ИИ предсказывает поведение человека по активности мозга с точностью 95%

Искусственный интеллект и нейронаука: Новый этап в декодировании сигналов головного мозга

Современная нейробиология, поведенческие науки и медицинские исследования переживают стремительный эволюционный прыжок благодаря прогностической мощности алгоритмов искусственного интеллекта (ИИ) и машинного обучения. В новом рецензируемом научном исследовании, опубликованном в международном журнале PLoS Computational Biology, представлена уникальная модель глубокого обучения искусственного интеллекта. Эта система способна с высокой точностью — до 95% — и практически в режиме реального времени распознавать и предсказывать поведенческие акты на основе анализа сигналов нейронной активности головного мозга.

По словам ведущего автора исследования, профессора Тору Такуми (Toru Takumi) из Медицинской школы Университета Кобе (Япония), работавшего в соавторстве с исследователями Такехиро Адзиокой (Takehiro Ajioka), Нобухиро Накаи (Nobuhiro Nakai) и Окито Ямаситой (Okito Yamashita), технологии глубокой нейронной обработки данных открывают принципиально новые горизонты для нейроинженерии:

«Глубокое обучение представляет собой невероятно мощный инструмент для точной расшифровки движений, речи и зрительного восприятия непосредственно из нейронных сигналов головного мозга. Это имеет фундаментальное значение для развития нейроинженерии и создания интерфейсов «мозг — компьютер» (ИМК), использующих естественную взаимосвязь между электрической активностью нейронов и их целевым поведенческим выражением».

Интерфейсы «Мозг — Компьютер» (ИМК): Надежда для людей с тяжелыми двигательными нарушениями

Интерфейс «мозг — компьютер» (ИМК, или BCI — от англ. Brain-Computer Interface) — это специализированная система, созданная для обмена информацией между головным мозгом человека и внешними электронными или механическими устройствами без участия периферической нервной системы и мускулатуры. Данные технологии предназначены в первую очередь для людей, утративших моторные (двигательные) или речевые функции в результате тяжелых травм и заболеваний.

Использование современных ИМК предоставляет пациентам возможность:

• Управлять курсором и программным обеспечением персональных компьютеров, планшетов и смартфонов;
• Контролировать высокотехнологичные протезы верхних и нижних конечностей, а также внешние роботизированные экзоскелеты;
• Взаимодействовать с системами синтеза речи для полноценной коммуникации с окружающим миром;
• Самостоятельно управлять электрическими креслами-колясками и элементами умного дома.

Для пациентов, страдающих тяжелыми неврологическими расстройствами, последствиями инсульта, боковым амиотрофическим склерозом (БАС), травмами спинного мозга и синдромом «запертого человека» (состояние, при котором больной находится в сознании, но полностью парализован и не может двигаться или говорить), алгоритмы ИМК на базе искусственного интеллекта дают реальный шанс на кардинальное повышение качества жизни и возвращение автономности.

Архитектура глубокого обучения (Deep Learning) в нейроизображении

Глубокое обучение (Deep Learning) представляет собой specialized подраздел машинного обучения (Machine Learning). В традиционном программировании алгоритмы получают жестко прописанный набор инструкций и правил. В отличие от этого approach, в машинном обучении алгоритмы самостоятельно находят закономерности, обучаясь на гигантских массивах входных данных.

Глубокая искусственная нейронная сеть состоит из нескольких ключевых структурных компонентов:

• Входной слой (Input Layer): принимает первичные данные (например, нейровизуализационные снимки коры головного мозга);
• Множество скрытых слоев (Hidden Layers): последовательно извлекают из данных абстрактные признаки и сложнейшие паттерны;
• Выходной слой (Output Layer): формирует итоговый результат или предсказание (например, классифицирует конкретное действие или движение).

Именно алгоритмы глубокого обучения стали главным двигателем современного научного и технологического прогресса в области искусственного интеллекта, позволяя компьютеру анализировать сложнейшие биомедицинские сигналы, недоступные для ручной обработки человеком.

Симбиоз нейросетей: Объединение свёрточных (CNN) и рекуррентных (RNN) алгоритмов

Модель искусственного интеллекта, разработанная учеными из Медицинской школы Университета Кобе, использует комбинированную архитектуру, состоящую из двух типов глубоких нейронных сетей: свёрточной нейронной сети и рекуррентной нейронной сети. Такой комплексный подход исследователи назвали методом сквозного глубокого обучения (End-to-End Deep Learning).

1. Свёрточные нейронные сети (CNN)

Свёрточная нейронная сеть (СНС, или CNN — от англ. Convolutional Neural Network) — это класс глубоких нейросетей прямого распространения, специально оптимизированный для обработки и анализа пространственных данных, таких как цифровые изображения и видеопотоки. СНС не требуют предварительной ручной вырезки признаков и превосходно справляются с выявление пространственных паттернов в исходных визуальных данных.

По своей внутренней структуре свёрточные нейросети имитируют работу зрительной коры головного мозга человека. Они пропускают входной сигнал через последовательность специализированных свёрточных слоев, где нижние слои распознают простые элементы (границы, контрасты, точки), а более глубокие слои формируют высокоуровневые комплексные паттерны и концептуальные формы.

2. Рекуррентные нейронные сети (RNN)

Рекуррентная нейронная сеть (РНС, или RNN — от англ. Recurrent Neural Network) — это двунаправленный алгоритм глубокого обучения, разработанный для анализа последовательных данных и временных рядов (Time-Series Data). В отличие от классических нейросетей, где каждый входной объект обрабатывается независимо, рекуррентная сеть имеет внутреннюю память: её выходное значение на текущем шаге напрямую зависит от предыдущих состояний и контекста всей последовательности.

Для обучения и минимизации ошибок в таких сетях используется специальный математический алгоритм — обратное распространение ошибки во времени (BPTT — от англ. Backpropagation Through Time). Этот метод вычисляет и суммирует градиенты ошибок на каждом временном этапе последовательности, что позволяет сети эффективно улавливать динамические изменения во времени.

Объединение СНС (для пространственного анализа изображений мозга) и РНС (для учета динамики изменения сигналов во времени) позволило создать чрезвычайно точный декодер нейронной активности.

Революционное преимущество: обработка снимков всей коры без предварительного выбора областей

Помимо высокой точности и работы в режиме реального времени, ключевой инновационной чертой модели нейробиологов из Университета Кобе является отсутствие необходимости в длительной и ресурсоемкой предварительной обработке данных (Preprocessing), связанной с ручным выделением так называемых «зон интереса» (Regions of Interest, ROI).

В традиционных исследованиях ученым приходится вручную размечать участки мозга, которые, по их мнению, відповідают за те или иные функции. Японские исследователи проверили свою ИИ-модель, используя снимки всей коры головного мозга (Whole-Cortex Brain Images) без какого-либо предварительного выбора анализируемых зон. В качестве экспериментальной модели оценивалось поведение пяти лабораторных мышей, находившихся либо в состоянии покоя, либо в процессе бега по беговой дорожке.

Результаты показали, что искусственный интеллект успешно обобщил полученные данные, выявил ключевые закономерности и самостоятельно отфильтровал индивидуальные анатомические и физиологические особенности каждого конкретного организма.

Команда исследователей из Медицинской школы Университета Кобе подчеркивает:

«Полученные нами результаты убедительно демонстрируют широкие возможности нейронного декодирования произвольных поведенческих актов, связанных с движением всего тела, на основе анализа снимков всей коры головного мозга. Главное преимущество этого подхода заключается в автоматическом вычислении наиболее существенных характеристик декодера без субъективного вмешательства человека».

Разгадка «чёрного ящика» искусственного интеллекта

Одной из главных проблем при внедрении глубокого обучения в медицину является так называемая проблема «чёрного ящика» (Black Box Problem). Высокая точность предсказаний нейросетей часто сопровождается невозможностью понять, на основе каких именно критериев алгоритм принял то или иное решение.

Чтобы сделать работу гибридного декодера интерпретируемой и прозрачной, японские нейробиологи применили методический процесс исключения (элиминации). Они последовательно и систематически удаляли фрагменты изображений коры головного мозга из набора данных и отслеживали, как это влияет на точность предсказаний ИИ-модели. В результате исследователям удалось точно локализовать и идентифицировать те области мозга, визуальные данные из которых вносили наибольший вклад в итоговую точность прогнозов искусственного интеллекта.

Такой подход позволил «осветить» внутренние процессы глубокого обучения и точно определить, какие функциональные зоны коры головного мозга играют решающую роль в формировании двигательного поведения.

Будущее нейротехнологий и клинические перспективы

Ученые из Медицинской школы Университета Кобе успешно представили доказательство концепции (Proof of Concept), объединив два продвинутых алгоритма глубокого обучения для быстрой и высокоточной расшифровки нейронных сигналов.

Этот технологический прорыв закладывает прочный фундамент для создания нейроинтерфейсов нового поколения. В будущем подобные системы позволят мгновенно считывать намерения человека непосредственно из коры головного мозга, возвращая людям с ограниченными возможностями здоровья способность свободно общаться, передвигаться и управлять сложнейшими робототехническими комплексами.