Как ИИ улучшает работу неинвазивного мозгового интерфейса

Введение

Учёные recently discovered a method to integrate adaptive artificial intelligence (AI) machine learning with human motor learning in a noninvasive brain‑computer interface (BCI). This breakthrough reduces training time and improves performance, marking a significant milestone in neuroscience.

Что такое мозговая компьютерная связь (BCI)?

Мозговая компьютерная связь — это вспомогательная технология, позволяющая пользователю управлять внешними электронными устройствами только мыслями. Для этого BCI должны записывать активность мозга и расшифровывать её, предсказывая намерения пользователя.

Инвазивные и неинвазивные BCI

BCI‑устройства бывают инвазивными и неинвазивными. Инвазивные требуют хирургического внедрения электродов непосредственно в мозговую ткань (интракортикальные записи, ECoG). Неинвазивные используют внешние сенсоры: капы с fNIRS, MEG или EEG, измеряющие мозговую активность без нарушения целостности черепа.

Роль искусственного интеллекта и машинного обучения

Традиционно точная декодировка сигнала была достигнута только с инвазивными методами. Однако недавние прогрессы в области искусственного интеллекта и машинного обучения позволяют сократить разрыв в производительности между инвазивными и неинвазивными BCI.

Проблема обучения: пользовательский vs декодерский подход

До настоящего времени обучение BCI с использованием воображаемых движений делилось на два подхода: пользовательский (фокус на обучении человека) и декодерский (фокус на адаптации алгоритма). Оба подхода ограничивали эффективность системы, так как не учитывали взаимное обучение.

Новый совместный учебный фреймворк

Исследователи из Carnegie Mellon University разработали первый совместный учебный фреймворк, который одновременно адаптирует и пользователя, и декодер в рамках единого цикла обучения. Система основана на закрытом контуре с декодером, содержащим алгоритм перераспределения образцов, и на сенсорной обратной связи, передаваемой через тактильные стимуляции.

Детали эксперимента

В исследовании приняли участие 31 здоровый доброволец (13 мужчин и 18 женщин). Каждому был надет 64‑канальный Neuroscan QuikCap с усилителями SynAmps 2/RT (Compumedics Neuroscan) для неинвазивного сбора данных методом ЭЭГ.

Результаты

Совместный фреймворк привёл к средней точности 77,5 % при управлении двухмерным курсором и 86 % при управлении одномерным курсором. Это свидетельствует о значительном улучшении точности по сравнению с традиционными методами обучения.

Выводы и значение

Сочетание нейропластичности, управляемой обратной связью, и адаптивных алгоритмов оптимизации позволяет перейти от пассивной калибровки к активному совместному обучению человека и машины. Такие системы становятся практичными и масштабируемыми, что особенно важно для нейронных интерфейсов, используемых в коммуникации и реабилитации.

Перспективы развития

Развитие BCI‑технологий имеет огромный потенциал для людей, потерявших способность двигаться или говорить. Будущие исследования могут сосредоточиться на:

• улучшении скорости обучения за счёт более эффективных нейронных сетей;
• интеграции многомодальных сенсоров (визуальных, тактильных, аудио‑сигналов);
• создании персонализированных протоколов обучения, адаптированных под индивидуальные особенности нейропластичности;
• расширении применения BCI в клинической практике, например, в восстановлении речи после инсульта.

Глоссарий ключевых терминов

• Нейропластичность — способность мозга изменять свои связи и функции в ответ на опыт, обучение и повреждения.
• Эксперементальное обучение (trial‑and‑error) — процесс обучения через попытки и ошибки, когда результат определяется последовательными действиями.
• Супервизённый обучение — обучение модели на наборе размеченных примеров, где каждому входу соответствует желаемый выход.
• Несупервизённый обучение — обучение без явных меток, когда алгоритм ищет структуру в данных самостоятельно.
• Усиленное обучение (reinforcement learning) — метод, при котором агент учится optimal поведению, получая положительные или отрицательные вознаграждения за свои действия.

Заключение

Открытие совместного учебного фреймворка, соединяющего нейропластичность человека с адаптивными алгоритмами ИИ, представляет собой важный шаг вперёд в разработке неинвазивных мозговых интерфейсов. Снижение времени обучения и рост точности делают такие системы реальными инструментами для восстановления функций у пациентов с нейронными повреждениями, а также открывают новые возможности для человеческого взаимодействия с цифровыми устройствами.