Nuevos datos sintéticos de IA pueden mejorar las interfaces cerebro-computadora
Fuente: Geralt / Pixabay
El aprendizaje automático de inteligencia artificial (IA) se utiliza en interfaces cerebro-computadora (BCI) para reconocer patrones y descifrar datos de imágenes cerebrales. Un nuevo estudio publicado en Ingeniería Biomédica de la Naturaleza de la Universidad del Sur de California (USC), los investigadores están aplicando tecnología de IA deepfake para mejorar el rendimiento de las interfaces cerebro-computadora para ayudar a las personas con discapacidades del lenguaje o problemas de movilidad.
«Es la primera vez que la IA ha generado la receta para el pensamiento o el movimiento mediante la creación de trenes de picos sintéticos», dijo el autor principal, Shixian Wen, en el informe de la USC. «Esta investigación es un paso fundamental para hacer que las BCI sean más adecuadas para su uso en el mundo real».
Las interfaces cerebro-computadora, también conocidas como interfaces cerebro-máquina (IMC), son tecnologías de asistencia que leen y decodifican la actividad eléctrica en el cerebro a dispositivos externos como sillas de ruedas, sintetizadores de voz, prótesis, teléfonos inteligentes, cursores de computadora, teclados y más. Se espera que el mercado BCI crezca a una tasa de crecimiento anual promedio del 15.5 por ciento durante el período 2022-2027 y alcance ventas de $ 3.7 mil millones para 2027.
Encontrar datos de entrenamiento extensos para interfaces cerebro-computadora, donde las señales cerebrales se asignan a acciones específicas siempre que sea posible, puede ser un desafío que requiere mucho tiempo. Los algoritmos de IA requieren grandes cantidades de datos de entrenamiento para aprender a reconocer patrones y características. Para resolver este desafío de datos, los investigadores de la USC desarrollaron un Modelo Adversario Generativo (GAN), un tipo de arquitectura de red de inteligencia artificial neuronal utilizada para entrenar el aprendizaje profundo. En las GAN, dos redes neuronales artificiales (ANN) se entrenan entre sí compitiendo: una red neuronal generativa genera muestras de datos sintéticos y una red neuronal discriminativa intenta determinar si las muestras de datos se generan o provienen de datos reales.
Los investigadores desarrollaron una GAN que se entrenó con datos de una sesión de grabación con un mono que realizaba una tarea de agarre para aprender a asociar el movimiento con los trenes de picos, que son la representación en forma de onda binaria de la actividad cerebral. Los datos del cerebro y el comportamiento del mono se recopilaron utilizando un sistema Cerebus de Blackrock Neurotech (anteriormente Blackrock Microsystems). Este sintetizador GAN luego generó datos neuronales sintéticos, que luego se combinaron con nuevos datos del mundo real para entrenar una interfaz cerebro-computadora. Según un informe de la USC, este enfoque mejoró la velocidad del ejercicio hasta 20 veces más rápido.
Según los investigadores, su modelo se puede adaptar para sintetizar nuevos trenes de picos que pueden acelerar el entrenamiento de los decodificadores de interfaz cerebro-computadora. Debido a que el modelo se basa completamente en datos, este enfoque se puede utilizar para una variedad de decodificadores de interfaz cerebro-computadora y no se limita a las BCI de control de motores.
«Para las interfaces cerebro-computadora (BCI) puede ser difícil, costoso o incluso imposible obtener suficientes datos de entrenamiento para los algoritmos que mapean las señales neuronales con las acciones», informaron los investigadores de la USC. «Aquí informamos sobre el desarrollo y uso de un modelo generativo, un modelo que sintetiza un número prácticamente ilimitado de distribuciones de datos nuevos a partir de una distribución de datos aprendida, que aprende las asignaciones entre la cinemática de la mano y los picos neurales asociados».
Copyright © 2022 Cami Rosso Todos los derechos reservados.
