AI som används för att återskapa mänskliga hjärnvågor i realtid

Nyligen skapade ett team av forskare ett neuralt nätverk som kan återskapa mänskliga hjärnvågor i realtid. Som rapporterats av Futurism, forskargruppen, bestående av forskare från Moskvas institut för fysik och teknologi (MIPT) och Neurobotics-företaget, kunde visualisera en persons hjärnvågor genom att översätta vågorna med ett neuralt nätverk för datorseende, och återge dem som bilder.

Resultaten av studien publicerades i bioRxiv, och en video postades vid sidan av forskningsrapporten, som visade hur nätverket rekonstruerade bilder. MIPT-forskargruppen hoppas att studien ska hjälpa dem att skapa rehabiliteringssystem efter stroke som styrs av hjärnvågor. För att skapa rehabiliteringsanordningar för strokedrabbade måste neurobiologer studera de processer hjärnan använder för att koda information. En kritisk del av att förstå dessa processer är att studera hur människor uppfattar videoinformation. Enligt ZME Science, de nuvarande metoderna för att extrahera bilder från hjärnvågor analyserar typiskt signalerna som kommer från neuronerna, genom användning av implantat, eller extrahera bilder med hjälp av funktionell MRI.

Forskargruppen från Neurbiotics och MIPT använde elektroencefalografi, eller EEG, som loggar hjärnvågor som samlats in från elektroder placerade på hårbotten. I sådana situationer bär människor ofta enheter som spårar deras neurala signaler medan de tittar på en video eller tittar på bilder. Analysen av hjärnaktivitet gav indatafunktioner som kunde användas i ett maskininlärningssystem. Maskininlärningssystemet kunde rekonstruera bilderna som en person bevittnade, och återge bilderna på en skärm i realtid.

Experimentet var uppdelat i flera delar. I experimentets första fas lät forskarna försökspersonerna titta på 10-sekunders klipp av YouTube-videor i cirka 20 minuter. Det var fem olika kategorier som videon delades in i: motorsport, mänskliga ansikten, abstrakta former, vattenfall och rörliga mekanismer. Dessa olika kategorier kan innehålla en mängd olika objekt. Till exempel innehöll kategorin motorsport klipp av snöskotrar och motorcyklar.

Forskargruppen analyserade EEG-data som samlades in medan deltagarna tittade på videorna. EEG:n visade specifika mönster för var och en av de olika videoklippen, och detta innebar att teamet potentiellt kunde tolka vilket innehåll deltagarna såg på videor i mer eller mindre realtid.

Den andra fasen av experimentet hade tre kategorier utvalda slumpmässigt. Två neurala nätverk skapades för att arbeta med dessa två kategorier. Det första nätverket genererade slumpmässiga bilder som tillhörde en av tre kategorier och skapade dem av slumpmässigt brus som förfinades till en bild. Under tiden genererade det andra nätverket brus baserat på EEG-skanningarna. Data i båda nätverken jämfördes och de slumpmässigt genererade bilderna uppdaterades baserat på EEG-brusdata, tills de genererade bilderna blev liknande bilderna som testpersonerna såg.

Efter att systemet hade designats testade forskarna programmets förmåga att visualisera hjärnvågor genom att visa testpersonerna videor som de ännu inte sett från samma kategorier. EEG:n som genererades under den andra visningsomgången gavs till nätverken, och nätverken kunde generera bilder som enkelt kunde placeras i rätt kategori 90 % av gångerna.

Forskarna noterade att resultaten av deras experiment var överraskande eftersom det under lång tid antogs att det inte fanns tillräcklig information i ett EEG för att rekonstruera bilderna som observerats av människor. Men resultaten från forskargruppen visade att det kan göras.

Vladimir Konyshev, chefen för Neurorobotics Lab vid MIPT, förklarade att även om forskargruppen för närvarande fokuserar på att skapa hjälpmedel för de som är funktionshindrade, kan tekniken de arbetar användas för att skapa neurala kontrollenheter för den allmänna befolkningen vid vissa tillfällen. punkt. Konyshev förklarade för TechXplore:

”Vi arbetar med projektet Assistive Technologies från Neuronet inom National Technology Initiative, som fokuserar på hjärn-datorgränssnittet som gör det möjligt för patienter efter stroke att kontrollera en exoskelettarm för neurorehabiliteringsändamål, eller förlamade patienter att köra en elektrisk rullstol, till exempel. Det slutgiltiga målet är att öka noggrannheten i neural kontroll även för friska individer.”