Революция в управлении внешними устройствами с помощью нейроинтерфейсов
Достигнут важный этап в развитии технологий взаимодействия мозга и компьютера. Новое рецензируемое исследование в области нейронаук, проведенное учеными из Калифорнийского университета в Лос-Анджелесе (UCLA), демонстрирует прорыв в производительности неинвазивных технологий нейрокомпьютерного интерфейса (BCI — Brain-Computer Interface). Исследователи применили методы машинного обучения, чтобы позволить пользователям перемещать курсор или роботизированную руку исключительно с помощью силы мысли.
Роль ИИ-копилотов в совместной автономии
«Для значительного повышения производительности BCI мы используем принцип «совместной автономии», где системы искусственного интеллекта (ИИ) выступают в роли копилотов, сотрудничая с пользователями для достижения поставленных целей», — пишет доцент UCLA Джонатан Као, ведущий автор исследования.
Совместная автономия — это концепция, при которой человек и автоматизированная система совместно управляют процессом, где ИИ берет на себя рутинные или сложные аспекты вычислений, основываясь на намерениях пользователя.
Что такое нейрокомпьютерные интерфейсы (BCI)?
Нейрокомпьютерные интерфейсы, также известные как нейромашинные интерфейсы (BMI — Brain-Machine Interface), позволяют людям управлять внешними устройствами с помощью активности мозга. Эта технология несет надежду на качественное улучшение жизни для людей с параличом. По данным Grand View Research, мировой рынок BCI в 2024 году превысил 160 миллиардов долларов США.
Типы и применение технологий
Интерфейсы делятся на два основных типа:
- Инвазивные BCI: требуют нейрохирургического вмешательства для имплантации датчиков. Применяются при эпилепсии, болезни Паркинсона, церебральном параличе, рассеянном склерозе, инсульте, травмах спинного мозга, боковом амиотрофическом склерозе (БАС — ALS) и других двигательных нарушениях.
- Неинвазивные BCI: не требуют операции. Они имеют огромный потенциал для потребительского рынка, включая носимые устройства, гейминг и реабилитацию.
Исторически неинвазивные системы страдали от низкого отношения «сигнал-шум», что приводило к снижению точности. Ученые из UCLA решили эту проблему, используя возможности распознавания образов с помощью ИИ.
Технический подход: CNNKF
Команда использовала алгоритм, сочетающий сверточную нейронную сеть (CNN — Convolutional Neural Network) и фильтр Калмана (KF — Kalman Filter). Сверточная нейронная сеть — это алгоритм глубокого обучения, вдохновленный визуальной системой человека, который эффективно извлекает признаки из данных для прогнозирования. Фильтр Калмана, представленный в 1960 году Рудольфом Калманом, представляет собой мощный математический метод для оценки неизвестных переменных из зашумленных временных рядов.
Результаты исследования и будущее
Исследователи записали электроэнцефалограмму (ЭЭГ) — запись электрической активности мозга — у четырех участников, включая одного пациента с параличом нижних конечностей из-за травмы позвоночника уровня T5. Использование ИИ-копилота повысило точность выполнения задач (управление курсором и манипулятором) в 3,9 раза. Важно отметить, что парализованный участник не смог бы выполнить эти задачи без поддержки ИИ.
Это исследование открывает путь к созданию еще более совершенных копилотов, способных решать сложные задачи, приближая нас к будущему, где цифровые инструменты становятся естественным продолжением человеческого сознания.
