Команда исследователей под руководством профессора электротехники и вычислительной техники Мэрьям Шанечи из Университета Южной Калифорнии (USC) разработала новый алгоритм глубокого обучения для работы с мозговыми сигналами, который способен декодировать их в реальном времени. Эта технология может значительно продвинуть развитие нейротехнологий, что было отражено в публикации журнала Nature Biomedical Engineering.
Шанечи и её аспиранты сосредоточили свои усилия на создании интерфейсов «мозг-компьютер» (BCI) для лечения неврологических и психических расстройств. Например, BCI может управлять роботизированной рукой для парализованного пациента, расшифровывая мозговые сигналы, которые указывают на его намерение совершить движение. В другом случае, такой интерфейс может отслеживать симптомы настроения у пациентов с депрессией и корректировать дозу стимуляции мозга.
Глубокое обучение (deep learning) — это подвид искусственного интеллекта, который может значительно улучшить точность декодирования сигналов мозга. Однако до этого момента BCI системы в основном полагались на более простые алгоритмы. Для того чтобы методы глубокого обучения стали применимыми в реальном времени, необходимо преодолеть ряд дополнительных сложностей.
«Во-первых, нам нужно разработать методы глубокого обучения, которые не только будут точными, но и смогут декодировать данные в реальном времени», — объясняет Шанечи. «Например, декодировать движение, задуманное пациентом, пока он думает о том, чтобы взять чашку кофе. Во-вторых, методы должны справляться с непредсказуемыми потерями сигналов мозга, что часто происходит в беспроводных BCI системах».
Шанечи и её студенты, Хамидреза Аббаспуразад и Эрай Эртюрк, разработали новый подход глубокого обучения для работы с мозговыми сигналами под названием DFINE (dynamical flexible inference for nonlinear embeddings). Этот метод позволяет точно декодировать мозговые сигналы в реальном времени, даже при случайных потерях данных, что особенно важно для беспроводных интерфейсов.
До этого момента модели мозговых данных сталкивались с компромиссами: либо они обеспечивали высокую точность, но были неспособны декодировать данные в реальном времени, либо работали в реальном времени, но с потерей точности. DFINE преодолевает этот барьер, объединяя оба качества: точность и способность к работе в реальном времени.
«Этот новый алгоритм глубокого обучения представляет собой передовой метод, который может применяться в реальных нейротехнологиях, так как обеспечивает одновременно точность, работу в реальном времени, гибкость и эффективность», — отмечает Шанечи. Это открывает новые возможности для создания интерфейсов «мозг-компьютер», которые могут значительно улучшить терапевтические устройства для людей с неврологическими или психическими расстройствами.