Genombrott inom AI förbättrar hjärndatorgränssnitt genom att avkoda komplexa hjärnsignaler

Forskare vid Chiba University i Japan har utvecklat en ny ram för artificiell intelligens som kan avkoda komplex hjärnaktivitet med avsevärt förbättrad noggrannhet, vilket markerar ett viktigt steg mot mer tillförlitliga hjärndatorgränssnitt (BCI). Genombrottet kan hjälpa till att påskynda utvecklingen av hjälpmedelsteknologier som tillåter personer med neurologiska tillstånd att styra enheter som proteser, rullstolar och rehabiliteringsrobotar med hjälp av sina tankar.

Den forskningen, ledd av doktorand Chaowen Shen och professor Akio Namiki vid Graduate School of Engineering vid Chiba University, introducerar en ny djupinlärningsarkitektur som kallas Embedding-Driven Graph Convolutional Network (EDGCN). Systemet är utformat för att tolka de komplexa elektriska signalerna som genereras i hjärnan när en person föreställer sig att röra sina lemmar – en process som kallas motorisk imagination.

Hjärndatorgränssnitt och motorisk imagination

Hjärndatorgränssnitt syftar till att skapa en kommunikationskanal mellan den mänskliga hjärnan och yttre maskiner. Istället för att förlita sig på muskelrörelser tolkar BCI neuralsignaler och omvandlar dem till kommandon för digitala system eller fysiska enheter.

En av de mest studerade metoderna inom BCI-forskning är motorisk imagination elektroencefalografi (MI-EEG). I dessa system föreställer sig användarna att de utför rörelser – som att lyfta en hand, gripa ett föremål eller gå. Även om ingen fysisk rörelse sker, genererar hjärnan distinkta mönster av elektrisk aktivitet som är associerade med den föreställda rörelsen.

De här signalerna kan fångas med hjälp av elektroencefalografi (EEG), en icke-invasiv teknik som registrerar hjärnaktivitet genom elektroder som placeras på skalpen. EEG ger multi-kanal tids-serie-data som representerar neural aktivitet över olika områden i hjärnan.

Att avkoda dessa signaler korrekt tillåter datorer att översätta neural aktivitet till utförbara kommandon. I praktiken kan detta tillåta personer med förlamning eller allvarlig motorisk nedsättning att styra hjälpmedelsteknologier genom att föreställa sig rörelser.

Men att uppnå tillförlitlig avkodning av MI-EEG-signaler förblir en av de svåraste utmaningarna inom neuroteknologi.

Varför hjärnsignaler är svåra att avkoda

Det primära hindret i utvecklingen av hjärndatorgränssnitt ligger i den inneboende komplexiteten hos EEG-signaler.

Motoriska imaginationssignaler visar hög rumslig och tidsmässig variabilitet, vilket innebär att de varierar både över olika hjärnområden och över tid. De skiljer sig också mycket mellan individer och till och med inom samma person från en session till en annan.

Traditionella maskinlärningsmodeller har ofta svårt att hantera dessa variationer. Många existerande system förlitar sig på fördefinierade graffstrukturer eller fasta parametrar som antar att hjärnsignaler beter sig på ett konsekvent sätt. I verkligheten är neuralsignaler mycket mer dynamiska och heterogena.

Tidigare metoder använde ofta tekniker som gemensam spatial mönsteranalys eller konventionella konvolutionsneurala nätverk för att extrahera funktioner från EEG-signaler. Medan dessa metoder kan identifiera vissa mönster i neural aktivitet, misslyckas de ofta med att fånga djupare interaktioner mellan hjärnområden eller utvecklande mönster över tid.

Som ett resultat kräver många BCI-system omfattande kalibrering och träning innan de kan fungera effektivt för enskilda användare.

En ny metod: Embedding-Driven Graph Convolutional Networks

Forskarteamet vid Chiba University adresserade dessa utmaningar genom att utveckla en ny ram för djupinlärning som är utformad för att bättre fånga komplexiteten hos hjärnaktivitet.

Deras lösning – Embedding-Driven Graph Convolutional Network (EDGCN) – kombinerar flera avancerade tekniker för att modellera den rumsliga och tidsmässiga strukturen hos EEG-signaler samtidigt.

I kärnan av ramverket finns en embedding-driven fusionmekanism som tillåter systemet att dynamiskt generera parametrar som används för att avkoda hjärnsignaler. Istället för att förlita sig på fasta arkitekturer, anpassar EDGCN sin interna representation för att bättre fånga variationer mellan ämnen och över tid.

Arkitekturen integrerar flera specialiserade komponenter:

Multi-Resolution Temporal Embedding (MRTE)

Denna modul analyserar EEG-signaler på olika tidskalor. Eftersom neuralsignaler utvecklas snabbt, kan viktig information förekomma på olika tidsupplösningar. MRTE extraherar funktioner från multi-resolution power spectral patterns, vilket tillåter systemet att identifiera meningsfull neural aktivitet som annars kan missas.

Structure-Aware Spatial Embedding (SASE)

Hjärnsignaler är inte isolerade; olika hjärnområden interagerar kontinuerligt. SASE-mekanismen modellerar dessa interaktioner genom att inkorporera både lokal och global anslutningsstruktur mellan EEG-elektroder. Detta tillåter AI att representera hjärnan som ett nätverk snarare än som oberoende signalkanaler.

Heterogeneity-Aware Parameter Generation

En av de mest innovativa aspekterna av EDGCN-ramverket är dess förmåga att dynamiskt generera graffkonvolutionsparametrar från en embedding-driven parameterbank. Detta tillåter modellen att anpassa sig till de unika egenskaperna hos varje ämnes hjärnsignaler.

För att stödja denna process använde forskarna Chebyshev graffkonvolution, en teknik som effektivt modellerar relationer inom komplexa nätverk.

Orthogonality-Constrained Kernels

För att ytterligare förbättra robustheten introducerar modellen ortogonalitetsbegränsningar inom sina konvolutionskärnor. Detta uppmuntrar mångfald i de lärda funktionerna och minskar redundans, vilket hjälper systemet att extrahera rikare representationer från EEG-signaler.

Tillsammans tillåter dessa komponenter EDGCN att fånga både lokala neurala aktivitetsmönster och storskaliga interaktioner mellan hjärnområden, vilket resulterar i mer exakt avkodning av motoriska imaginationssignaler.

Prestandaresultat

Forskarna testade EDGCN med hjälp av allmänt använda benchmark-dataset från BCI Competition IV, som är standardutvärderingsdataset inom området för hjärndatorgränssnittsforskning.

Modellen uppnådde:

• 90,14% klassificeringsnoggrannhet på BCIC-IV-2b-datasetet
• 86,50% klassificeringsnoggrannhet på BCIC-IV-2a-datasetet

Dessa resultat överträffar flera existerande state-of-the-art-avkodningsmetoder och visar stark generaliserbarhet över olika ämnen.

Viktigt är att systemet också visade förbättrad anpassningsförmåga när det applicerades på cross-subjekt-scenarier, en nyckelkrav för praktisk BCI-utveckling. Många existerande modeller fungerar bra för en enskild tränad användare men misslyckas när de appliceras på nya individer. EDGCN:s embedding-driven arkitektur hjälper till att övervinna denna begränsning genom att bättre modellera individuell variation.

Konsekvenser för rehabilitering och hjälpmedelsteknologi

Förmågan att avkoda hjärnsignaler mer exakt kan ha djupgående konsekvenser för hjälpmedelsteknologier.

Motoriska imagination-baserade BCI-system utvecklas redan för applikationer som:

• Tankstyrda rullstolar
• Neurala proteser
• Rehabiliteringsrobotar
• Kommunikationssystem för patienter med förlamning

Förbättrad avkodningsnoggrannhet kan göra dessa teknologier betydligt mer tillförlitliga och lättare att använda.

Forskare tror att system som EDGCN kan hjälpa patienter med tillstånd som:

• Stroke
• Ryggmärgsskador
• Amyotrofisk lateralskleros (ALS)
• Andra neuromuskulära störningar

Med mer tillförlitlig signalinterpretation kan patienter potentiellt styra neurorehabiliteringsenheter genom enkla föreställda rörelser, vilket möjliggör en mer naturlig interaktion med hjälpmedelssystem.

Enligt professor Namiki är avkodning av motoriska imaginationssignaler inte bara en teknisk utmaning, utan också en möjlighet att bättre förstå hur hjärnan organiserar rörelse och neural anslutning.

Mot konsumentklassade hjärndatorgränssnitt

Trots decennier av forskning förblir de flesta hjärndatorgränssnittssystem begränsade till laboratorier eller specialiserade kliniska miljöer. Tillförlitlighet, anpassningsförmåga och användarvänlighet förblir betydande hinder för bredare antagande.

Genombrott som EDGCN kan hjälpa till att flytta BCI-system närmare konsumentklassad neuroteknologi.

Genom att förbättra systemets förmåga att hantera heterogena hjärnsignaler minskar modellen behovet av omfattande kalibrering och expertjustering. Detta är ett kritiskt steg mot att göra BCI-system användbara utanför forskningsmiljöer.

Framtida forskning kommer sannolikt att fokusera på att integrera sådana AI-modeller i bärbara EEG-system och wearables. I kombination med förbättringar inom sensor-teknologi och beräkningskraft kan dessa system möjliggöra mer tillgängliga och skalbara hjärndatorgränssnitt.

Ett steg mot djupare mänsklig-maskin integration

Utvecklingen av EDGCN speglar en bredare trend inom artificiell intelligens och neurovetenskap: den ökande användningen av grafbaserade neurala nätverk för att modellera biologiska system.

Eftersom hjärnan i sig fungerar som ett komplext nätverk av sammanlänkade områden, erbjuder grafbaserade neurala nätverk en naturlig väg att representera dess struktur och dynamik. När dessa AI-modeller blir mer avancerade, kan de potentiellt låsa upp djupare insikter i neural aktivitet och kognition.

Till slut kan förbättrad avkodning av hjärnsignaler bana väg för en ny generation av teknologier som tillåter människor att interagera med maskiner på ett mer sömlöst sätt än någonsin tidigare.

Om framstegen fortsätter i nuvarande takt, kan hjärndatorgränssnitt snart gå från experimentella forskningsverktyg till vardagliga hjälpmedelsteknologier som kan återställa oberoende och rörlighet till miljontals människor världen över.