искусственного интеллекта улучшает интерфейсы мозг-компьютер за счет расшифровки сложных сигналов мозга

Исследователи из Университета Тибы в Японии разработали новую систему искусственного интеллекта, способную расшифровывать сложную активность мозга с значительно повышенной точностью, что является важным шагом на пути к более надежным интерфейсам мозг-компьютер (ИМК). Этот прорыв может ускорить разработку вспомогательных технологий, позволяющих людям с неврологическими расстройствами контролировать устройства, такие как протезы, инвалидные коляски и роботы для реабилитации, с помощью своих мыслей.

Исследование, возглавляемое аспирантом Чаовэном Шэном и профессором Акио Намики из Высшей школы инженерии Университета Тибы, представляет новую глубокую систему обучения, известную как сеть свёрточных графов, управляемая вложением (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 моторное воображение

Интерфейсы мозг-компьютер направлены на создание эффективного канала связи между человеческим мозгом и внешними машинами. Вместо того, чтобы полагаться на движение мышц, ИМК интерпретируют нейронные сигналы и преобразуют их в команды для цифровых систем или физических устройств.

Одним из наиболее широко изучаемых подходов в исследованиях ИМК является электроэнцефалография моторного воображения (MI-EEG). В этих системах пользователи представляют себе выполнение движений – например, подъем руки, захват объекта или ходьбу. Хотя физическое движение не происходит, мозг генерирует характерные закономерности электрической активности, связанные с воображаемым движением.

Эти сигналы можно обнаружить с помощью электроэнцефалографии (ЭЭГ), неинвазивного метода, который записывает активность мозга через электроды, размещенные на скальпе. ЭЭГ обеспечивает многоканальную временную серию данных, представляющую нейронную активность в различных регионах мозга.

Точная расшифровка этих сигналов позволяет компьютерам переводить нейронную активность в выполнимые команды. На практике это может позволить людям с параличом или тяжелыми двигательными нарушениями контролировать вспомогательные технологии, просто представляя себе движения.

Однако достижение надежной расшифровки сигналов MI-EEG остается одной из самых сложных задач в области нейротехнологий.

Почему сигналы мозга трудно расшифровать

Основная проблема в разработке интерфейсов мозг-компьютер заключается в внутренней сложности сигналов ЭЭГ.

Сигналы моторного воображения демонстрируют высокую пространственно-временную изменчивость, то есть они варьируются как в разных регионах мозга, так и во времени. Они также сильно различаются между людьми и даже у одного и того же человека от одной сессии к другой.

Традиционные модели машинного обучения часто испытывают трудности с этими вариациями. Многие существующие системы полагаются на предопределенные графические структуры или фиксированные параметры, которые предполагают, что сигналы мозга ведут себя последовательно. На самом деле нейронные сигналы гораздо более динамичны и гетерогенными.

Ранее методы часто использовали такие техники, как анализ общих пространственных закономерностей или традиционные свёрточные нейронные сети, для извлечения признаков из сигналов ЭЭГ. Хотя эти подходы могут выявить некоторые закономерности в нейронной активности, они часто не могут захватить более глубокие взаимодействия между регионами мозга или эволюционирующие закономерности во времени.

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

Новый подход: сети свёрточных графов, управляемые вложением

Исследовательская группа Университета Тибы обратилась к этим проблемам, разработав новую глубокую систему обучения, предназначенную для лучшего захвата сложности активности мозга.

Их решение – сеть свёрточных графов, управляемая вложением (EDGCN) – сочетает несколько передовых техник для моделирования пространственной и временной структуры сигналов ЭЭГ одновременно.

В основе этой системы лежит механизм слияния, управляемый вложением, который позволяет системе динамически генерировать параметры, используемые для расшифровки сигналов мозга. Вместо того, чтобы полагаться на фиксированные архитектуры, EDGCN адаптирует свое внутреннее представление для лучшего захвата вариаций между субъектами и во времени.

Архитектура интегрирует несколько специализированных компонентов:

Многоуровневое временное вложение (MRTE)

Этот модуль анализирует сигналы ЭЭГ на разных временных масштабах. Поскольку нейронные сигналы быстро эволюционируют, важная информация может возникать на разных временных разрешениях. MRTE извлекает признаки из многоуровневых закономерностей спектральной мощности, что позволяет системе выявить значимую нейронную активность, которая могла бы быть пропущена.

Пространственно-осведомленное вложение (SASE)

Сигналы мозга не изолированы; разные регионы мозга взаимодействуют непрерывно. Механизм SASE моделирует эти взаимодействия, включая как локальную, так и глобальную связность между электродами ЭЭГ. Это позволяет ИИ представить мозг как сеть, а не как независимые каналы сигналов.

Генерация параметров, осведомленная о гетерогенности

Одним из наиболее инновационных аспектов системы EDGCN является ее способность динамически генерировать параметры свёрточных графов из банка параметров, управляемого вложением. Это позволяет модели адаптироваться к уникальным характеристикам сигналов мозга каждого субъекта.

Для поддержки этого процесса исследователи использовали свёрточные графовые нейронные сети Чебышева, технику, которая эффективно моделирует отношения внутри сложных сетей.

Ядра, ограниченные ортогональностью

Для дальнейшего повышения устойчивости модель вводит ограничения ортогональности в своих свёрточных ядрах. Это поощряет разнообразие в извлеченных признаках и снижает избыточность, помогая системе извлечь более богатые представления из сигналов ЭЭГ.

Вместе эти компоненты позволяют EDGCN захватить как локальные закономерности нейронной активности, так и крупномасштабные взаимодействия между регионами мозга, что приводит к более точной расшифровке сигналов моторного воображения.

Результаты производительности

Исследователи протестировали EDGCN, используя широко используемые эталонные наборы данных из конкурса ИМК IV, которые являются стандартными наборами данных для оценки в области исследований интерфейсов мозг-компьютер.

Модель достигла:

• 90,14% точности классификации на наборе данных BCIC-IV-2b
• 86,50% точности классификации на наборе данных BCIC-IV-2a

Эти результаты превосходят несколько существующих методов расшифровки на основе передового опыта и демонстрируют сильную обобщаемость на разных субъектах.

Важно, что система также показала повышенную адаптивность при применении к сценариям между субъектами, что является ключевым требованием для практической реализации ИМК. Многие существующие модели хорошо работают для одного обученного пользователя, но терпят неудачу, когда применяются к новым людям. Архитектура EDGCN, управляемая вложением, помогает преодолеть это ограничение, лучше моделируя индивидуальную вариативность.

Последствия для реабилитации и вспомогательных технологий

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

ИМК на основе моторного воображения уже исследуются для таких применений, как:

• Коляски, управляемые мыслями
• Нейропротезы
• Роботы для реабилитации
• Системы связи для пациентов с параличом

Повышенная точность расшифровки может сделать эти технологии значительно более надежными и легкими в использовании.

Исследователи считают, что системы, подобные EDGCN, могут помочь пациентам с такими состояниями, как:

• Инсульт
• Травмы спинного мозга
• Боковой амиотрофический склероз (БАС)
• Другие невромышечные расстройства

Благодаря более надежной интерпретации сигналов пациенты потенциально могут контролировать устройства нейрореабилитации простыми воображаемыми движениями, что позволит более естественно взаимодействовать с вспомогательными системами.

По словам профессора Намики, расшифровка сигналов моторного воображения не только технологическая задача, но и возможность лучше понять, как мозг организует движение и нейронную связь.

На пути к потребительским интерфейсам мозг-компьютер

Несмотря на десятилетия исследований, большинство систем интерфейсов мозг-компьютер остаются в лабораториях или специализированных клинических условиях. Надежность, адаптивность и простота использования остаются значительными барьерами для более широкого внедрения.

Прорывы, подобные EDGCN, могут помочь приблизить ИМК к потребительским нейротехнологиям.

Улучшая способность системы обрабатывать гетерогенные сигналы мозга, модель снижает потребность в обширной калибровке и настройке экспертов. Это является критическим шагом на пути к тому, чтобы сделать системы ИМК пригодными для использования вне исследовательских сред.

Будущие исследования, вероятно, будут сосредоточены на интеграции таких моделей ИИ в портативные системы ЭЭГ и носимые устройства. В сочетании с улучшениями в технологии датчиков 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 нейробиологии: все более широкое использование графических нейронных сетей для моделирования биологических систем.

Поскольку сам мозг работает как сложная сеть взаимосвязанных регионов, графические нейронные сети обеспечивают естественный способ представить его структуру и динамику. По мере того, как эти модели ИИ становятся более совершенными, они могут открыть более глубокие знания о нейронной активности и когнитивных процессах.

В конечном итоге улучшенная расшифровка сигналов мозга может проложить путь для нового поколения технологий, позволяющих людям взаимодействовать с машинами более беспрепятственно, чем когда-либо прежде.

Если прогресс продолжится в текущем темпе, интерфейсы мозг-компьютер могут скоро перейти от экспериментальных исследовательских инструментов к повседневным вспомогательным технологиям, способным восстановить независимость и подвижность миллионов людей во всем мире.