L’algoritmo AI può migliorare la precisione di decodifica dei segnali cerebrali nelle interfacce cervello-computer in tempo reale.
Maryam Shanechiprofessoressa di ingegneria elettrica e informatica e direttrice fondatrice dell’USC Center for Neurotechnology, e i suoi studenti di dottorato hanno sviluppato un nuovo metodo avanzato di apprendimento profondo per i segnali cerebrali in grado di eseguire la decodifica in tempo reale per avanzare neurotecnologie in modo significativo. Quest’opera è stata pubblicata in Ingegneria Biomedica della Natura.
Mappatura del cervello basata sull’intelligenza artificiale: interpretazione artistica. Credito immagine: Alius Noreika, creato con DALL·E 3
Il lavoro di Shanechi prevede la decodifica dei segnali cerebrali per sviluppare interfacce cervello-computer (BCI) per il trattamento di condizioni di salute neurologica e mentale. Ad esempio, la BCI può muovere un braccio robotico in tempo reale per un paziente paralizzato decodificando il movimento a cui quel paziente sta pensando, in base ai segnali cerebrali. In alternativa, la BCI può decodificare i sintomi dell’umore in un paziente con depressione maggiore dai segnali cerebrali per fornire ogni volta il giusto dosaggio di terapia di stimolazione cerebrale profonda.
Il deep learning, una branca dell’intelligenza artificiale (AI), ha il potenziale per migliorare sostanzialmente la precisione con cui vengono decodificati i segnali cerebrali. Tuttavia, fino a questo punto, le BCI si sono affidate in gran parte ad algoritmi di calcolo più semplici. Affinché i metodi di deep learning diventino perfettamente applicabili alle BCI in tempo reale, devono affrontare molteplici sfide aggiuntive, afferma Shanechi.
“In primo luogo, dobbiamo sviluppare metodi di deep learning che non solo siano accurati, ma possano anche decodificare in tempo reale ed efficiente”, ha affermato Shanechi. “Ad esempio, decodifica il movimento pianificato di un paziente dai segnali cerebrali in tempo reale, mentre sta pensando di prendere una tazza di caffè. In secondo luogo, abbiamo bisogno di questi metodi per gestire i segnali cerebrali mancanti casualmente, che possono verificarsi durante la trasmissione di segnali in BCI wireless”.
Shanechi e i suoi studenti, Hamidreza Abbaspourazad e Eray Erturk, hanno sviluppato un nuovo approccio di apprendimento profondo per i segnali cerebrali che affronta entrambe queste sfide. Chiamano il metodo DFINE, per “inferenza flessibile dinamica per incorporamenti non lineari”. Mostrano che DFINE decodifica accuratamente i segnali cerebrali pur essendo in grado di funzionare in tempo reale. Può farlo anche quando i segnali cerebrali mancano in momenti casuali, cosa che può accadere ad esempio nelle BCI wireless.
Prima di questo lavoro, c’era un compromesso nei modelli dei dati cerebrali: “O i modelli avevano una migliore precisione, ma era difficile per loro decodificarli in tempo reale e/o lavorare in modo robusto con alcuni dati cerebrali mancanti. Oppure i modelli potrebbero essere decodificati in tempo reale ma non così accuratamente”, ha detto Abbaspourazad.
“Ma le BCI necessitano sia di accuratezza che di decodifica robusta/in tempo reale. Ciò consentirà loro di aiutare i pazienti con vari disturbi cerebrali”, ha affermato Erturk.
“Con questo nuovo modello di deep learning, stiamo ottenendo entrambi”, ha aggiunto Shanechi. “Stiamo ottenendo precisione attraverso il deep learning che cattura la complessità dei segnali cerebrali. Ma stiamo costruendo un approccio in grado di farlo funzionando anche in tempo reale e in modo robusto”.
“Questo lavoro fornisce metodi avanzati di apprendimento profondo che possono essere utilizzati nelle neurotecnologie del mondo reale perché offrono contemporaneamente precisione, funzionamento in tempo reale, flessibilità ed efficienza”, afferma Shanechi. Ciò implica che in futuro potremo sviluppare BCI più veloci, più precise e più reattive. Ciò può quindi migliorare significativamente i dispositivi terapeutici per le persone con patologie neurologiche o addirittura mentali, ha affermato.
Fonte: USC
Da un’altra testata giornalistica. news de www.technology.org
