تحول بزرگ در رابط‌ های مغز و رایانه؛ دستیابی پژوهشگران Tether Evo به مدلی هوشمند برای رمزگشایی افکار

شاخه تحقیقاتی فناوری‌های پیشرفته شرکت تتر با نام Tether Evo، با پذیرش سه مقاله علمی جدید و داوری‌شده در ژورنال‌های معتبر بین‌المللی شامل Journal of Neural Engineering، Imaging Neuroscience و Neural Networks، گام بلندی در حل یکی از بزرگ‌ترین چالش‌های فناوری رابط مغز و رایانه (BCI) برداشته است. دو مورد از این مقالات با همکاری دانشگاه رم تور ورگاتا (UniTOV) تدوین شده‌اند.

به گزارش بخش اخبار فناوری زوم تک به نقل از تک‌کرانچ (TC Brand Studio)، پژوهش‌ های جدید نشان می‌دهند که یک مدل هوش مصنوعی واحد می‌تواند فعالیت‌های مغزی افراد مختلف را در سه حوزه گفتار، بینایی و موسیقی رمزگشایی کند، بدون آنکه نیاز باشد روند آموزش مدل برای هر بیمار جدید از صفر آغاز شود. این دستاورد یک چالش حیاتی در حوزه بیوتکنولوژی و BCI را برطرف می‌کند؛ چرا که ساختار و سیگنال‌های مغزی هر انسان کاملاً منحصربه‌فرد است.

یک مدل هوشمند برای رمزگشایی مغز تمام انسان‌ ها

بخش Tether Evo بازوی فناوری‌های پیشرو شرکت تتر است که در نقطه تقاطع زیست‌شناسی و هوش ماشینی فعالیت می‌کند. این مجموعه با تمرکز تخصصی بر رابط‌های مغز و رایانه و پروتزهای عصبی، سیستم‌های محلی (Local-first) و پرقدرتی را توسعه می‌دهد که هدف آن‌ها حفظ خودمختاری فردی در دنیای رو به تمرکز امروزی است.

اگرچه مغز هر فرد متفاوت است و بازنمایی‌های گفتاری به دلیل تفاوت در محل کاشت الکترودها، فعالیت‌های عملکردی و الگوهای یادگیری در افراد مختلف فرق می‌کند، دانشمندان نشان داده‌اند که یک مدل هوش مصنوعی آموزش‌دیده با تکنیک همترازی مناسب می‌تواند تعمیم‌پذیر باشد و برای افراد گوناگون به کار رود.

رمزگشایی گفتار و بازگرداندن توانایی ارتباط به بیماران ضایعه مغزی

در مقاله‌ای با عنوان «رمزگشایی بین‌فردی داده‌های عصبی انسان برای رابط‌های مغز و رایانه گفتاری» که در ژورنال Journal of Neural Engineering پذیرفته شده است، محققان Tether Evo بررسی کردند که چگونه سیستم‌های BCI می‌توانند به بیمارانی که به دلیل ابتلا به بیماری ALS، سکته مغزی یا آسیب‌های شدید مغزی قدرت تکلم خود را از دست داده‌اند، کمک کنند تا از طریق تبدیل فعالیت‌های مغزی به متن، دوباره ارتباط برقرار کنند.

تا پیش از این، این سیستم‌ها باید برای هر بیمار به صورت کاملاً مجزا ساخته می‌شدند. اما این مقاله نخستین مدل رمزگشایی سیگنال به واج (Phoneme) را معرفی می‌کند که روی ثبت‌های تهاجمی چندین شرکت‌کننده در نواحی مختلف قشر مغز آموزش دیده است.

رویکرد تتر به جای نگاه به هر بیمار به عنوان یک کیس ایزوله، از الگوهای گفتاری مشترک بهره می‌برد و از این درک مشترک برای آموزش یک رمزگشا استفاده می‌کند که می‌تواند به سرعت برای هر بیمار جدید تنظیم شود. این مطالعه نشان می‌دهد که یک مدل واحد با استفاده از یک مرحله بازهمترازی ریاضی سبک و یک شبکه رمزگشایی لایه‌ای جدید، می‌تواند سیگنال‌های مغزهای مختلف را وارد یک فضای مشترک کند.

نتیجه این روش با برترین سیستم‌های تک‌بیماره امروزی برابری کرده یا حتی آن‌ها را شکست می‌دهد، در حالی که زمان کالیبراسیون BCI را از فرآیندهای طولانی‌مدت به چند دقیقه تا چند ساعت کاهش می‌دهد؛ گامی بسیار نویدبخش برای تجاری‌سازی و مقیاس‌پذیری رابط‌های مغز و رایانه گفتاری.

بازسازی بینایی از طریق سیگنال‌های عصبی پريمات‌ها

در پژوهشی مشترک میان تتر و دانشگاه UniTOV، سیگنال‌های مغزی میمون‌ها هنگام مشاهده هزاران تصویر ثبت شد و محققان توانستند آنچه را که حیوان می‌دید مستقیماً از روی همان فعالیت عصبی بازسازی کنند. تنها با استفاده از ۲۰۰ میلی‌ثانیه داده عصبی، مدل توانست تصویر دقیق را از میان هزاران گزینه با دقت ۷۰ درصد تشخیص دهد و بازسازی تصویری قابل قبولی با حفظ شکل، رنگ و محتوا ارائه کند.

این مقاله با عنوان «خط لوله ساختاری-معنایی ماژولار برای رمزگشایی بصری داده‌های اسپایکینگ پریمات‌ها» در ژورنال Imaging Neuroscience پذیرفته شده است. این دستاورد نشان می‌دهد که سیستم‌های BCI چگونه می‌توانند در بازسازی بینایی موثر باشند و راه را برای توسعه پروتزهای بصری قشر مغز و سیستم‌های BCI حلقه-بسته برای بیماران نابینا هموار کنند.

نقش رابط‌های مغز و رایانه در درک و رمزگشایی موسیقی

همین رویکرد همترازی در مقاله‌ای با عنوان «ریتم و مغز: رمزگشایی بین‌فردی موسیقی از فعالیت مغز انسان» که در ژورنال Neural Networks پذیرفته شده، به اثبات رسیده است. در این بررسی، اسکن‌های مغزی (fMRI) پنج فرد هنگام گوش دادن به ۵۴۰ قطعه موسیقی در ۱۰ سبک مختلف ثبت شد و مدلی ساخته شد که فعالیت عصبی را به یک بازنمایی هوش مصنوعی از خود موسیقی تبدیل می‌کند.

با استفاده از تکنیک همترازی الگوهای مغزی افراد مختلف، این مدل توانست سبک موسیقی در حال پخش را با دقت ۶۱ درصد (در مقایسه با ۱۰ درصد شانس تصادفی) و قطعه دقیق را از میان ۶۰ گزینه با دقت ۲۵ درصد (در مقایسه با زیر ۲ درصد شانس تصادفی) تشخیص دهد و بنچمارک جدیدی را در این زمینه ثبت کند.

نتایج این تحقیق همچنین نقشه‌های دقیق نواحی مغزی فعال را مشخص کرد و نشان داد که سبک‌های کلاسیک و جاز متمایزترین امضاهای مغزی را ایجاد می‌کنند، در حالی که سبک‌هایی مانند متال و دیسکو به راحتی با یکدیگر اشتباه گرفته می‌شوند.

آینده فناوری BCI و حفظ حریم خصوصی کاربران

زمان کالیبراسیون همواره یکی از بزرگ‌ترین موانع در پذیرش واقعی و تجاری‌سازی رابط‌های مغز و رایانه بوده است. اگر مدلی که روی افراد متعدد آموزش دیده بتواند ظرف چند دقیقه به جای چند هفته با یک کاربر جدید سازگار شود، فاصله زمان آزمایشگاه تا عرضه یک محصول کاربردی بسیار کوتاه می‌شود.

شرکت تتر معتقد است هیچ اطلاعاتی خصوصی‌تر از داده‌های مغزی انسان نیست. این مجموعه معماری QVAC را که یک استک هوش مصنوعی متن‌باز روی‌دستگاهی (On-device) است توسعه داده تا مطمئن شود پردازش داده‌ها به صورت کاملاً محلی، خصوصی و بدون نیاز به تایید مرکزیت روی دستگاه‌ها انجام می‌شود. این رویکرد با هدف کلان تتر برای توانمندسازی افراد از طریق فناوری‌های غیرمتمرکز و کاملاً شخصی مطابقت کامل دارد.