Araştırmacılar Beyin-Bilgisayar Arayüzlerini Geliştirmek için Oluşturucu Karşıt Ağlarını Kullanıyor

Güney Kaliforniya Üniversitesi (USC) Viterbi Mühendislik Okulu’ndaki araştırmacılar, engelli kişiler için beyin-bilgisayar arayüzlerini (BCI’ler) geliştirmek için oluşturucu karşıt ağlar (GAN’lar) kullanıyor.

GAN’lar ayrıca derin sahte videolar ve fotoğrafik insan yüzleri oluşturmak için de kullanılıyor.

Araştırma makalesi Nature Biyomedikal Mühendisliği‘de yayımlandı.

BCI’lerin Gücü

Ekibin bu yaklaşım sayesinde sentetik beyin aktivitesi verisi oluşturmak için bir AI’yi eğitmeyi başardı. Bu veri, nöral sinyaller olarak adlandırılan spike trenleri formundadır ve BCI’leri engelli kişiler arasında iyileştirmek için makine öğrenimi algoritmalarına beslenebilir.

BCI’ler, bir bireyin beyin sinyallerini analiz eder ve sonra nöral aktiviteyi komutlara çevirir, bu da kullanıcıya sadece düşünceleriyle dijital cihazları kontrol etme olanağı sağlar. Bu cihazlar, bilgisayar imleçleri gibi şeyler içerebilir ve motor fonksiyon bozukluğu veya felçten mustarip hastaların yaşam kalitesini iyileştirebilir. Ayrıca, kilitli sendromlu bireyler için de faydalı olabilir, bu durum kişinin tamamen bilinçli olmasına rağmen hareket edememesi veya iletişim kuramamasıdır.

Pazarda zaten birçok farklı türde BCI mevcut, bunlar beyin sinyallerini ölçen cihazlar ve beyin dokularına implante edilen cihazlar dahil. Teknoloji sürekli olarak geliştiriliyor ve yeni şekillerde uygulanıyor, bunlar nörorehabilitasyon ve depresyon tedavisi dahil. Ancak, sistemleri gerçek dünyada verimli bir şekilde çalışacak kadar hızlı yapabilmek hala zor.

BCI’ler, büyük miktarda nöral veriye ve uzun eğitim sürelerine, kalibrasyonlara ve öğrenmeye ihtiyaç duyar.

Laurent Itti, bilgisayar bilimi profesörü ve araştırmanın ortak yazarı.

“BCI’leri güçlendiren algoritmalar için yeterli veri elde etmek zor, pahalı veya hatta imkansız olabilir, özellikle felçli bireyler yeterli güçlü beyin sinyalleri üretemiyorsa,” dedi Itti.

Teknoloji kullanıcı spesifiktir, yani her birey için eğitilmesi gerekir.

Oluşturucu Karşıt Ağlar

GAN’lar bu tüm süreci iyileştirebilir, çünkü benzer görüntülerin sınırsız miktarda yeni oluşturulmasını sağlayan bir deneme-yanılma sürecine sahip olabilirler.

Itti’nin danışmanlığını yaptığı ve çalışmanın baş yazarı olan Shixian Wen, GAN’ları ve BCI’ler için eğitim verisi oluşturmak amacıyla sentetik nörolojik veri oluşturup oluşturamayacaklarını görmek için baktı.

Ekibin bir deney yaptı, burada bir maymunun bir nesneye ulaşması kaydedilen bir oturumun verisiyle derin öğrenme spike sentezleyicisini eğittiler, ardından sentezleyiciyi kullanarak büyük miktarda benzer ancak sahte nöral veri oluşturdular.

Sentezlenen veri, küçük miktarda yeni gerçek veri ile birleştirilerek bir BCI’yi eğitmek için kullanıldı. Bu yaklaşım sayesinde sistem, mevcut yöntemlere göre çok daha hızlı çalışmaya başladı. Daha spesifik olarak, GAN-sentezlenen nöral veri, BCI’lerin genel eğitim hızını 20 kata kadar iyileştirdi.

“Gerçek verinin不到 bir dakikası sentetik veri ile birleştirildiğinde, 20 dakika gerçek verisi kadar iyi çalışıyor,” dedi Wen.

“Bu, ilk kez AI’nin düşünce veya hareket için bir reçete oluşturmak yoluyla sentetik spike trenleri oluşturmasını gördüğümüz an. Bu araştırma, BCI’leri gerçek dünya kullanımına daha uygun hale getirmek için kritik bir adımdır.”

İlk deneysel oturumların ardından, sistem sınırlı ek nöral veri ile yeni oturumlara adapte oldu.

“Buradaki büyük yenilik, bu kişi için gerçek gibi görünen sahte spike trenleri oluşturmak ve sonra bu veriyi bir sonraki kişi için öğrenme sürecine yardımcı olmak,” dedi Itti.

GAN ile oluşturulan sentetik verinin bu yeni gelişmeleri, alanın diğer alanlarında da ilerlemelere yol açabilir.

“Bir şirket, robot iskeleti, robot kolu veya konuşma sentez sistemi ticarileştirmeye hazır olduğunda, bu yönteme bakmalılar, çünkü eğitim ve yeniden eğitim hızlarını artırma konusunda yardımcı olabilir,” dedi Itti. “BCI’leri iyileştirmek için GAN kullanmak konusunda, bunun sadece başlangıç olduğunu düşünüyorum.”