เทคโนโลยี AI ที่พัฒนาขึ้นใหม่ช่วยให้ Brain–Computer Interfaces มีความแม่นยำในการอ่านสัญญาณสมองได้ดีขึ้น

นักวิจัยที่ มหาวิทยาลัยชิบะ ในประเทศญี่ปุ่นได้พัฒนาเฟรมเวิร์ก AI ใหม่ที่สามารถอ่านสัญญาณสมองได้แม่นยำยิ่งขึ้น โดยมีความแม่นยำที่ดีขึ้นอย่างมีนัยสำคัญ ซึ่งเป็นขั้นตอนที่สำคัญในการพัฒนา Brain–Computer Interfaces (BCIs) ที่เชื่อถือได้มากขึ้น การพัฒนาครั้งนี้อาจช่วยเร่งการพัฒนาอุปกรณ์ช่วยเหลือที่ช่วยให้ผู้ที่มีภาวะทางระบบประสาทสามารถควบคุมอุปกรณ์ต่างๆ เช่น ขาเทียม คู่ล้อ และหุ่นยนต์ช่วยเหลือ โดยใช้ความคิดของตนเอง

การวิจัย นี้ ซึ่งนำโดย Chaowen Shen นักศึกษาระดับ博士 และ Professor Akio Namiki จาก Graduate School of Engineering ที่ Chiba University ได้นำเสนอเฟรมเวิร์กการเรียนรู้ลึกใหม่ๆ ที่เรียกว่า Embedding-Driven Graph Convolutional Network (EDGCN) ระบบนี้ได้รับการออกแบบมาเพื่อตีความสัญญาณไฟฟ้าที่ซับซ้อนซึ่งเกิดขึ้นในสมองเมื่อบุคคลนั้นจินตนาการถึงการเคลื่อนไหวของอวัยวะ ซึ่งเป็นกระบวนการที่เรียกว่า motor imagery electroencephalography (MI-EEG)

Brain–Computer Interfaces และ Motor Imagery

Brain–Computer Interfaces มีเป้าหมายที่จะสร้างช่องทางสื่อสารระหว่างสมองของมนุษย์และเครื่องจักรภายนอก แทนที่จะพึ่งพาการเคลื่อนไหวของกล้ามเนื้อ BCIs จะตีความสัญญาณประสาทและแปลงสัญญาณเหล่านั้นเป็นคำสั่งสำหรับระบบดิจิทัลหรืออุปกรณ์ทางกายภาพ

วิธีการที่ได้รับการศึกษามากที่สุดในการวิจัย BCI คือ motor imagery electroencephalography (MI-EEG) ในระบบเหล่านี้ ผู้ใช้จินตนาการถึงการเคลื่อนไหว เช่น ยกมือ จับวัตถุ หรือเดิน แม้ว่าจะไม่มีการเคลื่อนไหวทางกายภาพ แต่สมองก็สร้างรูปแบบสัญญาณไฟฟ้าที่แตกต่างกันซึ่งเกี่ยวข้องกับการเคลื่อนไหวที่จินตนาการ

สัญญาณเหล่านี้สามารถถูกจับได้โดยใช้ electroencephalography (EEG) ซึ่งเป็นเทคนิคที่ไม่รุกรานซึ่งบันทึกกิจกรรมสมองผ่านอิเล็กโทรดที่วางบนหนังศีรษะ EEG ให้ข้อมูลชุดเวลาหลายช่องที่แสดงกิจกรรมประสาทต่างๆ ทั่วสมอง

การถอดรหัสสัญญาณเหล่านี้อย่างแม่นยำช่วยให้คอมพิวเตอร์สามารถแปลกิจกรรมประสาทเป็นคำสั่งที่สามารถดำเนินการได้ ในทางปฏิบัติ สิ่งนี้สามารถช่วยให้บุคคลที่มีอาการ麻痹หรือความผิดปกติของกล้ามเนื้อสามารถควบคุมอุปกรณ์ช่วยเหลือได้โดยการนึกถึงการเคลื่อนไหว

อย่างไรก็ตาม การบรรลุการถอดรหัสสัญญาณ MI-EEG ที่เชื่อถือได้ยังคงเป็นหนึ่งในความท้าทายที่ยากที่สุดในด้านเทคโนโลยีประสาท

เหตุใดสัญญาณสมองจึงยากที่จะถอดรหัส

อุปสรรคหลักในการพัฒนา Brain–Computer Interfaces คือความซับซ้อนของสัญญาณ EEG

สัญญาณจินตนาการการเคลื่อนไหวแสดงให้เห็นถึงความแปรผันของพื้นที่และเวลา ซึ่งหมายความว่าสัญญาณเหล่านี้แตกต่างกันในบริเวณต่างๆ ของสมองและในเวลาเดียวกัน สัญญาณเหล่านี้ยังแตกต่างกันอย่างมากระหว่างบุคคลและแม้แต่ในคนเดียวกันจากเซสชั่นหนึ่งไปยังเซสชั่นอื่น

แบบจำลองการเรียนรู้ของเครื่องแบบดั้งเดิมมักต้องดิ้นรนกับการแปรผันเหล่านี้ ระบบหลายระบบพึ่งพารูปแบบกราฟที่กำหนดไว้ล่วงหน้าหรือพารามิเตอร์ที่ตายตัวซึ่งสมมติว่าสัญญาณสมองจะแสดงพฤติกรรมในลักษณะที่สอดคล้องกัน ในความเป็นจริง สัญญาณประสาทมีความพลวัตและไม่เหมือนกันมากขึ้น

วิธีการก่อนหน้านี้มักใช้เทคนิค เช่น การวิเคราะห์รูปแบบพื้นที่ทั่วไปหรือเครือข่ายประสาทเทียมแบบอนุกรมเพื่อแยกคุณลักษณะจากสัญญาณ EEG แม้ว่าวิธีการเหล่านี้จะสามารถระบุรูปแบบบางอย่างในกิจกรรมประสาทได้ แต่พวกเขามักจะล้มเหลวในการจับปฏิสัมพันธ์ที่ลึกซึ้งยิ่งขึ้นระหว่างพื้นที่สมองหรือรูปแบบที่เปลี่ยนแปลงไปตามเวลา

ดังนั้น ระบบ BCI หลายระบบจึงต้องการการปรับเทียบและฝึกอบรมอย่างกว้างขวางก่อนที่จะสามารถทำงานได้อย่างมีประสิทธิภาพสำหรับผู้ใช้แต่ละคน

วิธีการใหม่: Embedding-Driven Graph Convolutional Networks

ทีมวิจัยที่ Chiba University ได้กล่าวถึงความท้าทายเหล่านี้โดยการพัฒนาเฟรมเวิร์กการเรียนรู้ลึกใหม่ที่ออกแบบมาเพื่อจับข้อมูลที่ซับซ้อนของกิจกรรมสมองได้ดีขึ้น

วิธีแก้ปัญหาของพวกเขา—Embedding-Driven Graph Convolutional Network (EDGCN)—รวมเทคนิคขั้นสูงหลายอย่างเพื่อสร้างแบบจำลองพื้นที่และโครงสร้างเวลาของสัญญาณ EEG ในเวลาเดียวกัน

แก่นกลางของเฟรมเวิร์กคือกลไกการผสมผสานแบบไดรฟ์จากเอ็มเบดดิ้ง ซึ่งช่วยให้ระบบสามารถสร้างพารามิเตอร์แบบไดนามิกที่ใช้ในการถอดรหัสสัญญาณสมอง แทนที่จะพึ่งพาสถาปัตยกรรมที่ตายตัว EDGCN ปรับเปลี่ยนการแสดงภาพภายในเพื่อจับข้อมูลที่เปลี่ยนแปลงระหว่างผู้ใช้และในเวลา

สถาปัตยกรรมรวมองค์ประกอบที่เชี่ยวชาญหลายอย่าง:

Multi-Resolution Temporal Embedding (MRTE)

โมดูลนี้วิเคราะห์สัญญาณ EEG ที่หลายระดับเวลา เนื่องจากสัญญาณประสาทเปลี่ยนแปลงอย่างรวดเร็ว ข้อมูลที่สำคัญอาจเกิดขึ้นที่หลายระดับการแก้ปัญหา MRTE แยกคุณลักษณะจาก รูปแบบสเปกตรัมกำลังหลายระดับ ช่วยให้ระบบสามารถระบุกิจกรรมประสาทที่มีความหมายซึ่งอาจพลาดไปโดยไม่มีโมดูลนี้

Structure-Aware Spatial Embedding (SASE)

สัญญาณสมองไม่ได้แยกออกจากกัน พื้นที่สมองต่างๆ มีการโต้ตอบอย่างต่อเนื่อง กลไก SASE สร้างแบบจำลองปฏิสัมพันธ์เหล่านี้โดยรวมทั้งโครงสร้างเชื่อมต่อท้องถิ่นและทั่วโลกระหว่างอิเล็กโทรด EEG ซึ่งช่วยให้ AI แสดงสมองเป็นเครือข่ายมากกว่าช่องสัญญาณอิสระ

Heterogeneity-Aware Parameter Generation

หนึ่งในด้านที่สร้างสรรค์ที่สุดของเฟรมเวิร์ก EDGCN คือความสามารถในการสร้างพารามิเตอร์สำหรับการถอดรหัสสัญญาณสมองแบบไดนามิกจากธนาคารพารามิเตอร์ที่ได้รับแรงบันดาลใจจากเอ็มเบดดิ้ง สิ่งนี้ช่วยให้โมเดลปรับให้เข้ากับคุณลักษณะเฉพาะของสัญญาณสมองของผู้ใช้แต่ละคน

เพื่อสนับสนุนกระบวนการนี้ นักวิจัยใช้ Chebyshev graph convolution เทคนิคที่สร้างแบบจำลองความสัมพันธ์ภายในเครือข่ายที่ซับซ้อนได้อย่างมีประสิทธิภาพ

Orthogonality-Constrained Kernels

เพื่อปรับปรุงความแข็งแกร่งเพิ่มเติม โมเดลนี้แนะนำข้อจำกัดของการฉายภาพในนิวเคลียสของการทำการโคนโวลูชัน สิ่งนี้ส่งเสริมความหลากหลายในคุณลักษณะที่ได้รับการเรียนรู้และลดความซ้ำซ้อน ช่วยให้ระบบสามารถแยกคุณลักษณะที่มีความ 풍富จากสัญญาณ EEG ได้

องค์ประกอบเหล่านี้ช่วยให้ EDGCN สามารถจับได้ทั้งรูปแบบกิจกรรมประสาทท้องถิ่นและปฏิสัมพันธ์ระหว่างพื้นที่สมองในระดับใหญ่ ซึ่งนำไปสู่การถอดรหัสสัญญาณจินตนาการการเคลื่อนไหวที่แม่นยำยิ่งขึ้น

ผลการทำงาน

นักวิจัยทดสอบ EDGCN โดยใช้เซตข้อมูลมาตรฐานจาก การแข่งขัน BCI ครั้งที่ 4 ซึ่งเป็นเซตข้อมูลมาตรฐานในการประเมินวิจัย Brain–Computer Interfaces

โมเดลได้รับ:

• ความแม่นยำในการจำแนกประเภท 90.14% ในชุดข้อมูล BCIC-IV-2b
• ความแม่นยำในการจำแนกประเภท 86.50% ในชุดข้อมูล BCIC-IV-2a

ผลลัพธ์เหล่านี้เหนือกว่าวิธีการถอดรหัสที่ดีที่สุดในปัจจุบันหลายวิธี และแสดงให้เห็นถึงความสามารถในการสร้างแบบจำลองที่แข็งแกร่งระหว่างผู้ใช้ต่างๆ

สิ่งสำคัญคือระบบยังแสดงให้เห็นถึงความสามารถในการปรับตัวที่ดีขึ้นเมื่อใช้ในสถานการณ์ระหว่างผู้ใช้ ซึ่งเป็นข้อกำหนดสำคัญสำหรับการใช้งาน BCI ในทางปฏิบัติ ระบบหลายระบบทำงานได้ดีสำหรับผู้ใช้ที่ได้รับการฝึกอบรมแต่ล้มเหลวเมื่อใช้กับบุคคลใหม่ สถาปัตยกรรมแบบไดรฟ์จากเอ็มเบดดิ้งของ EDGCN ช่วยให้สามารถสร้างแบบจำลองความแปรผันของแต่ละบุคคลได้ดีขึ้น

ผลกระทบต่อการฟื้นฟูและการใช้เทคโนโลยีช่วยเหลือ

ความสามารถในการถอดรหัสสัญญาณสมองได้แม่นยำยิ่งขึ้นอาจมีผลกระทบที่ลึกซึ้งต่อเทคโนโลยีช่วยเหลือ

BCI ที่ใช้การเคลื่อนไหวจินตนาการกำลังถูกสำรวจสำหรับการใช้งาน เช่น:

• รถเข็นควบคุมด้วยความคิด
• เครื่องมือเสริมประสาท
• อุปกรณ์ฝึกอบรมแบบหุ่นยนต์
• ระบบสื่อสารสำหรับผู้ป่วยที่มีอาการ麻痹

ความแม่นยำในการถอดรหัสที่ดีขึ้นอาจทำให้เทคโนโลยีเหล่านี้มีความน่าเชื่อถือและใช้งานง่ายยิ่งขึ้น

นักวิจัยเชื่อว่าระบบ เช่น EDGCN อาจช่วยผู้ป่วยที่มีภาวะ เช่น:

• โรคหลอดเลือดสมอง
• การบาดเจ็บของไขสันหลัง
• โรคปลอกประสาทเสื่อมแข็ง (ALS)
• ภาวะทางระบบประสาทและกล้ามเนื้ออื่นๆ

ด้วยการถอดรหัสสัญญาณที่เชื่อถือได้มากขึ้น ผู้ป่วยอาจควบคุมอุปกรณ์ในการฟื้นฟูประสาทได้โดยการเคลื่อนไหวจินตนาการที่ง่ายๆ ทำให้เกิดปฏิสัมพันธ์ที่เป็นธรรมชาติกับระบบช่วยเหลือมากขึ้น

ตามที่ Professor Namiki กล่าว การถอดรหัสสัญญาณจินตนาการการเคลื่อนไหวไม่ใช่แค่ความท้าทายทางเทคโนโลยี แต่ยังเป็นโอกาสในการเข้าใจว่าสมองจัดระเบียบการเคลื่อนไหวและความเชื่อมโยงระหว่างประสาทได้อย่างไร

สู่ Brain–Computer Interfaces ระดับผู้บริโภค

尽管มีการวิจัยมาหลายทศวรรษ แต่ระบบ Brain–Computer Interfaces ส่วนใหญ่ยังคงอยู่ในห้องปฏิบัติการหรือสภาพแวดล้อมทางคลินิกที่มีการดูแลเป็นพิเศษ ความน่าเชื่อถือ ความสามารถในการปรับตัว และความง่ายในการใช้งานยังคงเป็นอุปสรรคสำคัญต่อการนำไปใช้ในวงกว้าง

ความก้าวหน้า เช่น EDGCN อาจช่วยให้ BCI เข้าใกล้เทคโนโลยีประสาทระดับผู้บริโภคมากขึ้น

ด้วยการปรับปรุงความสามารถของระบบในการจัดการสัญญาณสมองที่ไม่เหมือนกัน โมเดลนี้ลดความจำเป็นในการปรับเทียบและปรับแต่งโดยผู้เชี่ยวชาญอย่างมาก ซึ่งเป็นขั้นตอนที่สำคัญในการทำให้ระบบ BCI ใช้งานได้นอกสภาพแวดล้อมการวิจัย

การวิจัยในอนาคตอาจมุ่งเน้นไปที่การรวมแบบจำลอง AI เหล่านี้เข้ากับระบบ EEG ที่พกพาได้และอุปกรณ์สวมใส่ เมื่อรวมกับการปรับปรุงเทคโนโลยีเซ็นเซอร์และกำลังประมวลผล ระบบเหล่านี้อาจทำให้ Brain–Machine Interfaces มีความเข้าถึงได้ง่ายและขยายขนาดมากขึ้น

ขั้นตอนสู่การรวมกันระหว่างมนุษย์และเครื่องจักรที่ลึกซึ้งยิ่งขึ้น

การพัฒนา EDGCN สะท้อนถึงแนวโน้มที่กว้างขึ้นในด้าน AI และประสาทวิทยา: การใช้เครือข่ายประสาทเทียมแบบกราฟเพิ่มมากขึ้นในการสร้างแบบจำลองระบบทางชีววิทยา

เนื่องจากสมองทำงานเป็นเครือข่ายที่ซับซ้อนของพื้นที่ที่เชื่อมต่อกัน เครือข่ายประสาทเทียมแบบกราฟจึงให้วิธีการแสดงโครงสร้างและพลวัตของสมองอย่างเป็นธรรมชาติ เมื่อแบบจำลอง AI เหล่านี้มีความซับซ้อนมากขึ้น พวกมันอาจปลดล็อกความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับกิจกรรมประสาทและความเข้าใจ

สุดท้าย การถอดรหัสสัญญาณสมองได้ดีขึ้นอาจเปิดทางให้กับการพัฒนาอุปกรณ์ใหม่ๆ ที่ช่วยให้คนสามารถโต้ตอบกับเครื่องจักรได้อย่างราบรื่นยิ่งขึ้นกว่าที่เคยเป็นมา

หากความก้าวหน้ายังคงดำเนินต่อไปด้วยอัตราปัจจุบัน Brain–Computer Interfaces อาจเปลี่ยนจากเครื่องมือวิจัยทดลองเป็นอุปกรณ์ช่วยเหลือที่ใช้ในชีวิตประจำวันซึ่งสามารถฟื้นฟูความเป็นอิสระและความเคลื่อนไหวให้กับคนหลายล้านทั่วโลกได้