AI Breakthrough Improves Brain–Computer Interfaces by Decoding Complex Brain Signals

Araştırmacılar Chiba Üniversitesi‘nde, karmaşık beyin aktivitesini önemli ölçüde geliştirilmiş doğrulukla çözebilen yeni bir yapay zeka çerçevesi geliştirdiler. Bu, daha güvenilir beyin-bilgisayar arayüzleri (BCI) geliştirme yönünde önemli bir adımdır. Bu atılım, nörolojik durumları olan kişilerin thoughts kullanarak protez uzuvları, tekerlekli sandalyeleri ve rehabilitasyon robotlarını kontrol etmelerine olanak tanıyan yardımcı teknolojilerin geliştirilmesini hızlandırabilir.

Araştırma, Chiba Üniversitesi Mühendislik Fakültesi’nden Doktora öğrencisi Chaowen Shen ve Profesör Akio Namiki tarafından yürütülmüştür. Bu çalışma, Embedding-Driven Graph Convolutional Network (EDGCN) olarak bilinen yeni bir derin öğrenme mimarisini tanıtüyor. Sistem, bir kişinin uzuvlarını hareket ettirmeyi hayal ettiğinde beyinde oluşan kompleks elektrik sinyallerini yorumlamak için tasarlandı – bu süreç motor hayal olarak bilinir.

Beyin-Bilgisayar Arayüzleri ve Motor Hayal

Beyin-bilgisayar arayüzleri, insan beyni ve dış makineler arasında bir iletişim kanalı oluşturmayı amaçlar. Kas hareketine güvenmek yerine, BCI’ler nöral sinyalleri dijital sistemler veya fiziksel cihazlar için komutlara çevirir.

BCI araştırmalarında en çok çalışılan yaklaşımlardan biri motor hayal elektroensefalografi (MI-EEG)dir. Bu sistemlerde, kullanıcılar hareketleri hayal eder – örneğin elini kaldırmak, bir nesneyi kavramak veya yürümek. Her ne kadar fiziksel hareket olmasa da, beyin hayal edilen hareketle ilişkili özel elektrik aktivitesi kalıpları üretir.

Bu sinyaller, elektroensefalografi (EEG) kullanılarak kaydedilebilir. EEG, kafatasına yerleştirilen elektrodlar aracılığıyla beyin aktivitesini kaydeden bir invazif olmayan tekniktir. EEG, farklı beyin bölgeleri boyunca nöral aktiviteyi temsil eden çok kanallı zaman serisi verileri sağlar.

Bu sinyalleri doğru bir şekilde çözmek, bilgisayarların nöral aktiviteyi işlenebilir komutlara çevirmesine olanak tanır. Uygulamada, bu, felç veya ciddi motor bozukluğu olan bireylerin thoughts kullanarak yardımcı teknolojileri kontrol etmelerine olanak tanıyabilir.

Ancak, MI-EEG sinyallerinin güvenilir bir şekilde çözülmesi, nöroteknolojideki en zorlu zorluklardan biridir.

Neden Beyin Sinyalleri Zor Çözülür?

Beyin-bilgisayar arayüzü geliştirmeindeki birincil engel, EEG sinyallerinin doğasında yatmaktadır.

Motor hayal sinyalleri, hem farklı beyin bölgeleri hem de zaman boyunca yüksek uzaysal-zamansal değişkenlik gösterir. Ayrıca, bireyler arasında ve aynı kişide bir oturumdan diğerine önemli ölçüde farklılık gösterir.

Geleneksel makine öğrenimi modelleri genellikle bu varyasyonlarla başa çıkmakta zorluk çeker. Çoğu mevcut sistem, beyin sinyallerinin tutarlı kalıplarda davrandığını varsayan önceden tanımlanmış grafik yapıları veya sabit parametrelere dayanır. Gerçekte, nöral sinyaller çok daha dinamik ve heterojendir.

Daha önceki yöntemler, ortak uzaysal model analizi veya geleneksel konvolüsyonel sinir ağları gibi teknikleri kullanarak EEG sinyallerinden özellikler çıkarmak için sıklıkla kullanılmıştır. Bu yaklaşım, nöral aktivitede bazı kalıpları tanımlayabilir, ancak genellikle beyin bölgeleri arasındaki daha derin etkileşimleri veya zaman içinde gelişen kalıpları yakalamakta başarısız olur.

Sonuç olarak, birçok BCI sistemi, etkili bir şekilde çalışabilmesi için kapsamlı kalibrasyon ve eğitim gerektirir.

Yeni Bir Yaklaşım: Embedding-Driven Graph Convolutional Networks

Chiba Üniversitesi’ndeki araştırma ekibi, bu zorlukları, beyin aktivitesinin karmaşıklığını daha iyi yakalamak için tasarlanmış yeni bir derin öğrenme çerçevesi geliştirerek ele aldı.

Çözüm – Embedding-Driven Graph Convolutional Network (EDGCN) – EEG sinyallerinin hem uzaysal hem de zamansal yapısını aynı anda modellemek için several gelişmiş teknikleri birleştirir.

Çerçevesinin çekirdeğinde, beyin sinyallerini çözmek için kullanılan parametreleri dinamik olarak oluşturan bir嵌ding-odaklı birleştirme mekanizması bulunmaktadır. Sabit mimarilere güvenmek yerine, EDGCN, iç temsilini, varyasyonları ve zaman içinde değişen kalıpları daha iyi yakalamak için uyarlar.

Mimari, birden fazla uzmanlaşmış bileşeni entegre eder:

Çok Çözünürlüklü Zamanlı Gömme (MRTE)

Bu modül, EEG sinyallerini farklı zaman ölçeklerinde analiz eder. Nöral sinyaller hızla evrilir, bu nedenle önemli bilgiler farklı zamanlı çözünürlüklerde ortaya çıkabilir. MRTE, çok çözünürlüklü güç spektral kalıplardan özellikler çıkararak, aksi takdirde kaçırılabilecek anlamlı nöral aktiviteyi tanımlar.

Yapı-Bilinçli Uzaysal Gömme (SASE)

Beyin sinyalleri izole değildir; farklı beyin bölgeleri sürekli olarak etkileşir. SASE mekanizması, EEG elektrodları arasındaki hem yerel hem de küresel bağlantı yapılarını modelleyerek bu etkileşimleri dikkate alır. Bu, AI’ın beyni bağımsız sinyal kanalları yerine bir ağ olarak temsil etmesine olanak tanır.

Heterojenlik-Bilinçli Parametre Oluşturma

EDGCN çerçevesinin en yenilikçi yönlerinden biri, gömme-odaklı bir parametre bankasından grafik konvolüsyon parametrelerini dinamik olarak oluşturabilmesidir. Bu, modelin her bir konuyla ilgili beyin sinyallerinin benzersiz özelliklerine uyum sağlamasına olanak tanır.

Bu süreci desteklemek için araştırmacılar, kompleks ağlar içindeki ilişkileri verimli bir şekilde modelleyen Chebyshev grafik konvolüsyon tekniğini kullandı.

Ortogonallik-Kısıtlı Çekirdekler

Modelin dayanıklılığını daha da artırmak için, modelin ownluk kısıtlamaları içerir. Bu, öğrenilen özelliklerde çeşitliliği teşvik eder ve冗余ü azaltır, böylece sistem EEG sinyallerinden daha zengin temsiller çıkarmaya yardımcı olur.

Bu bileşenler birlikte, EDGCN’nin hem yerel nöral aktivite kalıplarını hem de beyin bölgeleri arasındaki büyük ölçekli etkileşimleri yakalamasına olanak tanır, böylece motor hayal sinyallerinin daha doğru bir şekilde çözülmesini sağlar.

Performans Sonuçları

Araştırmacılar, BCI araştırmalarında standard bir değerlendirme veri kümesi olan BCI Competition IV veri kümesini kullanarak EDGCN’yi test etti.

Model aşağıdaki 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, several mevcut state-of-the-art çözme yöntemlerini aşar ve farklı konularda güçlü bir genelleme gösterir.

Önemli olarak, sistem ayrıca konular arası senaryolarda daha iyi bir adaptasyon gösterdi, bu da pratik BCI dağıtımı için bir anahtardır. Mevcut birçok model, tek bir eğitimli kullanıcı için iyi performans gösterir, ancak yeni bireylere uygulanırken başarısız olur. EDGCN’nin gömme-odaklı mimarisi, bireysel varyasyonu daha iyi modelleyerek bu sınırlamayı aşmaya yardımcı olur.

Rehabilitasyon ve Yardımcı Teknoloji için İmpilikasyonlar

Beyin sinyallerini daha doğru bir şekilde çözebilme yetisi, yardımcı teknolojileri için önemli sonuçlar doğurabilir.

Motor hayal tabanlı BCI’ler, aşağıdaki uygulamalar için zaten incelenmektedir:

• Düşünce-kontrolü tekerlekli sandalyeler
• Nöral protezler
• Robotic rehabilitasyon cihazları
• Felçli hastalar için iletişim sistemleri

Daha doğru çözme doğruluğu, bu teknolojileri daha güvenilir ve kullanışlı hale getirebilir.

Araştırmacılara göre, sistemler gibi EDGCN, aşağıdaki koşulları olan hastalara yardımcı olabilir:

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

Daha güvenilir sinyal yorumlamasıyla, hastalar basit hayal edilen hareketler aracılığıyla nörorehabilitasyon cihazlarını kontrol edebilir, böylece yardımcı sistemlerle daha doğal bir etkileşime olanak tanır.

Profesör Namiki’ye göre, motor hayal sinyallerini çözmek, sadece bir teknolojik zorluk değil, aynı zamanda beynin hareketi ve nöral bağlantıyı nasıl organize ettiğini daha iyi anlamak için bir fırsattır.

Tüketici Düzeyinde Beyin-Bilgisayar Arayüzlerine Doğru

Yüzlerce yıllık araştırmaya rağmen, çoğu beyin-bilgisayar arayüzü sistemi, laboratuvarlarda veya özel klinik ortamlarda kalır. Güvenilirlik, adaptasyon ve kullanım kolaylığı, daha geniş kabulün önünde önemli engeller oluşturmaya devam etmektedir.

EDGCN gibi gelişmeler, BCI’leri tüketici düzeyinde nöroteknolojiye yaklaştırmaya yardımcı olabilir.

Sistemin, heterojen beyin sinyallerini işleme yeteneği, kapsamlı kalibrasyon ve uzman ayarlamaya olan ihtiyacı azaltır. Bu, BCI sistemlerinin araştırma ortamları dışında kullanılabilir hale gelmesi için kritik bir adımdır.

Gelecek araştırmalar, bu AI modellerini taşınabilir EEG sistemlerine ve giyilebilir cihazlara entegre etmeye odaklanabilir. Sensör teknolojisi ve hesaplama gücündeki gelişmelerle birleştiğinde, bu sistemler daha erişilebilir ve ölçeklenebilir beyin-makine arayüzleri sağlayabilir.

İnsan-Makine Entegrasyonuna Doğru Bir Adım

EDGCN’nin geliştirilmesi, yapay zeka ve nörobilimde bir trendi yansıtır: biyolojik sistemleri modellemek için grafik tabanlı sinir ağlarının artan kullanımı.

Beyin kendisi, birbirine bağlı bölgelerin kompleks bir ağı olarak işlediğinden, grafik sinir ağları beynin yapısını ve dinamiklerini temsil etmek için doğal bir yol sağlar. Bu AI modelleri daha da geliştikçe, nöral aktivite ve biliş hakkında daha derin içgörüler sağlayabilirler.

Sonuç olarak, beyin sinyallerinin daha doğru bir şekilde çözülmesi, insanların makinelerle daha önce hiç olmadığı kadar sorunsuz bir şekilde etkileşime girebileceği bir teknoloji neslini mümkün kılabilir.

İlerleme mevcut hızında devam ederse, beyin-bilgisayar arayüzleri, deneysel araştırma araçlarından, milyonlarca insan için bağımsızlık ve hareketliliği yeniden kazandıran günlük yardımcı teknolojilere geçiş yapabilir.