KI entdeckt neue Gehirnmuster und Gehirn-Computer-Schnittstellen werden „verbessert“!

Geschrieben von | Ma Xuewei

Vorwort

Wenn Sie mit dem Lesen dieses Artikels beginnen, greifen Sie möglicherweise unbewusst nach Ihrem Wasserbecher und trinken einen Schluck Wasser oder drehen sich um, um auf eine Nachricht zu antworten, die Ihnen jemand anderes geschickt hat. Diese scheinbar einfachen Aktionen lösen tatsächlich verschiedene Kodierungsprozesse im Gehirn aus, die synchron ablaufen und komplexe Muster der Gehirnaktivität bilden.

Bei gelähmten Patienten können die Gedanken jedoch nicht in konkrete Muskelbewegungen umgesetzt werden.

In den letzten Jahren hat die Brain-Computer-Interface-Technologie viel Aufmerksamkeit auf sich gezogen. Es kann die Gedanken der Patienten interpretieren und ihre Befehle an externe Geräte (wie Roboterarme) übertragen und ihnen so dabei helfen, ihre Mobilität wiederzuerlangen.

Allerdings gibt es dabei ein entscheidendes Problem: Das neuronale Netzwerk im Gehirn ist keine einfache lineare Überlagerung, sondern beinhaltet komplexe nichtlineare Beziehungen, was die Analyse der gleichzeitigen Kodierung erschwert. Es bleibt eine Herausforderung, Gehirncodes für bestimmte Verhaltensweisen von Codes für andere Verhaltensweisen zu unterscheiden.

Kürzlich hat ein Forschungsteam der University of Southern California und der University of Pennsylvania einen Algorithmus für künstliche Intelligenz (KI) entwickelt – DPAD (Dissociative Prioritized Analysis of Dynamics), der die Gehirnmuster bestimmter Verhaltensweisen effektiv von anderen gleichzeitigen Gehirnaktivitäten unterscheiden , die Genauigkeit der Dekodierung von Bewegungen aus Gehirnaktivitäten verbessern und somit die Leistung von Gehirn-Computer-Schnittstellen deutlich steigern kann.

Das Forschungsteam erklärte, dass diese Methode nicht nur Bewegungen aus der Gehirnaktivität präzise dekodieren könne, sondern auch dabei helfen könne, neue Muster im Gehirn aufzudecken, die möglicherweise unbemerkt geblieben seien . Dadurch könnten leistungsfähigere Gehirn-Computer-Schnittstellen entwickelt werden, etwa zur Behandlung von Bewegungsstörungen und Lähmungen sowie psychischen Erkrankungen.

Das zugehörige Forschungspapier mit dem Titel „Dissociative and prioritized modeling of behaviorally relevant neural dynamics using recurrent neural networks“ wurde in Nature Neuroscience, einer Tochtergesellschaft von Nature, veröffentlicht.

Es ist erwähnenswert, dass dieser Algorithmus äußerst flexibel ist und in Zukunft zur Entschlüsselung psychischer Zustände wie Schmerzen oder Depressionen eingesetzt werden könnte . Er könnte dazu beitragen, psychische Erkrankungen besser zu behandeln, indem der Symptomstatus der Patienten als Feedback verfolgt und Behandlungspläne genau auf ihre Bedürfnisse zugeschnitten werden.

Die Komplexität neuronaler Netzwerke entschlüsseln

DPAD ist eine nichtlineare dynamische Modellierungsmethode, die eine rekurrierende neuronale Netzwerkarchitektur (RNN) und Trainingsmethode verwendet. DPAD verwendet eine RNN-Architektur mit zwei Abschnitten, um verhaltensbezogene neuronale Dynamiken und andere neuronale Dynamiken separat zu lernen. Ziel ist es, die Herausforderungen bestehender Methoden bei der Modellierung neuronaler Verhaltensübergänge zu bewältigen, wie etwa nichtlineare Dynamikmodellierung, Trennung und Priorisierung verhaltensbezogener neuronaler Dynamiken sowie Modellierung kontinuierlicher und intermittierender Verhaltensdaten.

Abbildung ｜ DPAD-Strukturübersicht.

Es verfügt über einen breiten Anwendungsbereich im Bereich der Neurowissenschaften. Das Forschungsteam demonstrierte fünf Anwendungsszenarien von DPAD durch die Analyse von vier verschiedenen Datensätzen nichtmenschlicher Primaten:

Verbesserung der Genauigkeit neurologischer Verhaltensvorhersagen:

DPAD sagt Verhalten genauer voraus, indem es bevorzugt verhaltensrelevante neuronale Dynamiken lernt und nichtlineare Beziehungen in Übergängen erfasst. Bei Daten aus mehreren neuronalen Modalitäten übertrifft DPAD sowohl lineare als auch nichtlineare dynamische Modelle in der Vorhersagegenauigkeit. Dies bedeutet, dass DPAD besser verstehen kann, wie neuronale Aktivität in Verhalten umgesetzt wird, und ein zuverlässigeres Modell für die Entwicklung neurotechnologischer Technologien bereitstellen kann.

Extrahieren nichtlinearer dynamischer Transformationen zur Verhaltensvorhersage:

DPAD kann nichtlineare dynamische Transformationen in der Rohaktivität des lokalen Feldpotenzials (LFP) automatisch erkennen und seine Fähigkeit, das Verhalten vorherzusagen, ist herkömmlichen LFP-Leistungsmerkmalen überlegen. In einigen Datensätzen übertrifft die Vorhersagekraft von DPAD sogar die der neuronalen Entladung. Dies zeigt, dass DPAD mehr verhaltensprädiktive Informationen aus LFP-Daten extrahieren kann und neue Ideen für die Analyse von LFP-Daten liefert.

Implementierung einer nichtlinearen neuronalen Dimensionsreduktion zur Verhaltensvorhersage:

DPAD kann eine nichtlineare neuronale Dimensionsreduktion erreichen, indem es niedrigdimensionale latente Zustände extrahiert und gleichzeitig Verhaltensinformationen beibehält. Dies bedeutet, dass DPAD präzisere Darstellungen aus neuronalen Rohdaten extrahieren kann und gleichzeitig die Vorhersagekraft des Verhaltens beibehält. Dies hat wichtige Auswirkungen auf die Verarbeitung und Analyse neuronaler Daten im großen Maßstab.

Überprüfen Sie den Ursprung der nichtlinearen Transformation:

DPAD ermöglicht Hypothesentests zur Bestimmung des Ursprungs von Nichtlinearitäten in neuronalen Verhaltenstransformationen, wie etwa latenten Zustandsdynamiken, Einbettungskarten oder Verhaltensauslesekarten. DPAD stellte in mehreren bewegungsbezogenen Datensätzen fest, dass Nichtlinearität hauptsächlich bei der Zuordnung latenter Zustände zu Verhaltensweisen besteht. Dies liefert neue Hypothesen und Testrichtungen für zukünftige Experimente und trägt dazu bei, ein tieferes Verständnis der nichtlinearen Mechanismen der neuronalen Berechnung zu erlangen.

Erweiterung auf nicht-kontinuierliche und intermittierende Daten:

DPAD ist in der Lage, Verhaltensdaten zu verarbeiten, die zeitweise abgetastet werden, wie beispielsweise Stimmungsberichte. Dadurch eignet es sich für Bereiche wie die affektive Neurowissenschaft und die Neuropsychiatrie. DPAD kann auch Verhaltensdaten mit nicht-kontinuierlichen Werten verarbeiten, wie etwa Entscheidungsoptionen. Dies erweitert den Anwendungsbereich von DPAD in den Neurowissenschaften und der Neurotechnologie weiter.

DPAD weist jedoch auch gewisse Einschränkungen auf. Beispielsweise ist die Optimierungszielfunktion von DPAD nicht konvex, sodass nicht garantiert werden kann, dass sie zur globalen Optimallösung konvergiert. Darüber hinaus hängen die Qualität des Modells und seine neurologische Vorhersagekraft von den Eigenschaften des Datensatzes ab, beispielsweise vom Signal-Rausch-Verhältnis.

In Zukunft könnte DPAD verwendet werden, um Nichtlinearitäten in mehr Gehirnregionen zu testen und so ein umfassenderes Verständnis neuronaler Verhaltenstransformationen zu erlangen. Zweitens können DPADs auch zum Studium anderer Signalumwandlungen verwendet werden, beispielsweise zwischen verschiedenen Gehirnbereichen und der Reaktion des Gehirns auf elektrische oder sensorische Stimulation. Darüber hinaus kann DPAD auch auf soziale Interaktionen angewendet werden, indem die Gehirnaktivitäten zweier Personen gleichzeitig aufgezeichnet werden, um gemeinsame, fächerübergreifende Dynamiken in sozialen Interaktionen zu entdecken.

Wenn KI auf Neurowissenschaft trifft

Menschliche und tierische neuronale Netzwerke stehen Pate für das Grundmodell der KI, das „neuronale Netzwerk“, und umgekehrt zeigt die KI mittlerweile auch im Bereich der Neurowissenschaften ihre Stärken.

In den letzten Jahren hat die KI im Bereich der Neurowissenschaften viele Durchbrüche erzielt. So stellten beispielsweise im vergangenen Juli ein Forschungsteam des Kellogg Eye Center der University of Michigan und seine Mitarbeiter mehrere KI-Frameworks vor, die auf die ophthalmologische Bildgebung auf der Internationalen Raumstation angewendet werden können, um die Pathophysiologie des Weltraumadaptationssyndroms (SANS) besser zu verstehen und Präventivmaßnahmen zu entwickeln.

Im Januar dieses Jahres untersuchten ein Forschungsteam der Universität Palermo und seine Mitarbeiter neue Erkenntnisse zur Rolle der KI bei der Unterstützung der Diagnose und Klassifizierung von Migräne und ihrer Behandlung, einschließlich der Bestimmung von Ergebnismaßen, der Personalisierung der Behandlung und der Vorhersage des Behandlungserfolgs. Bei ihrer Forschung stellten sie fest, dass KI großes Potenzial bei der Diagnose und Behandlung von Migräne hat und Patienten zu einer besseren Behandlung und Betreuung verhelfen kann.

Im August wurde in einer neuen Studie gezeigt, dass ein KI-gesteuertes Gehirnimplantat, das von einem Forschungsteam des Davis Health Center der University of California und seinen Partnern entwickelt wurde, Gehirnsignale erfolgreich in Sprache umwandelte, wodurch Aphasiepatienten mit einer Genauigkeitsrate von bis zu 97,5 % wieder sprechen konnten.

Die Kombination von KI und Neurowissenschaften fördert sich nicht nur gegenseitig, sondern eröffnet auch neue Forschungswege. In Zukunft dürfte diese interdisziplinäre Zusammenarbeit zu weiteren bahnbrechenden Durchbrüchen bei der Behandlung neurologischer Erkrankungen, der Entwicklung neuronaler Reparaturtechnologien und einem tieferen Verständnis der Gehirnfunktion führen.