AI Används För Att Återskapa Mänskliga Hjärnvågor I Realtid

Nyligen skapade en grupp forskare ett neuronnätverk som kan återskapa mänskliga hjärnvågor i realtid. Enligt Futurism, bestod forskarteamet av forskare från Moskvas institut för fysik och teknologi (MIPT) och Neurobotics-koncernen, och de kunde visualisera en persons hjärnvågor genom att översätta vågorna med ett datorseende-neuronnätverk, vilket renderade dem som bilder.

Resultaten från studien publicerades i bioRxiv, och en video publicerades tillsammans med forskningsrapporten, som visade hur nätverket rekonstruerade bilder. MIPT-forskarteamet hoppas att studien ska hjälpa dem att skapa rehabiliteringssystem för strokeoffer som styrs av hjärnvågor. För att skapa rehabiliteringsenheter för strokeoffer måste neurobiologer studera de processer som hjärnan använder för att koda information. En viktig del av att förstå dessa processer är att studera hur människor uppfattar videoinformation. Enligt ZME Science analyserar de nuvarande metoderna för att extrahera bilder från hjärnvågor vanligtvis signaler som kommer från neuroner, med hjälp av implantat, eller extraherar bilder med funktionell magnetresonanstomografi.

Forskarteamet från Neurbiotics och MIPT använde elektroencefalografi, eller EEG, som loggar hjärnvågor som samlas in från elektroder som placeras på skalpen. 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 ingångsparametrar som kunde användas i ett maskinlärningssystem. Maskinlärningssystemet kunde rekonstruera de bilder som en person såg, och rendera dem på en skärm i realtid.

Experimentet delades in i flera faser. I experimentets första fas hade forskarna försökspersonerna titta på 10-sekunders klipp av YouTube-videor under cirka 20 minuter. Det fanns fem olika kategorier som videoklippen delades in i: motorsport, mänskliga ansikten, abstrakta former, vattenfall och rörliga mekanismer. Dessa olika kategorier kan innehålla en mängd olika föremål. Till exempel innehöll motorsportkategorin klipp av snöskotrar och motorcyklar.

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

Experimentets andra fas hade tre kategorier valda slumpmässigt. Två neuronnätverk skapades för att arbeta med dessa två kategorier. Det första nätverket genererade slumpmässiga bilder som tillhörde en av de tre kategorierna, och skapade dem från slumpmässigt brus som finslipades till en bild. Medan det andra nätverket genererade brus baserat på EEG-scanningar. Data i båda nätverken jämfördes och de slumpmässigt genererade bilderna uppdaterades baserat på EEG-brusdata, tills de genererade bilderna blev liknande de bilder som testdeltagarna såg.

Efter att systemet hade utformats testade forskarna programmets förmåga att visualisera hjärnvågor genom att visa testdeltagarna videor som de inte hade sett tidigare från samma kategorier. EEG:erna som genererades under den andra visningsrundan gavs till nätverken, och nätverken kunde generera bilder som kunde placeras i rätt kategori 90% av tiden.

Forskarna noterade att resultaten från deras experiment var förvånande, eftersom det under lång tid antogs att det inte fanns tillräckligt med information i en EEG för att rekonstruera de bilder som människor såg. Men resultaten från forskarteamet visade att det kan göras.

Vladimir Konyshev, chef för Neurorobotics Lab vid MIPT, förklarade att även om forskarteamet för närvarande fokuserar på att skapa assisterande teknologier för personer med funktionshinder, kan den teknik de arbetar med potentiellt användas för att skapa neuralt styrda enheter för allmänheten i framtiden. Konyshev förklarade för TechXplore

“Vi arbetar på Assistive Technologies-projektet Neuronet of the National Technology Initiative, som fokuserar på hjärndatorgränssnittet som möjliggör post-strokepatienter att styra en exoskelettarm för neurorehabiliteringsändamål, eller förlamade patienter att köra en elrullstol, till exempel. Det ultimata målet är att öka noggrannheten för neural styrning för friska individer också.”