Introduzione all'acquisizione e all'artigianato dei segni neurali

L'acquisizione del segnale neurologico comprende una serie di tecniche utilizzate per registrare l'attività elettrica dal cervello, dal midollo spinale e dai nervi periferici. L'elettroencefalogramma (EEG), la magnetoencefalografica (MEG), l'elettrocorticografia (ECoG), e le potenzialità del campo locale (LFP) sono tra le modalità più comuni impiegate nella diagnostica clinica e nella ricerca di neuroscienza.

I risultati ottenuti possono essere ampiamente classificati in categorie fisiologiche e non fisiologiche. I reperti fisici provengono dal corpo stesso: i blink oculari e i saccadi producono grandi deflettori di tensione nei canali EEG frontali; le contrazioni muscolari (attività miogenica) introducono il rumore ad alta frequenza; l'attività cardiaca (ECG) e le pulsazioni correlate al polso creano derivazioni a bassa frequenza.

I metodi tradizionali di rimozione degli artefatti includono filtrazione lineare, analisi dei componenti indipendenti (ICA), analisi dei componenti principali (PCA), e cura manuale da parte di annotatori esperti. Mentre questi approcci hanno servito il campo per decenni, soffrono di diversi limiti. I filtri lineari sono efficaci solo quando gli artefatti occupano bande di frequenza distinte che non si sovrappongono con l'attività neurale; per esempio, rimuovere le interferenze power-line 60 Hz è semplice, ma separando il rumore muscolare (20-200 Hz (20-banda gamma statistica

Perché Deep Learning per la rimozione di artefatti?

L'apprendimento approfondito ha rivoluzionato molte aree di elaborazione del segnale e visione del computer, e la rimozione del manufatto neurale non fa eccezione. Il vantaggio principale dei modelli di apprendimento profondo è la loro capacità di imparare complessi, mappature non lineari direttamente dai dati senza richiedere espliciti modelli matematici del processo di generazione del manufatto.

Tipi di Architettura di Apprendimento Profondo Usato

Reti neurali convoluzionali (CNN)

Le CNN sono particolarmente adatte per la rimozione di artefatti perché possono imparare automaticamente i filtri che rilevano caratteristiche specifiche dell'artefatto. Ad esempio, una CNN profonda può essere addestrata per identificare i trasmettitori affilati di occhi lampeggianti o i modelli ritmici del rumore muscolare.

Recurrent e reti LSTM

RNN e LSTM sono scelte naturali per i dati delle serie temporali perché mantengono uno stato interno che codifica le informazioni passate. Nella rimozione di artefatti, questi modelli possono imparare le dinamiche temporali sia dei segnali neurali che degli artefatti. Ad esempio, un autoencoder basato su LSTM può ricostruire segnali puliti codificando l'ingresso contaminato in una rappresentazione latente e poi decodificandolo, sopprimendo i modelli legati al tempo artefatto.

Autorizzatori

Quando si allenano su segnali neurali puliti, l'autoencoder imparerà a ricostruire solo le caratteristiche neurali "normali"; se presentate con un segnale contaminato, la ricostruzione tenderà a rimuovere i manufatti perché non si adattano alla distribuzione imparata.

Reti adversariali Generative (GAN)

I GAN sono costituiti da un generatore che produce segnali puliti da ingressi contaminati e da un discriminatore che cerca di distinguere i segnali generati da quelli veri e puliti. Attraverso l'allenamento avversario, il generatore diventa altamente qualificato nella produzione di dati neurali senza artefatti. Mentre i GAN possono essere più difficili da addestrare, hanno dimostrato la promessa nella rimozione di manufatti complessi e non stazionari dove altri metodi falliscono.

Vantaggi dei metodi di apprendimento profondi per la rimozione di artefatti

L'apprendimento approfondito offre diversi vantaggi convincenti rispetto agli approcci tradizionali:

  • Alta precisione nella distinguere artefatti da attività neurale autentica. Le reti profonde possono imparare confini decisionali intricati e non lineari che separano le classi di artefatti (ad esempio, blink, muscolo, electrode pop) da classi di segnale neurale.
  • Capacità di gestire modelli di rumore complessi e non lineari. I manufatti del mondo reale sono raramente additivi il rumore gaussiano bianco; essi sono non-stationari, correlati e spesso sovrapposti nel tempo e nella frequenza. Le reti profonde possono modellare queste complessità senza richiedere ipotesi esplicite sulla struttura del rumore.
  • L'automazione riduce lo sforzo manuale e il potenziale di bias.[ Una volta addestrato, un modello di apprendimento profondo può elaborare migliaia di ore di dati neurali con un intervento umano minimo. Questo è particolarmente prezioso negli studi su larga scala, nelle sperimentazioni cliniche e nelle applicazioni di monitoraggio continuo in cui l'etichettatura manuale è impraticabile.
  • Migliorata la conservazione delle caratteristiche del segnale neurale. A differenza di un filtraggio lineare aggressivo che può alterare il contenuto spettrale dei segnali neurali, i modelli di apprendimento profondo possono rimuovere selettivamente i manufatti preservando caratteristiche critiche come le potenzialità legate agli eventi (ERP), i ritmi alfa e i treni a spigoli.
  • Capacità di recupero-tempo. Con l'accelerazione GPU moderna e architetture ottimizzate, i modelli di apprendimento profondo possono denotare i segnali neurali in tempo reale o in tempo quasi reale, consentendo sistemi BCI a ciclo chiuso e correzione di artefatti online durante le sessioni di neurofeedback.

Recenti sviluppi e applicazioni

Rimozione di artefatti in tempo reale per interfacce di cervello-computer

Una delle aree più attive di applicazione è nelle interfacce del computer cerebrale, dove i segnali puliti sono essenziali per la decodifica accurata dei comandi. Ad esempio, un modello ibrido CNN-LSTM può rimuovere continuamente i manufatti del viso e del muscolo da EEG come l'utente svolge attività di calcolo del motore. In uno studio pubblicato in ]Journal of Neural Engineering, tale sistema di precisione tardiva del 90% ha raggiunto un'accuratezza del motore convenzionale

Dispositivi neurodiagnostici portatili

Gli auricolari EEG indossabili e i sistemi di elettrodo a secco sono sempre più popolari per il monitoraggio domestico dell'epilessia, dei disturbi del sonno e delle prestazioni cognitive. Tuttavia, questi dispositivi sono particolarmente sensibili al movimento di artefatti e al contatto con gli elettrodi poveri.

Rimozione multimodale dell'artefatto

La combinazione di informazioni provenienti da molteplici modalità di rilevamento può migliorare l'identificazione dell'artefatto. Ad esempio, EEG simultaneo e le registrazioni spettroscopia a infrarossi (fNIRS) funzionali possono essere denominate congiuntamente utilizzando un'architettura di apprendimento profonda che fonde caratteristiche temporali di entrambe le modalità. Uno studio del 2023 ha dimostrato che un autoencoder cross-modale potrebbe ridurre i manufatti di movimento del 60% rispetto alle impostazioni naturali di monomodalità, denoising, aprendo nuove nuove nuove possibilità.

Sfide e limitazioni degli approcci di apprendimento profondo

Nonostante le loro prestazioni impressionanti, metodi di apprendimento profondo per la rimozione di artefatti affrontano diversi ostacoli che devono essere affrontati per l'adozione diffusa:

  • Need per i grandi dataset etichettati. I modelli supervisionati richiedono molti esempi di segnali contaminati e puliti. La raccolta dei dati neurali a terra è difficile perché i veri segnali puliti sono raramente ottenibili in vivo. I ricercatori spesso si riferiscono a dati semi-simulati dove le registrazioni autopulite sono artificialmente corrotte con manufatti noti, ma questo non può catturare pienamente la variabilità di arteviveibilità emergente.
  • Richiede risorse computazionali. Le reti profonde di formazione richiedono potenti GPU e una notevole memoria, che può essere una barriera per laboratori più piccoli o impostazioni cliniche con infrastrutture IT limitate. Tuttavia, una volta addestrata, l'inferenza può essere utilizzata su hardware modesto.
  • Generalizzazione tra soggetti e impostazioni di registrazione. Un modello formato su un dataset può eseguire in modo negativo sui dati da un altro tappo EEG, amplificatore o ambiente di laboratorio a causa delle differenze nelle posizioni di elettrodo, livelli di impedenza e caratteristiche di rumore.
  • Mancanza di spiegabilità. I modelli di apprendimento approfondito sono spesso considerati scatole nere, rendendo difficile capire perché un particolare artefatto è stato rimosso o una caratteristica neurale è stato conservato. Nelle applicazioni cliniche, la spiegabilità è fondamentale per la fiducia e l'approvazione normativa.

Direzioni e tendenze emergenti

Imparare autonomamente e contrastivo

Per ridurre la dipendenza dai dati etichettati, i metodi di apprendimento auto-supervisore stanno guadagnando trazione. In contrasto, l'apprendimento, il modello impara a distinguere tra segmenti puliti e contaminati da artefatti senza annotazioni esplicite massimizzando l'accordo tra opinioni diverse e aumentata di dati puliti. I primi risultati suggeriscono che la preformazione auto-supervisoria seguita da una regolazione fine su un piccolo set etichettato può corrispondere solo al 10% delle prestazioni dei modelli completamente supervisionati.

AI spiegabile per la lavorazione dei segnali neurali

I ricercatori stanno sviluppando architetture "scatola di vetro" che intrinsecamente forniscono motivi per le loro decisioni, ad esempio, imparando un dizionario di modelli di artefatti abbinati a fonti fisiologiche. I metodi di spiegazione post-hoc come i gradienti integrati e i valori Shapley possono anche essere applicati per evidenziare le regioni di frequenza temporale più influenti.

Imparare l'intelligenza artificiale e on-chip

I progressi in acceleratori AI ultra-bassi, come Jetson Nano di NVIDIA, il TPU Coral Edge di Google e ASIC personalizzati, consentono l'inferenza a livelli di sub-milliwatt. L'apprendimento on-chip, dove il modello si adatta in tempo reale all'attività di produzione di un prodotto emergente, cambia il profilo di qualità.

Imparare fedelmente per la conservazione della privacy

I dati medici, comprese le registrazioni neurali, sono molto sensibili. L'apprendimento federato consente a più ospedali o centri di ricerca di formare un modello di apprendimento profondo senza condividere dati grezzi, solo aggiornamenti del modello. Questo approccio preserva la privacy dei pazienti, pur beneficiando di diversi set di dati. Una rete di rimozione di artefatti federati formati in quattro centri di epilessia raggiunto prestazioni comparabili a un modello centralmente addestrato, dimostrando la fattibilità del trattamento di apprendimento collaborativo.

Conclusioni

La rimozione dei manufatti basati sull'apprendimento approfondito è emersa come un potente paradigma per migliorare la qualità dell'acquisizione del segnale neurale. Levando le capacità rappresentative di CNN, RNN, autoencoders e GAN, questi metodi possono separare automaticamente e con precisione l'attività neurale significativa da una vasta gamma di contaminanti fisiologici e non fisiologici.

Tuttavia, le sfide rimangono. La necessità di grandi dataset etichettati, risorse computazionali e generalizzazione cross-subject richiedono una continua innovazione. Emerging tendenze nell'apprendimento self-supervised, AI spiegabile, implementazione dei bordi e formazione federata promettono di affrontare queste limitazioni, aprendo la strada per un'adozione clinica e commerciale più ampia.

Per ulteriori informazioni, vedere l'indagine completa in Nature Recensioni Neuroscience] (]Deep learning for electroencephalogram analysis), la revisione IEEE sulle tecniche di rimozione dell'artefatto ]]] Una recensione dei metodi di apprendimento della macchina per la rimozione dell'artefatto EEG