Phát kiến trí tuệ nhân tạo cải thiện giao diện não-máy tính bằng cách giải mã tín hiệu não phức tạp

Các nhà nghiên cứu tại Chiba University ở Nhật Bản đã phát triển một khuôn khổ trí tuệ nhân tạo mới có khả năng giải mã hoạt động não phức tạp với độ chính xác được cải thiện đáng kể, đánh dấu một bước quan trọng hướng tới các giao diện não-máy tính (BCIs) đáng tin cậy hơn. Phát kiến này có thể giúp đẩy nhanh sự phát triển của các công nghệ hỗ trợ cho phép người bị tình trạng thần kinh kiểm soát các thiết bị như chân tay giả, xe lăn và rô-bốt phục hồi chức năng bằng suy nghĩ của họ.

Nghiên cứu này, do sinh viên tiến sĩ Chaowen Shen và Giáo sư Akio Namiki tại Trường Kỹ thuật sau đại học của Chiba University dẫn đầu, giới thiệu một kiến trúc học sâu mới gọi là Mạng nơ-ron tích hợp đồ thị (EDGCN). Hệ thống này được thiết kế để giải thích các tín hiệu điện phức tạp được tạo ra trong não khi một người tưởng tượng di chuyển chi của mình – một quá trình được gọi là tưởng tượng vận động.

Giao diện não-máy tính và tưởng tượng vận động

Giao diện não-máy tính nhằm tạo ra một kênh giao tiếp giữa não bộ con người và máy móc bên ngoài. Thay vì dựa vào chuyển động cơ bắp, BCIs giải thích tín hiệu thần kinh và chuyển đổi chúng thành lệnh cho hệ thống kỹ thuật số hoặc thiết bị vật lý.

Một trong những phương pháp được nghiên cứu rộng rãi nhất trong nghiên cứu BCI liên quan đến điện não đồ tưởng tượng vận động (MI-EEG). Trong các hệ thống này, người dùng tưởng tượng thực hiện các chuyển động – như nâng tay, nắm lấy một vật thể hoặc đi bộ. Mặc dù không có chuyển động vật lý nào xảy ra, não tạo ra các mẫu hoạt động điện đặc trưng liên quan đến chuyển động được tưởng tượng.

Những tín hiệu này có thể được thu nhận bằng điện não đồ (EEG), một kỹ thuật không xâm lấn ghi lại hoạt động não thông qua các điện cực được đặt trên da đầu. EEG cung cấp dữ liệu thời gian đa kênh đại diện cho hoạt động thần kinh trên các vùng não khác nhau.

Giải mã những tín hiệu này một cách chính xác cho phép máy tính dịch hoạt động thần kinh thành lệnh có thể thực hiện. Trong thực tế, điều này có thể cho phép những người bị liệt hoặc suy giảm vận động nghiêm trọng kiểm soát các công nghệ hỗ trợ chỉ bằng cách tưởng tượng chuyển động.

Tuy nhiên, việc đạt được giải mã đáng tin cậy của tín hiệu MI-EEG vẫn là một trong những thách thức khó khăn nhất trong công nghệ thần kinh.

Tại sao tín hiệu não lại khó giải mã

Chướng ngại vật chính trong việc phát triển giao diện não-máy tính nằm ở sự phức tạp vốn có của tín hiệu EEG.

Tín hiệu tưởng tượng vận động hiển thị sự biến đổi không gian-thời gian cao, nghĩa là chúng thay đổi cả trên các vùng não khác nhau và theo thời gian. Chúng cũng khác nhau rộng rãi giữa các cá nhân và thậm chí trong cùng một người từ phiên này sang phiên khác.

Các mô hình học máy truyền thống thường gặp khó khăn với những biến đổi này. Nhiều hệ thống hiện có phụ thuộc vào cấu trúc đồ thị được định nghĩa trước hoặc các tham số cố định假 định rằng tín hiệu não hoạt động theo các mẫu nhất quán. Trên thực tế, tín hiệu thần kinh linh hoạt và dị hướng hơn nhiều.

Các phương pháp trước đây thường sử dụng các kỹ thuật như phân tích mẫu không gian chung hoặc mạng nơ-ron tích hợp truyền thống để trích xuất tính năng từ tín hiệu EEG. Mặc dù những phương pháp này có thể xác định một số mẫu trong hoạt động thần kinh, nhưng chúng thường không thể nắm bắt được các tương tác sâu hơn giữa các vùng não hoặc các mẫu phát triển theo thời gian.

Kết quả là, nhiều hệ thống BCI yêu cầu hiệu chỉnh và đào tạo rộng rãi trước khi chúng có thể hoạt động hiệu quả cho người dùng cá nhân.

Phương pháp mới: Mạng nơ-ron tích hợp đồ thị

Đội ngũ nghiên cứu tại Chiba University đã giải quyết những thách thức này bằng cách phát triển một khuôn khổ học sâu mới được thiết kế để nắm bắt tốt hơn sự phức tạp của hoạt động não.

Giải pháp của họ – Mạng nơ-ron tích hợp đồ thị (EDGCN) – kết hợp nhiều kỹ thuật tiên tiến để mô hình hóa cấu trúc không gian và thời gian của tín hiệu EEG đồng thời.

Ở trung tâm của khuôn khổ là một cơ chế hợp nhất dựa trên tích hợp cho phép hệ thống động tạo ra các tham số được sử dụng để giải mã tín hiệu não. Thay vì dựa vào kiến trúc cố định, EDGCN thích nghi với biểu diễn nội bộ để nắm bắt tốt hơn các biến đổi giữa các đối tượng và theo thời gian.

Kiến trúc tích hợp nhiều thành phần chuyên dụng:

Nhúng thời gian đa phân giải (MRTE)

Mô-đun này phân tích tín hiệu EEG ở các thang thời gian khác nhau. Vì tín hiệu thần kinh phát triển nhanh, thông tin quan trọng có thể xảy ra ở các độ phân giải thời gian khác nhau. MRTE trích xuất tính năng từ mẫu phổ công suất đa phân giải, cho phép hệ thống xác định hoạt động thần kinh có ý nghĩa có thể bị bỏ lỡ.

Nhúng không gian nhận thức cấu trúc (SASE)

Tín hiệu não không bị cô lập; các vùng não khác nhau tương tác liên tục. Cơ chế SASE mô hình hóa các tương tác này bằng cách tích hợp cả cấu trúc kết nối cục bộ và toàn cầu giữa các điện cực EEG. Điều này cho phép AI đại diện cho não như một mạng lưới chứ không phải là các kênh tín hiệu độc lập.

Khả năng tạo tham số nhận thức dị hướng

Một trong những khía cạnh sáng tạo nhất của khuôn khổ EDGCN là khả năng tạo ra tham số tích hợp đồ thị động từ một ngân hàng tham số dựa trên tích hợp. Điều này cho phép mô hình thích nghi với các đặc điểm đặc trưng của tín hiệu não của từng đối tượng.

Để hỗ trợ quá trình này, các nhà nghiên cứu đã sử dụng tích hợp đồ thị Chebyshev, một kỹ thuật mô hình hóa hiệu quả các mối quan hệ trong các mạng phức tạp.

Kernel bị hạn chế trực giao

Để cải thiện độ bền hơn nữa, mô hình giới thiệu các hạn chế trực giao trong các kernel tích hợp. Điều này khuyến khích sự đa dạng trong các tính năng được học và giảm dư thừa, giúp hệ thống trích xuất các biểu diễn phong phú hơn từ tín hiệu EEG.

Cùng nhau, những thành phần này cho phép EDGCN nắm bắt cả mẫu hoạt động thần kinh cục bộ và các tương tác lớn giữa các vùng não, dẫn đến giải mã tín hiệu tưởng tượng vận động chính xác hơn.

Kết quả hiệu suất

Các nhà nghiên cứu đã thử nghiệm EDGCN bằng cách sử dụng các tập dữ liệu chuẩn được sử dụng rộng rãi từ Cuộc thi BCI IV, là các tập dữ liệu đánh giá tiêu chuẩn trong lĩnh vực nghiên cứu giao diện não-máy tính.

Mô hình đã đạt được:

• 90,14% độ chính xác phân loại trên tập dữ liệu BCIC-IV-2b
• 86,50% độ chính xác phân loại trên tập dữ liệu BCIC-IV-2a

Những kết quả này vượt qua nhiều phương pháp giải mã hiện có và chứng tỏ sự khái quát hóa mạnh mẽ trên các đối tượng khác nhau.

Quan trọng hơn, hệ thống cũng cho thấy khả năng thích nghi được cải thiện khi áp dụng cho các kịch bản giữa các đối tượng, một yêu cầu quan trọng cho việc triển khai BCI trong thực tế. Nhiều mô hình hiện có hoạt động tốt cho một người dùng được đào tạo nhưng thất bại khi áp dụng cho các cá nhân mới. Kiến trúc dựa trên tích hợp của EDGCN giúp vượt qua hạn chế này bằng cách mô hình hóa tốt hơn sự biến đổi giữa các cá nhân.

Ý nghĩa đối với phục hồi và công nghệ hỗ trợ

Khả năng giải mã tín hiệu não chính xác hơn có thể có những ý nghĩa sâu sắc đối với các công nghệ hỗ trợ.

BCI dựa trên tưởng tượng vận động đang được khám phá cho các ứng dụng như:

• Xe lăn điều khiển bằng suy nghĩ
• Thiết bị giả thần kinh
• Thiết bị phục hồi chức năng rô-bốt
• Hệ thống giao tiếp cho bệnh nhân liệt

Độ chính xác giải mã được cải thiện có thể làm cho những công nghệ này đáng tin cậy và dễ sử dụng hơn.

Các nhà nghiên cứu tin rằng hệ thống như EDGCN có thể giúp bệnh nhân bị tình trạng như:

• Đột quỵ
• Chấn thương tủy sống
• Bệnh xơ cứng teo cơ (ALS)
• Rối loạn thần kinh cơ khác

Với việc giải thích tín hiệu tốt hơn, bệnh nhân có thể kiểm soát các thiết bị phục hồi chức năng thần kinh thông qua các chuyển động tưởng tượng đơn giản, cho phép tương tác tự nhiên hơn với các hệ thống hỗ trợ.

Theo Giáo sư Namiki, việc giải mã tín hiệu tưởng tượng vận động không chỉ là một thách thức công nghệ mà còn là cơ hội để hiểu rõ hơn về cách não tổ chức chuyển động và kết nối thần kinh.

Hướng tới giao diện não-máy tính cấp người tiêu dùng

Mặc dù đã có nhiều năm nghiên cứu, hầu hết các hệ thống giao diện não-máy tính vẫn còn bị giới hạn trong phòng thí nghiệm hoặc môi trường lâm sàng chuyên dụng. Độ tin cậy, khả năng thích nghi và dễ sử dụng vẫn là những rào cản đáng kể đối với việc áp dụng rộng rãi hơn.

Những tiến bộ như EDGCN có thể giúp đưa BCI gần hơn với công nghệ thần kinh cấp người tiêu dùng.

Bằng cách cải thiện khả năng của hệ thống trong việc xử lý tín hiệu não dị hướng, mô hình giảm nhu cầu về hiệu chỉnh và điều chỉnh chuyên gia. Đây là một bước quan trọng hướng tới việc làm cho hệ thống BCI có thể sử dụng được ngoài môi trường nghiên cứu.

Nghiên cứu trong tương lai có thể tập trung vào việc tích hợp các mô hình AI như vậy vào hệ thống EEG di động và thiết bị đeo. Kết hợp với những cải tiến trong công nghệ cảm biến và sức mạnh tính toán, những hệ thống này có thể cho phép giao diện não-máy tính dễ tiếp cận và có thể mở rộng hơn.

Bước tiến tới tích hợp con người-máy sâu sắc hơn

Sự phát triển của EDGCN phản ánh một xu hướng rộng lớn hơn trong trí tuệ nhân tạo và khoa học thần kinh: việc sử dụng ngày càng nhiều mạng nơ-ron đồ thị để mô hình hóa các hệ thống sinh học.

Vì não hoạt động như một mạng lưới phức tạp của các vùng não liên kết, mạng nơ-ron đồ thị cung cấp một cách tự nhiên để đại diện cho cấu trúc và động lực của nó. Khi những mô hình AI này trở nên tinh vi hơn, chúng có thể mở khóa những hiểu biết sâu sắc hơn về hoạt động thần kinh và nhận thức.

Cuối cùng, việc giải mã tín hiệu não chính xác hơn có thể mở đường cho một thế hệ công nghệ mới cho phép con người tương tác với máy móc một cách tự nhiên hơn bao giờ hết.

Nếu tiến bộ tiếp tục với tốc độ hiện tại, giao diện não-máy tính có thể sớm chuyển từ công cụ nghiên cứu thử nghiệm sang công nghệ hỗ trợ hàng ngày có khả năng khôi phục độc lập và di chuyển cho hàng triệu người trên toàn thế giới.