研究人员使用生成对抗网络来改进脑机接口

南加州大学（USC）维特比工程学院的研究人员正在使用生成对抗网络（GANs）来改进脑机接口（BCIs）以帮助残疾人。

GANs 也被用于创建深度伪造视频和照片级人脸。

该研究论文发表在 Nature Biomedical Engineering 上。

脑机接口的力量

该团队能够通过这种方法教会 AI 生成合成脑活动数据。这些数据以称为 spike trains 的神经信号的形式存在，可以被输入到机器学习算法中以改进残疾人中的 BCIs。

BCIs 分析个体的脑信号，然后将神经活动转换为命令，从而使用户仅凭借思想控制数字设备。这些设备，包括计算机光标，可以改善患有运动功能障碍或瘫痪的患者的生活质量。它们还可以造福那些患有锁定综合征的个体，这种情况发生在人无法移动或交流尽管他们完全清醒的时候。

市场上已经有很多不同类型的 BCIs，例如测量脑信号的设备和植入脑组织的设备。该技术不断改进并以新的方式应用，包括神经康复和抑郁症治疗。然而，要使系统足够快速以便在现实世界中高效运行仍然很困难。

BCIs 需要大量的神经数据和长时间的训练、校准和学习来理解其输入。

Laurent Itti 是计算机科学教授和研究的共同作者。

“为 BCIs 中的算法获取足够的数据可能很困难、昂贵，或者如果瘫痪的个体无法产生足够强大的脑信号，则可能根本不可能，” Itti 说。

该技术是用户特定的，这意味着它必须为每个个体进行训练。

生成对抗网络

GANs 可以改进整个过程，因为它们能够通过试错过程创建无限数量的新、类似的图像。

Shixian Wen 是 Itti 指导的博士生，也是该研究的首席作者，他决定研究 GANs 是否可以通过生成与真实数据无法区分的合成神经数据来创建 BCIs 的训练数据。

该团队进行了一项实验，他们使用一只猴子伸手拿物体的会话记录的数据来训练一个深度学习的 spike 合成器。然后，他们使用合成器生成大量类似的但假的神经数据。

然后将合成的数据与少量新的真实数据结合起来来训练一个 BCI。通过这种方法，该系统能够比当前的方法更快地启动。更具体地说，GAN 合成的神经数据将 BCIs 的整体训练速度提高了多达 20 倍。

“不到一分钟的真实数据与合成数据结合起来的效果就像 20 分钟的真实数据一样，” Wen 说。

“这是我们第一次看到 AI 通过创建合成的 spike trains 生成思维或运动的配方。这项研究是将 BCIs 更加适应于现实世界使用的关键一步。”

在第一次实验会话之后，该系统能够适应新的会话，并且只需要有限的额外神经数据。

“这就是这里的重大创新——创建看起来就像来自这个人在想象不同的动作时的假的 spike trains，然后使用这些数据来帮助下一个人的学习，” Itti 说。

使用 GAN 生成的合成数据的这些新发展也可能在该领域的其他领域带来突破。

“当一家公司准备开始商业化一个机器人骨架、机器人臂或语音合成系统时，他们应该考虑这种方法，因为它可能有助于加速训练和重新训练，” Itti 说。“至于使用 GAN 来改进脑机接口，我认为这只是开始。”