Maryam Shanechi, profesor Sawchuk Chair in Electrical and Computer Engineering i dyrektor założycielka USC Center for Neurotechnology, wraz ze swoim zespołem opracowała nowy algorytm AI, który może oddzielać wzorce mózgowe związane z konkretnym zachowaniem. Ta praca, która może ulepszyć interfejsy mózg-komputer i odkryć nowe wzorce mózgowe, została opublikowana w czasopiśmie Nature Neuroscience.
W chwili, gdy czytasz tę historię, Twój mózg jest zaangażowany w wiele zachowań.
Być może poruszasz ręką, aby sięgnąć po filiżankę kawy, czytając artykuł na głos swojemu koledze i czując się trochę głodny. Wszystkie te różne zachowania, takie jak ruchy ramion, mowa i różne stany wewnętrzne, takie jak głód, są jednocześnie kodowane w twoim mózgu. To jednoczesne kodowanie powoduje bardzo złożone i pomieszane wzorce w aktywności elektrycznej mózgu. Tak więc głównym wyzwaniem jest oddzielenie tych wzorców mózgowych, które kodują określone zachowanie, takie jak ruch ramienia, od wszystkich innych wzorców mózgowych.
Na przykład, ta dysocjacja jest kluczowa dla rozwoju interfejsów mózg-komputer, których celem jest przywrócenie ruchu u sparaliżowanych pacjentów. Myśląc o wykonaniu ruchu, pacjenci ci nie mogą komunikować swoich myśli do swoich mięśni. Aby przywrócić funkcje u tych pacjentów, interfejsy mózg-komputer dekodują zaplanowany ruch bezpośrednio z aktywności ich mózgu i tłumaczą to na poruszanie urządzeniem zewnętrznym, takim jak ramię robota lub kursor komputera.
Shanechi i jej były doktorant, Omid Sani, który jest obecnie współpracownikiem naukowym w jej laboratorium, opracowali nowy algorytm AI, który rozwiązuje to wyzwanie. Algorytm nazywa się DPAD, od „Dissociative Prioritized Analysis of Dynamics”.
„Nasz algorytm AI, nazwany DPAD, oddziela te wzorce mózgowe, które kodują konkretne zachowanie będące przedmiotem zainteresowania, takie jak ruch ramienia, od wszystkich innych wzorców mózgowych, które zachodzą w tym samym czasie” — powiedział Shanechi. „Pozwala nam to dekodować ruchy z aktywności mózgu dokładniej niż poprzednie metody, co może ulepszyć interfejsy mózg-komputer. Ponadto nasza metoda może również odkrywać nowe wzorce w mózgu, które w przeciwnym razie mogłyby zostać przeoczone”.
„Kluczowym elementem algorytmu AI jest najpierw poszukiwanie wzorców mózgowych, które są powiązane z zachowaniem będącym przedmiotem zainteresowania, i uczenie się tych wzorców z priorytetem podczas treningu głębokiej sieci neuronowej” — dodał Sani. „Po zrobieniu tego algorytm może później nauczyć się wszystkich pozostałych wzorców, aby nie maskowały ani nie zakłócały wzorców związanych z zachowaniem. Ponadto wykorzystanie sieci neuronowych daje dużą elastyczność pod względem typów wzorców mózgowych, które algorytm może opisać”.
Oprócz ruchu, ten algorytm ma elastyczność, aby potencjalnie być używanym w przyszłości do dekodowania stanów psychicznych, takich jak ból lub nastrój depresyjny. Może to pomóc w lepszym leczeniu chorób psychicznych poprzez śledzenie stanów symptomów pacjenta jako informacji zwrotnej, aby precyzyjnie dostosować terapie do jego potrzeb.
„Jesteśmy bardzo podekscytowani możliwością opracowania i zademonstrowania rozszerzeń naszej metody, które mogą śledzić stany symptomów w zaburzeniach zdrowia psychicznego” — powiedział Shanechi. „Dzięki temu mogą powstać interfejsy mózg-komputer nie tylko w przypadku zaburzeń ruchu i paraliżu, ale także w przypadku zaburzeń zdrowia psychicznego”.