I ricercatori utilizzano le reti generative avversarie per migliorare le interfacce cervello-computer
I ricercatori della Viterbi School of Engineering della University of Southern California (USC) stanno utilizzando le reti generative avversarie (GAN) per migliorare le interfacce cervello-computer (BCI) per le persone con disabilità.
I GAN vengono utilizzati anche per creare video deepfake e volti umani fotorealistici.
Il documento di ricerca è stato pubblicato su Nature Biomedical Engineering .
Il potere dei BCI
Il team è stato in grado di insegnare a un’intelligenza artificiale a generare dati sintetici sull’attività cerebrale attraverso questo approccio. Questi dati sono sotto forma di segnali neurali chiamati treni di punta, che possono essere inseriti in algoritmi di apprendimento automatico per migliorare i BCI tra le persone con disabilità.
I BCI analizzano i segnali cerebrali di un individuo prima di tradurre l’attività neurale in comandi, il che consente all’utente di controllare i dispositivi digitali solo con i propri pensieri. Questi dispositivi, che possono includere cose come i cursori del computer, sono in grado di migliorare la qualità della vita dei pazienti affetti da disfunzioni motorie o paralisi. Possono anche giovare alle persone con sindrome bloccata, che si verifica quando la persona non è in grado di muoversi o comunicare nonostante sia pienamente cosciente.
Esistono già molti tipi diversi di BCI sul mercato, come quelli che misurano i segnali cerebrali e i dispositivi che vengono impiantati nei tessuti cerebrali. La tecnologia è in costante miglioramento e viene applicata in nuovi modi, tra cui la neuroriabilitazione e il trattamento della depressione. Tuttavia, è ancora difficile rendere i sistemi sufficientemente veloci da funzionare in modo efficiente nel mondo reale.
I BCI richiedono enormi quantità di dati neurali e lunghi periodi di addestramento, calibrazioni e apprendimento per comprendere i loro input.
Laurent Itti è un professore di informatica e coautore della ricerca.
“Ottenere dati sufficienti per gli algoritmi che alimentano i BCI può essere difficile, costoso o addirittura impossibile se gli individui paralizzati non sono in grado di produrre segnali cerebrali sufficientemente robusti”, ha affermato Itti.
La tecnologia è specifica per l’utente, il che significa che deve essere addestrata per ogni individuo.
Reti generative avversarie
I GAN possono migliorare l’intero processo poiché sono in grado di creare una quantità illimitata di nuove immagini simili attraverso un processo per tentativi ed errori.
Shixian Wen, uno studente di dottorato consigliato da Itti e autore principale dello studio, ha deciso di esaminare i GAN e la possibilità che potessero creare dati di addestramento per i BCI generando dati neurologici sintetici indistinguibili dalla controparte reale.
Il team ha condotto un esperimento in cui ha addestrato un sintetizzatore di spike ad apprendimento profondo con una sessione di dati che è stata registrata da una scimmia che cercava un oggetto. Hanno quindi utilizzato un sintetizzatore per generare una grande quantità di dati neurali simili, ma falsi.
I dati sintetizzati sono stati quindi combinati con piccole quantità di nuovi dati reali per addestrare un BCI. Con questo approccio, il sistema è stato in grado di diventare operativo molto più velocemente rispetto ai metodi attuali. Più specificamente, i dati neurali sintetizzati da GAN hanno migliorato la velocità complessiva di allenamento dei BCI fino a 20 volte.
“Meno di un minuto di dati reali combinati con i dati sintetici funziona così come 20 minuti di dati reali”, ha detto Wen.
“È la prima volta che vediamo l’intelligenza artificiale generare la ricetta per il pensiero o il movimento attraverso la creazione di treni di punte sintetici. Questa ricerca è un passo fondamentale per rendere i BCI più adatti all’uso nel mondo reale”.
Dopo le prime sessioni sperimentali, il sistema è stato in grado di adattarsi a nuove sessioni con dati neurali aggiuntivi limitati.
“Questa è la grande innovazione qui: creare falsi treni di punte che sembrano provenire da questa persona mentre immaginano di fare movimenti diversi, quindi anche utilizzare questi dati per aiutare l’apprendimento sulla persona successiva”, ha detto Itti.
Questi nuovi sviluppi con dati sintetici generati dal GAN potrebbero anche portare a scoperte in altre aree del campo.
“Quando un’azienda è pronta per iniziare a commercializzare uno scheletro robotico, un braccio robotico o un sistema di sintesi vocale, dovrebbe prendere in considerazione questo metodo, perché potrebbe aiutarli ad accelerare la formazione e la riqualificazione”, ha affermato Itti. “Per quanto riguarda l’utilizzo del GAN per migliorare le interfacce cervello-computer, penso che questo sia solo l’inizio”.
