Использование машинного обучения для повышения точности сигнала нейронного интерфейса

Введение: Обещание и проблема нейронных интерфейсов

Нейронные интерфейсы, часто называемые интерфейсами мозг-компьютер (BCI), представляют собой преобразующую технологию, которая соединяет нервную систему человека с внешними устройствами. Эти системы собирают электрическую активность нейронов, декодируют предполагаемые команды и переводят их в действия — такие как перемещение роботизированной руки, набор текста на экране или управление протезной конечностью. В клинических условиях нейронные интерфейсы восстанавливают функцию для людей с параличом, амиотрофическим боковым склерозом (ALS) или травмами спинного мозга. В исследовательских лабораториях они открывают окна в динамику нейронных цепей, памяти и восприятия.

Несмотря на эти замечательные возможности, каждый нейронный интерфейс сталкивается с фундаментальным физическим барьером: сигналы, идущие от нейронов к электродам, слабы, изменчивы и загрязнены шумом. Это ухудшение качества сигнала, известное как потеря точности сигнала, ограничивает точность, скорость и надежность всей системы. Небольшая неправильное классификация может означать разницу между курсором, движущимся влево и вправо, или протезированием руки, закрывающейся по сравнению с остающейся открытой. Чтобы выполнить обещание бесшовного управления мозгом, исследователи обратились к машинному обучению (ML) как способу восстановить и даже улучшить точность нейронных записей.

Вызов верности сигнала в деталях

Источники шума и искажения

Нейронные сигналы, полученные от электродов, бывают нескольких форм. Внутрикортикальные микроэлектродные массивы записывают шиповые поезда из отдельных нейронов; электрокортикография (ECoG) захватывает локальные потенциалы поля с поверхности мозга; и неинвазивная электроэнцефалография (ЭЭГ) подхватывает суммарную активность через кожу головы. Каждая модальность сталкивается с различными источниками шума:

Влияние на точность декодирования

Когда нейронный интерфейс не может отделить истинный нейронный код от этих источников шума, алгоритмы декодирования производят ошибки. Например, простой линейный декодер, обученный на чистых данных, может выйти из строя, когда уровень шума увеличивается, что приводит к резкому падению битрейта или даже полной потере контроля. Традиционные цифровые фильтры (низкий пропуск, выемка, полоса пропускания) могут удалить некоторые частотные помехи, но они также ослабляют значимые компоненты, которые пересекаются по частоте. Кроме того, нестационарный характер нейронных данных - тот факт, что статистика шума меняется в течение нескольких минут или дней - требует адаптивных подходов, которые выходят за рамки фиксированной фильтрации.

Почему машинное обучение уникально

Машинное обучение предлагает переход от ручной работы, фиксированных конвейеров обработки сигналов к управляемым данными адаптивным моделям, которые изучают структуру как сигнала, так и шума непосредственно из примеров. Вместо того, чтобы полагаться на заранее определенные предположения о том, как выглядит шум, алгоритмы ML обнаруживают закономерности в данных: какие электродные каналы несут избыточную информацию, какие временные окна наиболее информативны и как шум ковариируется по каналам и испытаниям.

Несколько свойств делают ML особенно привлекательным для точности сигнала нейронного интерфейса:

Ключевые методы машинного обучения для повышения точности сигналов

Надзорное обучение для удаления артефактов и декодирования

В контролируемых подходах алгоритм обучается на парных примерах ввода-вывода. Для точности сигнала одной из общих задач является удаление артефакта: вход — это сырая шумная запись, а цель — чистая версия, полученная из одновременных эталонных записей (например, электроокулограф для глазных миганий) или из известных чистых сегментов. Свёрточные нейронные сети (CNN) могут научиться предсказывать и вычитать мышечные артефакты из ЭЭГ, в то время как повторяющиеся архитектуры (LSTM) захватывают временную структуру шумовых всплесков.

Другое применение - сортировка шипов - процесс назначения каждой формы волны конкретному нейрону. Надзорные сортировщики шипов, обученные на вручную меченных данных, могут достичь более высокой точности, чем традиционные методы сопоставления шаблонов, особенно когда формы волн перекрываются и шум высок. Однако потребность в меченных данных может быть узким местом, что приводит к неконтролируемым альтернативам.

Неконтролируемое обучение для очернения и обнаружения признаков

Неконтролируемые методы обнаруживают структуру без меток, что делает их идеальными для нейронных данных, где часто недоступна основная истина.Обесценивание автокодеров (DAE) является мощным примером: они учатся реконструировать чистые сигналы от поврежденных входов, заставляя модель игнорировать высокочастотный шум, сохраняя при этом базовый низкоразмерный нейронный коллектор.

Вариационные автокодеры (VAE) и анализ основных компонентов (PCA) на спайковых волнах могут уменьшить размерность, сохраняя дисперсию, которая разделяет различные нейронные источники. Эти сжатые представления служат в качестве входных данных для декодеров нисходящего потока, эффективно отфильтровывая шум, не требуя парных чистых данных.

Архитектура глубокого обучения: CNN, RNN и трансформаторы

Свёрточные нейронные сети (CNN)

CNN являются естественными для обработки многоканальных нейронных данных, поскольку они обрабатывают каналы аналогично пикселям изображения и изучают пространственные фильтры. В типичной установке 1D CNN сканирует во времени, в то время как глубинно-отделимые извилины могут захватывать взаимодействия каналов при сниженной вычислительной стоимости. CNN успешно применяются для декодирования моторных изображений из ЭЭГ и очистки шиповых поездов от корковых записей.

Рекуррентные нейронные сети (RNN)

Нейронные сигналы представляют собой последовательности — каждая точка времени зависит от прошлого. Сети с длинной кратковременной памятью (LSTM) и Gated Recurrent Units (GRU) явно моделируют эти временные зависимости. Они особенно эффективны для устранения низкочастотных дрейфов и прогнозирования текущей нейронной динамики, сглаживая выход BCI в реальном времени.

Трансформеры и механизмы внимания

Последние достижения в обработке естественного языка вдохновили модели трансформеров для нейронных данных. Механизм самовнимания может взвешивать важность различных временных окон и каналов, эффективно игнорируя шумные сегменты, сосредоточившись на информативных пиках. Трансформаторы показали самые современные результаты в нейронном декодировании от ECoG и EEG, хотя их вычислительная стоимость остается проблемой для встроенного маломощного оборудования BCI.

Генеративные модели для увеличения данных и синтетических данных

Одним из самых больших препятствий для обучения надежных моделей ML для нейронных интерфейсов является отсутствие больших высококачественных наборов данных. Генеративные состязательные сети (GAN) и модели диффузии могут синтезировать реалистичные нейронные записи, включая шум, для увеличения обучения. При условии генератора на чистых параметрах сигнала исследователи могут создавать различные сценарии шума, позволяя деноайзеру становиться инвариантным для широкого спектра артефактов. Этот подход был продемонстрирован для улучшения ЭЭГ и может распространяться на инвазивные записи.

Преимущества, которые наблюдаются на практике

Использование машинного обучения для точности сигналов привело к измеримым улучшениям по нескольким показателям:

Остающиеся вызовы и критические ограничения

Дефицит данных и маркировка Bottleneck

Сбор больших, меченых нейронных наборов данных стоит дорого и отнимает много времени. Имплантированные массивы требуют хирургического вмешательства; человеческие эксперименты ограничены этическими одобрениями и усталостью участников. Неконтролируемые и полуконтролируемые методы помогают, но они по-прежнему полагаются на предположения о распределении шума. Качество этикеток часто варьируется между экспертами, вводя непоследовательные цели обучения.

Нестационарность и концептуальный дрейф

Нейронные сигналы меняются в течение нескольких часов и дней. Электроды движутся, микро-повреждения заживают, а собственная пластичность мозга изменяет модели стрельбы. Модель МО, обученная на вчерашних данных, может значительно ухудшиться завтра. Непрерывное онлайн-обучение является одним из решений, но оно рискует катастрофически забыть и требует тщательной настройки гиперпараметра, чтобы сбалансировать стабильность и пластичность.

Ограничения обработки в реальном времени

Для того, чтобы BCI чувствовал себя отзывчивым, обработка сигналов и декодирование должны происходить в течение десятков миллисекунд. Глубокие нейронные сети, особенно крупные трансформаторы, требуют значительных вычислительных ресурсов, которые трудно поместить на маломощный, имплантируемый или носимый чип. Методы сжатия модели - нагнетание, квантование и перегонка знаний - являются активными областями исследований, но они могут снизить точность. компромиссы между скоростью и точностью должны оцениваться для каждого приложения.

Интерпретируемость и доверие

Клиницисты и пользователи должны понимать, почему BCI принял конкретное решение, особенно если ошибка может причинить вред. Модели глубокого обучения в черном ящике дают мало информации. Объясняемые методы ИИ, такие как карты заметности или интегрированные градиенты, могут выделить, какие временные точки или каналы повлияли на выход, но они еще недостаточно надежны для критически важных для безопасности медицинских устройств. Пути одобрения регулирующих органов требуют прозрачных рассуждений.

Будущие направления

Онлайн, самоконтролируемое обучение

Самоконтролируемое обучение, в котором модель изучает представления из немаркированных данных, решая предлоговые задачи (например, предсказывая замаскированные сегменты), имеет перспективы для нейронных интерфейсов. Модель может предварительно тренироваться по часам непрерывной записи, затем тонко настраиваться на небольшом помеченном наборе. При изменении качества сигнала модель может продолжать самоконтроль в фоновом режиме, обновляя свой денозер в режиме реального времени без прерывания пользователя.

Гибридные модели: объединение физики и данных

Включение известных биофизических моделей в архитектуру ML может улучшить обобщение. Например, модель, которая ограничивает формы всплесков, чтобы придерживаться известных шаблонов формы (на основе теории кабеля), может потребовать меньше примеров обучения и оставаться надежной для новых моделей шума. Физика-информированные нейронные сети появляются в нейронауке и могут быть адаптированы для денозирования в реальном времени.

Edge Computing и нейроморфные чипы

Для достижения маломощной обработки в реальном времени исследователи переходят к специализированному оборудованию. Нейроморфные процессоры, имитирующие нейронные вычисления на основе шипов, могут запускать пикирующие нейронные сети (SNN) в качестве денуасеров, потребляя микроджоули на вывод. Недавние работы продемонстрировали денозирование ЭЭГ на основе SNN с уменьшением энергии в 100 раз по сравнению с обычными графическими процессорами.

Закрытая коадаптация

Вместо того чтобы рассматривать нейронный интерфейс как фиксированный считывающий сигнал, будущие системы адаптируют как пользователя, так и машину. BCI может настраивать свою модель точности сигнала на основе производительности пользователя, и одновременно пользователь учится более надежно модулировать свою нейронную активность. Соадаптивные рамки, руководствуясь обучением подкрепления, уже показали, что мозг и машина могут сходиться к общему представлению, эффективно увеличивая соотношение сигнал-шум посредством координации.

Более широкие применения

Описанные здесь методы выходят за рамки лабораторных BCI. Любая технология, которая записывает нейронные сигналы - имплантируемые датчики для мониторинга эпилепсии, глубокая стимуляция мозга замкнутого цикла для болезни Паркинсона и даже потребительские гарнитуры ЭЭГ для отслеживания концентрации - выиграет от точности сигнала, усиленного ML. Приложения в когнитивном улучшении, играх и нейрореабилитации полагаются на чистые сигналы в реальном времени. Поскольку эти устройства становятся меньше и более вездесущими, спрос на надежное, низкое энергопотребление будет только расти.

Кроме того, те же алгоритмы могут быть применены к другим биосигналам, таким как электромиография (ЭМГ) и электрокардиограмма (ЭКГ), где мышечные и двигательные артефакты аналогичным образом ограничивают производительность. Обучение передаче через модальности может стать осуществимым, создавая единую основу для очистки биосигналов.

Вывод: междисциплинарный путь вперед

Машинное обучение уже повысило производительность нейронного интерфейса с ранних демонстраций доказательства концепции до практических, реальных инструментов, используемых людьми с параличом для управления компьютерами и роботизированными конечностями. Однако проблема верности сигнала сохраняется в качестве узкого места, которое ограничивает пропускную способность и надежность. Продолжая разрабатывать методы денозирования ML - от контролируемого глубокого обучения до неконтролируемых генеративных моделей и нейроморфных вычислений - мы можем раздвинуть границы того, что достигают нейронные интерфейсы.

Успех требует сотрудничества нейробиологов, которые понимают биологию шума, инженеров, которые проектируют записывающее оборудование, и исследователей машинного обучения, которые создают адаптивные алгоритмы. Открытые наборы данных и соревнования по бенчмаркингу, такие как Neural Signal Denoising Challenge, помогают ускорить прогресс. Между тем, отраслевые усилия, такие как Neuralink, интегрируют передовую обработку сигналов непосредственно в пользовательские чипы. С устойчивым междисциплинарным усилием мечта о высокоточном нейронном интерфейсе, который плавно сливается с разумом и машина приближается к реальности.