مغز انسان با شبکه پیچیده ای از میلیاردها نورون، دائماً با فعالیت الکتریکی وزوز می کند. این سمفونی عصبی هر فکر، عمل و احساس ما را رمزگذاری می کند. برای عصب شناسان و مهندسانی که روی رابط های مغز و کامپیوتر (BCIs) کار می کنند، رمزگشایی این کد عصبی پیچیده یک چالش بزرگ بوده است. مشکل فقط در خواندن سیگنال‌های مغز نیست، بلکه در جداسازی و تفسیر الگوهای خاص در میان ناهنجاری‌های فعالیت عصبی است.
در یک جهش قابل توجه به جلو، محققان دانشگاه کالیفرنیای جنوبی (USC) یک الگوریتم هوش مصنوعی جدید ایجاد کرده اند که نوید انقلابی در نحوه رمزگشایی فعالیت مغز را می دهد. این الگوریتم با نام DPAD (تجزیه و تحلیل اولویت‌دار دینامیک)، رویکرد جدیدی برای جداسازی و تحلیل الگوهای عصبی خاص از ترکیب پیچیده سیگنال‌های مغزی ارائه می‌دهد.
مریم شانه چی، کرسی ساوچوک در مهندسی برق و کامپیوتر و مدیر مؤسس مرکز نوروتکنولوژی USC، رهبری تیمی را بر عهده داشت که این فناوری پیشگامانه را توسعه داد. کار آنها که اخیراً در مجله منتشر شده است علوم اعصاب طبیعت، نشان دهنده یک پیشرفت قابل توجه در زمینه رمزگشایی عصبی است و نویدبخش افزایش قابلیت های رابط های مغز و کامپیوتر است.
پیچیدگی فعالیت مغز
برای درک اهمیت الگوریتم DPAD، درک ماهیت پیچیده فعالیت مغز بسیار مهم است. در هر لحظه، مغز ما درگیر چندین فرآیند به طور همزمان است. به عنوان مثال، همانطور که شما این مقاله را می خوانید، مغز شما نه تنها اطلاعات بصری متن را پردازش می کند، بلکه وضعیت بدنی شما را نیز کنترل می کند، تنفس شما را تنظیم می کند و به طور بالقوه به برنامه های روزانه شما فکر می کند.
هر یک از این فعالیت‌ها الگوی خاص خود را از شلیک عصبی ایجاد می‌کنند و یک تابلوی پیچیده از فعالیت مغز ایجاد می‌کنند. این الگوها با هم همپوشانی دارند و با هم تعامل دارند و جداسازی سیگنال های عصبی مرتبط با یک رفتار یا فرآیند فکری خاص را بسیار چالش برانگیز می کند. به قول شانه چی، «همه این رفتارهای مختلف مانند حرکات بازو، گفتار و حالات مختلف درونی مانند گرسنگی، همزمان در مغز شما رمزگذاری می شود. این رمزگذاری همزمان باعث ایجاد الگوهای بسیار پیچیده و درهم آمیخته در فعالیت الکتریکی مغز می شود.
این پیچیدگی چالش های مهمی را برای رابط های مغز و کامپیوتر ایجاد می کند. هدف BCI ها تبدیل سیگنال های مغزی به دستورات برای دستگاه های خارجی است که به طور بالقوه به افراد فلج اجازه می دهد تا اندام مصنوعی یا وسایل ارتباطی را تنها از طریق فکر کنترل کنند. با این حال، توانایی تفسیر دقیق این دستورات به جداسازی سیگنال های عصبی مربوطه از نویز پس زمینه فعالیت مداوم مغز بستگی دارد.
روش‌های رمزگشایی سنتی با این کار دست و پنجه نرم می‌کنند و اغلب نمی‌توانند بین دستورات عمدی و فعالیت مغز نامربوط تمایز قائل شوند. این محدودیت مانع از توسعه BCIهای پیچیده تر و قابل اعتمادتر شده است و کاربردهای بالقوه آنها را در فناوری های بالینی و کمکی محدود می کند.
DPAD: رویکردی جدید برای رمزگشایی عصبی
الگوریتم DPAD نشان دهنده یک تغییر پارادایم در نحوه رویکرد ما به رمزگشایی عصبی است. در هسته خود، الگوریتم از یک شبکه عصبی عمیق با یک استراتژی آموزشی منحصر به فرد استفاده می کند. همانطور که امید ثانی، دانشیار آزمایشگاه شانه چی و دکترای سابق. دانشجو توضیح می‌دهد: «یک عنصر کلیدی در الگوریتم هوش مصنوعی این است که ابتدا به دنبال الگوهای مغزی مرتبط با رفتار مورد علاقه و یادگیری این الگوها با اولویت در طول آموزش شبکه عصبی عمیق باشید.»
این رویکرد یادگیری اولویت‌دار به DPAD اجازه می‌دهد تا الگوهای مرتبط با رفتار را به طور موثر از ترکیب پیچیده فعالیت عصبی جدا کند. هنگامی که این الگوهای اولیه شناسایی شدند، الگوریتم یاد می‌گیرد تا الگوهای باقی‌مانده را محاسبه کند و مطمئن شود که با سیگنال‌های مورد نظر تداخل یا پنهان نمی‌کنند.
انعطاف‌پذیری شبکه‌های عصبی در طراحی الگوریتم به آن اجازه می‌دهد تا طیف وسیعی از الگوهای مغز را توصیف کند و آن را با انواع مختلف فعالیت‌های عصبی و کاربردهای بالقوه سازگار کند.
منبع: USC
مفاهیم برای رابط های مغز و کامپیوتر
توسعه DPAD نوید قابل توجهی برای پیشرفت رابط های مغز و کامپیوتر دارد. با رمزگشایی دقیق‌تر اهداف حرکتی از فعالیت مغز، این فناوری می‌تواند عملکرد و پاسخ‌دهی BCI را تا حد زیادی افزایش دهد.
برای افراد مبتلا به فلج، این می تواند به کنترل شهودی بیشتر بر اندام های مصنوعی یا وسایل ارتباطی ترجمه شود. دقت بهبود یافته در رمزگشایی می‌تواند امکان کنترل دقیق‌تر موتور را فراهم کند و به طور بالقوه حرکات و تعاملات پیچیده‌تری را با محیط ممکن می‌سازد.
علاوه بر این، توانایی این الگوریتم برای جدا کردن الگوهای خاص مغز از فعالیت عصبی پس‌زمینه می‌تواند منجر به BCIهایی شود که در تنظیمات دنیای واقعی قوی‌تر هستند، جایی که کاربران به طور مداوم در حال پردازش محرک‌های متعدد هستند و درگیر کارهای شناختی مختلف هستند.
فراتر از حرکت: کاربردهای آینده در سلامت روان
در حالی که تمرکز اولیه DPAD بر رمزگشایی الگوهای مغز مرتبط با حرکت بوده است، کاربردهای بالقوه آن بسیار فراتر از کنترل حرکتی است. شانچی و تیمش در حال بررسی امکان استفاده از این فناوری برای رمزگشایی حالات روانی مانند درد یا خلق هستند.
این قابلیت می تواند پیامدهای عمیقی برای درمان سلامت روان داشته باشد. با ردیابی دقیق وضعیت علائم بیمار، پزشکان می توانند بینش های ارزشمندی در مورد پیشرفت شرایط سلامت روان و اثربخشی درمان ها به دست آورند. شانه‌چی آینده‌ای را متصور است که در آن این فناوری می‌تواند «به رابط مغز و رایانه نه تنها برای اختلالات حرکتی و فلج، بلکه برای شرایط سلامت روان منجر شود».
توانایی اندازه‌گیری و ردیابی عینی حالات روانی می‌تواند نحوه برخورد ما با مراقبت‌های بهداشت روانی شخصی را متحول کند و امکان تنظیم دقیق‌تر درمان‌ها را با نیازهای فردی بیمار فراهم کند.
تأثیر گسترده تر بر علوم اعصاب و هوش مصنوعی
توسعه DPAD راه های جدیدی را برای درک خود مغز باز می کند. این الگوریتم با ارائه روشی دقیق‌تر برای تجزیه و تحلیل فعالیت‌های عصبی، می‌تواند به دانشمندان علوم اعصاب کمک کند تا الگوهای مغزی که قبلاً شناسایی نشده بودند را کشف کنند یا درک خود را از فرآیندهای عصبی شناخته شده اصلاح کنند.
در زمینه گسترده‌تر هوش مصنوعی و مراقبت‌های بهداشتی، DPAD نمونه‌ای از پتانسیل یادگیری ماشینی برای مقابله با مشکلات پیچیده بیولوژیکی است. این نشان می دهد که چگونه می توان از هوش مصنوعی نه تنها برای پردازش داده های موجود، بلکه برای کشف بینش ها و رویکردهای جدید در تحقیقات علمی استفاده کرد.
