Yapay Zeka Alanındaki Çığır Açan Gelişme, Karmaşık Beyin Sinyallerini Çözerek Beyin-Bilgisayar Arayüzlerini İyileştiriyor

Araştırmacılar Chiba Üniversitesi Japonya'da, karmaşık beyin aktivitesini önemli ölçüde geliştirilmiş doğrulukla çözebilen yeni bir yapay zeka çerçevesi geliştirildi; bu da daha güvenilir bir yaklaşıma doğru önemli bir adım teşkil ediyor. Beyin-bilgisayar arayüzleri (BCI'ler)Bu atılım, nörolojik rahatsızlığı olan kişilerin protez uzuvlar, tekerlekli sandalyeler ve rehabilitasyon robotları gibi cihazları düşünceleriyle kontrol etmelerini sağlayan yardımcı teknolojilerin geliştirilmesini hızlandırmaya yardımcı olabilir.

MKS araştırmaChiba Üniversitesi Mühendislik Yüksekokulu'nda doktora öğrencisi Chaowen Shen ve Profesör Akio Namiki liderliğindeki proje, derin öğrenme mimarisi olarak bilinen yeni bir mimariyi tanıtıyor. Gömme Odaklı Grafik Evrişim Ağı (EDGCN)Sistem, bir kişinin uzuvlarını hareket ettirmeyi hayal ettiğinde beyinde üretilen karmaşık elektriksel sinyalleri yorumlamak üzere tasarlanmıştır; bu süreç motor imgeleme olarak bilinir.

Beyin-Bilgisayar Arayüzleri ve Motor İmgeleme

Beyin-bilgisayar arayüzleri, insan beyni ile dış makineler arasında etkili bir iletişim kanalı oluşturmayı amaçlar. Kas hareketlerine dayanmak yerine, BCI'lar sinir sinyallerini yorumlar ve bunları dijital sistemler veya fiziksel cihazlar için komutlara dönüştürür.

BCI araştırmalarında en yaygın olarak incelenen yaklaşımlardan biri şunları içerir: Motor imgeleme elektroensefalografisi (MI-EEG). Bu sistemlerde kullanıcılar, el kaldırmak, bir nesneyi kavramak veya yürümek gibi hareketleri hayal ederler. Fiziksel bir hareket gerçekleşmese bile, beyin hayal edilen hareketle ilişkili belirgin elektriksel aktivite kalıpları üretir.

Bu sinyaller şu yöntemlerle yakalanabilir: elektroensefalografi (EEG)EEG, kafa derisine yerleştirilen elektrotlar aracılığıyla beyin aktivitesini kaydeden, invaziv olmayan bir tekniktir. EEG, beynin farklı bölgelerindeki sinirsel aktiviteyi temsil eden çok kanallı zaman serisi verileri sağlar.

Bu sinyallerin doğru şekilde çözümlenmesi, bilgisayarların sinirsel aktiviteyi eyleme dönüştürülebilir komutlara çevirmesine olanak tanır. Uygulamada bu, felçli veya ciddi motor bozukluğu olan bireylerin, hareketleri hayal ederek yardımcı teknolojileri kontrol etmelerini sağlayabilir.

Ancak, MI-EEG sinyallerinin güvenilir bir şekilde çözümlenmesi, nöroteknolojideki en zorlu zorluklardan biri olmaya devam etmektedir.

Beyin Sinyallerinin Çözümlenmesi Neden Zordur?

Beyin-bilgisayar arayüzü geliştirilmesindeki temel engel, EEG sinyallerinin doğasında var olan karmaşıklıktır.

Motor imgeleme sinyalleri yüksek uzamsal ve zamansal değişkenlik gösterir; yani hem farklı beyin bölgelerinde hem de zaman içinde değişiklik gösterirler. Ayrıca bireyler arasında ve hatta aynı kişide bir seanstan diğerine büyük farklılıklar gösterirler.

Geleneksel makine öğrenimi modelleri genellikle bu varyasyonlarla başa çıkmakta zorlanırlar. Mevcut sistemlerin çoğu, beyin sinyallerinin tutarlı kalıplarda davrandığını varsayan önceden tanımlanmış grafik yapılarına veya sabit parametrelere dayanmaktadır. Gerçekte, sinir sinyalleri çok daha dinamik ve heterojendir.

Önceki yöntemler genellikle EEG sinyallerinden özellik çıkarmak için ortak uzamsal örüntü analizi veya geleneksel evrimsel sinir ağları gibi teknikler kullanıyordu. Bu yaklaşımlar sinirsel aktivitede bazı örüntüleri belirleyebilse de, beyin bölgeleri arasındaki daha derin etkileşimleri veya zaman içinde gelişen örüntüleri yakalamakta sıklıkla başarısız olurlar.

Sonuç olarak, birçok BCI sisteminin bireysel kullanıcılar için etkili bir şekilde çalışabilmesi için kapsamlı kalibrasyon ve eğitime ihtiyacı vardır.

Yeni Bir Yaklaşım: Gömme Odaklı Grafik Evrişimsel Ağlar

Chiba Üniversitesi'ndeki araştırma ekibi, beyin aktivitesinin karmaşıklığını daha iyi yakalamak için tasarlanmış yeni bir derin öğrenme çerçevesi geliştirerek bu zorlukların üstesinden geldi.

Onların çözümü olan Gömme Odaklı Grafik Evrişim Ağı (EDGCN), EEG sinyallerinin uzamsal ve zamansal yapısını eş zamanlı olarak modellemek için çeşitli gelişmiş teknikleri bir araya getiriyor.

Çerçevenin özünde, sistemin beyin sinyallerini çözmek için kullanılan parametreleri dinamik olarak üretmesine olanak tanıyan, gömme tabanlı bir birleştirme mekanizması yer almaktadır. EDGCN, sabit mimarilere dayanmak yerine, özneler arasındaki ve zaman içindeki varyasyonları daha iyi yakalamak için iç temsilini uyarlamaktadır.

Mimari, birden fazla uzmanlaşmış bileşeni bir araya getiriyor:

Çok Çözünürlüklü Zamansal Gömme (MRTE)

Bu modül, EEG sinyallerini farklı zaman ölçeklerinde analiz eder. Sinir sinyalleri hızla değiştiği için, önemli bilgiler farklı zamansal çözünürlüklerde ortaya çıkabilir. MRTE, bu sinyallerden özellikler çıkarır. çok çözünürlüklü güç spektral desenleriBu sayede sistem, aksi takdirde gözden kaçabilecek anlamlı sinirsel aktiviteyi belirleyebiliyor.

Yapısal Farkındalıklı Mekansal Gömme (SASE)

Beyin sinyalleri birbirinden izole değildir; farklı beyin bölgeleri sürekli olarak etkileşim halindedir. SASE mekanizması, EEG elektrotları arasındaki hem yerel hem de küresel bağlantı yapılarını birleştirerek bu etkileşimleri modeller. Bu, yapay zekanın beyni bağımsız sinyal kanalları olarak değil, bir ağ olarak temsil etmesini sağlar.

Heterojenliği Dikkate Alan Parametre Üretimi

EDGCN çerçevesinin en yenilikçi yönlerinden biri, gömme tabanlı bir parametre bankasından dinamik olarak grafik evrişim parametreleri üretebilme yeteneğidir. Bu, modelin her bireyin beyin sinyallerinin benzersiz özelliklerine uyum sağlamasına olanak tanır.

Bu süreci desteklemek için araştırmacılar şunları kullandılar: Çebyshev graf evrişimiKarmaşık ağlar içindeki ilişkileri verimli bir şekilde modelleyen bir teknik.

Diklik Kısıtlamalı Çekirdekler

Modelin sağlamlığını daha da artırmak için, evrişim çekirdeklerine ortogonallik kısıtlamaları eklenmiştir. Bu, öğrenilen özelliklerde çeşitliliği teşvik eder ve gereksizliği azaltarak sistemin EEG sinyallerinden daha zengin temsiller çıkarmasına yardımcı olur.

Bu bileşenler bir araya gelerek EDGCN'nin hem yerel sinirsel aktivite kalıplarını hem de beyin bölgeleri arasındaki büyük ölçekli etkileşimleri yakalamasına olanak tanır ve bu da motor imgeleme sinyallerinin daha doğru bir şekilde çözümlenmesine yol açar.

Performans Sonuçları

Araştırmacılar, EDGCN'yi yaygın olarak kullanılan kıyaslama veri kümelerini kullanarak test ettiler. BCI Yarışması IVBunlar, beyin-bilgisayar arayüzü araştırmaları alanında standart değerlendirme veri kümeleridir.

Model şu sonuçları elde etti:

• %90.14 sınıflandırma doğruluğu BCIC-IV-2b veri kümesi üzerinde
• %86.50 sınıflandırma doğruluğu BCIC-IV-2a veri kümesi üzerinde

Bu sonuçlar, mevcut en gelişmiş kod çözme yöntemlerinin birçoğunu geride bırakmakta ve farklı konular arasında güçlü bir genelleme yeteneği göstermektedir.

Daha da önemlisi, sistem, pratik BCI uygulamaları için temel bir gereklilik olan, farklı bireylere yönelik senaryolara uygulandığında da gelişmiş bir uyarlanabilirlik sergiledi. Mevcut birçok model, tek bir eğitimli kullanıcı için iyi performans gösterirken, yeni bireylere uygulandığında başarısız olur. EDGCN'nin gömme tabanlı mimarisi, bireysel değişkenliği daha iyi modelleyerek bu sınırlamanın üstesinden gelmeye yardımcı olur.

Rehabilitasyon ve Yardımcı Teknolojiye Yönelik Çıkarımlar

Beyin sinyallerini daha doğru bir şekilde çözme yeteneği, yardımcı teknolojiler için çok önemli sonuçlar doğurabilir.

Motor imgeleme tabanlı beyin-bilgisayar arayüzleri (BCI'lar) halihazırda aşağıdaki gibi uygulamalar için araştırılmaktadır:

• Düşünceyle kontrol edilen tekerlekli sandalyeler
• Sinir protezleri
• Robotik rehabilitasyon cihazları
• Felçli hastalar için iletişim sistemleri

Kod çözme doğruluğunun iyileştirilmesi, bu teknolojileri önemli ölçüde daha güvenilir ve kullanımı daha kolay hale getirebilir.

Araştırmacılar, EDGCN gibi sistemlerin aşağıdakiler de dahil olmak üzere çeşitli rahatsızlıkları olan hastalara yardımcı olabileceğine inanıyor:

• Inme
• Omurilik yaralanmaları
• Amyotrofik lateral skleroz (ALS)
• Diğer nöromüsküler bozukluklar

Daha güvenilir sinyal yorumlamasıyla, hastalar basit hayali hareketlerle nörorehabilitasyon cihazlarını kontrol edebilecek ve yardımcı sistemlerle daha doğal bir etkileşim kurabileceklerdir.

Profesör Namiki'ye göre, motor imgeleme sinyallerinin çözümlenmesi sadece teknolojik bir zorluk değil, aynı zamanda beynin hareketi ve sinirsel bağlantıyı nasıl organize ettiğini daha iyi anlamak için bir fırsattır.

Tüketici Sınıfı Beyin-Bilgisayar Arayüzlerine Doğru

Onlarca yıllık araştırmaya rağmen, beyin-bilgisayar arayüzü sistemlerinin çoğu hala laboratuvarlarla veya özel klinik ortamlarla sınırlı kalmaktadır. Güvenilirlik, uyarlanabilirlik ve kullanım kolaylığı, daha geniş çaplı benimsenmenin önündeki önemli engeller olmaya devam etmektedir.

EDGCN gibi gelişmeler, beyin-bilgisayar arayüzlerini tüketici sınıfı nöroteknolojiye daha da yaklaştırmaya yardımcı olabilir.

Sistemin heterojen beyin sinyallerini işleme yeteneğini geliştirerek, model kapsamlı kalibrasyon ve uzman ayarlama ihtiyacını azaltır. Bu, BCI sistemlerini araştırma ortamlarının dışında kullanılabilir hale getirme yolunda kritik bir adımdır.

Gelecekteki araştırmalar muhtemelen bu tür yapay zeka modellerini taşınabilir EEG sistemlerine ve giyilebilir cihazlara entegre etmeye odaklanacaktır. Sensör teknolojisi ve işlem gücündeki gelişmelerle birleştiğinde, bu sistemler daha erişilebilir ve ölçeklenebilir beyin-makine arayüzleri sağlayabilir.

Daha Derin İnsan-Makine Entegrasyonuna Doğru Bir Adım

EDGCN'nin gelişimi, yapay zeka ve sinirbilimdeki daha geniş bir eğilimi yansıtıyor: biyolojik sistemleri modellemek için grafik tabanlı sinir ağlarının giderek artan kullanımı.

Beynin kendisi birbirine bağlı bölgelerden oluşan karmaşık bir ağ olarak çalıştığı için, grafik sinir ağları, yapısını ve dinamiklerini temsil etmenin doğal bir yolunu sunar. Bu yapay zeka modelleri daha da gelişmiş hale geldikçe, sinirsel aktivite ve bilişsel süreçlere dair daha derin bilgiler ortaya çıkarabilirler.

Sonuç olarak, beyin sinyallerinin daha iyi çözümlenmesi, insanların makinelerle her zamankinden daha sorunsuz bir şekilde etkileşim kurmasını sağlayacak yeni nesil teknolojilerin önünü açabilir.

Eğer gelişmeler mevcut hızda devam ederse, beyin-bilgisayar arayüzleri yakında deneysel araştırma araçlarından, dünya çapında milyonlarca insanın bağımsızlığını ve hareket kabiliyetini geri kazandırabilecek günlük yardımcı teknolojilere dönüşebilir.