‘Deepfaking the mind’ podría mejorar las interfaces cerebro-computadora para personas con discapacidades
Crédito: CC0 Public Domain
Investigadores de la Escuela de Ingeniería Viterbi de la USC están utilizando la tecnología de redes adversarias generativas (GAN, por sus siglas en inglés), mejor conocida por crear videos falsos y rostros humanos fotorrealistas para mejorar las interfaces cerebro-computadora para personas con discapacidades.
En un artículo publicado en Nature Biomedical Engineering, el equipo enseñó con éxito una IA para generar datos de actividad cerebral sintéticos. Los datos, específicamente las señales neuronales llamadas trenes de picos, se pueden introducir en algoritmos de aprendizaje automático para mejorar la usabilidad de las interfaces cerebro-computadora (BCI).
Los sistemas BCI funcionan analizando las señales cerebrales de una persona y traduciéndolas actividad neuronal en comandos, lo que permite al usuario controlar dispositivos digitales como cursores de computadora usando solo sus pensamientos. Estos dispositivos pueden mejorar la calidad de vida de las personas con disfunción motora o parálisis, incluso aquellas que luchan contra el síndrome de enclaustramiento cuando una persona está completamente consciente pero no puede moverse ni comunicarse.
Ya hay varias formas de BCI disponibles, desde gorras que miden señales cerebrales hasta dispositivos implantados en tejidos cerebrales. Todo el tiempo se identifican nuevos casos de uso, desde la neurorrehabilitación hasta el tratamiento de la depresión. Pero a pesar de toda esta promesa, ha resultado ser un desafío hacer que estos sistemas sean lo suficientemente rápidos y robustos para el mundo real.
Específicamente, para dar sentido a sus entradas, las BCI necesitan grandes cantidades de datos neuronales y períodos prolongados. de capacitación, calibración y aprendizaje.
«Obtener suficientes datos para los algoritmos que impulsan las BCI puede ser difícil, costoso o incluso imposible si las personas paralizadas no pueden producir señales cerebrales lo suficientemente sólidas», dijo Laurent Itti. , profesor de ciencias de la computación y coautor del estudio.
Otro obstáculo: la tecnología es específica del usuario y debe entrenarse desde cero para cada persona.
Generación de datos neurológicos sintéticos
¿Qué pasaría si, en cambio, pudiera crear datos neurológicos sintéticos generados artificialmente por computadora que pudieran «reemplazar» los datos obtenidos del mundo real?
Ingrese a las redes antagónicas generativas. Conocidos por crear «falsificaciones profundas», los GAN pueden crear una cantidad prácticamente ilimitada de imágenes nuevas y similares al ejecutar un proceso de prueba y error.
El autor principal, Shixian Wen, Ph.D. asesorado por Itti, se preguntó si las GAN también podrían crear datos de entrenamiento para las BCI mediante la generación de datos neurológicos sintéticos indistinguibles de los reales.
En un experimento descrito en el artículo, los investigadores entrenaron un sintetizador de picos de aprendizaje profundo con una sesión de datos registrados de un mono que alcanza un objeto. Luego, usaron el sintetizador para generar grandes cantidades de datos neuronales similares, aunque falsos.
Luego, el equipo combinó los datos sintetizados con pequeñas cantidades de nuevos datos reales, ya sea del mismo mono en un día diferente o de un mono diferente para entrenar un BCI. Este enfoque puso el sistema en funcionamiento mucho más rápido que los métodos estándar actuales. De hecho, los investigadores descubrieron que los datos neuronales sintetizados por GAN mejoraron la velocidad de entrenamiento general de un BCI hasta 20 veces.
«Menos de un minuto de datos reales combinados con los datos sintéticos funciona tan bien como 20 minutos de datos reales», dijo Wen.
«Es la primera vez que vemos que la IA genera la receta para el pensamiento o el movimiento a través de la creación de trenes de picos sintéticos. Esta investigación es un paso crítico para hacer Las BCI son más adecuadas para el uso en el mundo real».
Además, después de entrenar en una sesión experimental, el sistema se adaptó rápidamente a nuevas sesiones o sujetos, utilizando datos neuronales adicionales limitados.
«Esa es la gran innovación aquí: crear trenes de picos falsos que parecen provenir de esta persona mientras se imaginan haciendo diferentes movimientos, y luego también usar estos datos para ayudar a aprender sobre la siguiente persona», dijo Itti.
Más allá de las BCI, los datos sintéticos generados por GAN podrían conducir a avances en otras áreas de inteligencia artificial hambrientas de datos. e acelerando la capacitación y mejorando el rendimiento.
«Cuando una empresa está lista para comenzar a comercializar un esqueleto robótico, un brazo robótico o un sistema de síntesis de voz, debe considerar este método, ya que podría ayudarlos a acelerar la formación y la readaptación», dijo Itti. «En cuanto al uso de GAN para mejorar las interfaces cerebro-computadora, creo que esto es solo el comienzo».
Explore más
Aprendizaje automático, conozca las emociones humanas: Cómo ayudar a una computadora a monitorear su estado mental Más información: Shixian Wen et al, Adaptación rápida de las interfaces cerebro-computadora a nuevos conjuntos neuronales o participantes a través de modelos generativos, Nature Biomedical Engineering (2021). DOI: 10.1038/s41551-021-00811-z Información de la revista: Nature Biomedical Engineering
Proporcionado por la Universidad del Sur de California Cita: ‘Deepfaking the mind’ podría mejorar interfaces cerebro-computadora para personas con discapacidades (2021, 19 de noviembre) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-11-deepfaking-mind-brain-computer-interfaces-people.html Este documento está sujeto a los derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.