منبع: Kyraxys/Pixabay

ظهور الگوریتم های یادگیری عمیق هوش مصنوعی (AI) به سرعت بخشیدن به رابط های مغز و کامپیوتر (BCIs) کمک می کند. منتشر شده در این ماه علوم اعصاب طبیعت پژوهش جدیدی است که نشان می دهد چگونه یک الگوریتم هوش مصنوعی می تواند فعالیت مغزی پر سر و صدا را با رفتارهای خاص مرتبط کند، پیشرفتی که می تواند به بهبود عملکرد BCI و همچنین یافتن الگوهای جدید در فعالیت عصبی کمک کند. الگوریتم هوش مصنوعی در دانشکده مهندسی ویتربی در دانشگاه کالیفرنیای جنوبی در لس آنجلس توسعه یافته است.

BCI ها به افراد دارای ناتوانی ناشی از سکته مغزی، آسیب نخاعی، بیماری آلزایمر (AD)، بیماری پارکینسون، اسکلروز جانبی آمیوتروفیک (ALS)، مولتیپل اسکلروزیس (MS)، فلج مغزی و سایر اختلالات عصبی-عضلانی و عصبی امید می دهند.

انتظار می رود با افزایش شیوع اختلالات عصبی، تقاضا برای BCI افزایش یابد. بیماری آلزایمر اکثر موارد زوال عقل را تشکیل می دهد. بر اساس گزارش بین المللی بیماری آلزایمر، تا سال 2030، زوال عقل حدود 78 میلیون نفر در سراسر جهان و 139 میلیون نفر در سال 2050 را تحت تاثیر قرار خواهد داد. بر اساس تحقیقات گراند ویو، اندازه بازار BCI در سال 2024 حدود 2.3 میلیارد دلار تخمین زده می شود و انتظار می رود با نرخ رشد ترکیبی سالانه 17.8 درصد طی سال های 2024-2030 رشد کند و تا سال 2030 به 6.2 میلیارد دلار برسد.

فعالیت مغز یک محیط پر سر و صدا است و شناسایی الگوهای مرتبط با رفتارهای خاص جام مقدس برای BCI ها است. رابط های مغز و رایانه که به عنوان رابط های مغز و ماشین نیز شناخته می شوند، دستگاه های مبتنی بر رایانه هستند که افراد را قادر می سازند تا با استفاده از افکار، با دستگاه های خارجی ارتباط برقرار کرده و کنترل کنند. رابط های مغز و کامپیوتر الگوهای سیگنال را از فعالیت مغز دریافت و رمزگشایی می کنند، دستور مورد نظر کاربر را تجزیه و تحلیل و پیش بینی می کنند، سپس آن را برای اجرا به یک دستگاه خارجی ارسال می کنند. الگوریتم‌های یادگیری ماشینی هوش مصنوعی با یافتن الگوها و پیش‌بینی دستور مورد نظر کاربر BCI، نقش کلیدی در تجزیه و تحلیل و رمزگشایی مقادیر انبوه فعالیت مغزی پر سر و صدا دارند.

در هر لحظه، مغز انسان به طور فعال درگیر تعدادی از رفتارهای مختلف است. داشتن راهی برای شناسایی و پیش‌بینی اقدام مورد نظر کاربر برای یک کار خاص، یک کار بسیار چالش برانگیز است که قابلیت‌های تشخیص الگوی یادگیری ماشینی هوش مصنوعی می‌تواند به تجزیه و تحلیل و رمزگشایی رابط‌های مغز و رایانه کمک کند.

مجموعه ای گیج کننده از الگوریتم های یادگیری ماشینی هوش مصنوعی وجود دارد. یافتن بهترین نوع برای رمزگشایی داده های مغزی پر سر و صدا برای BCI ها یک کار دلهره آور است. چهار نوع الگوریتم یادگیری ماشین عبارتند از: یادگیری گروهی، یادگیری ماشینی نظارت شده، یادگیری ماشینی بدون نظارت و یادگیری تقویتی. الگوریتم های یادگیری گروهی شامل stacking، boosting مانند Gradient Boosting و AdaBoost، و bagging مانند Random Forest است. یادگیری ماشین نظارت شده یا به اختصار یادگیری نظارت شده شامل الگوریتم های طبقه بندی مانند شبکه های عصبی، تقویت گرادیان، جنگل تصادفی، بیز ساده، ماشین های بردار پشتیبان (SVM)، k-نزدیک ترین همسایگان (k-NN)، رگرسیون لجستیک و درخت های تصمیم است. . یادگیری نظارت شده همچنین دارای الگوریتم های رگرسیونی مانند رگرسیون شبکه های عصبی، رگرسیون درختان تصمیم، رگرسیون ریج، رگرسیون بردار پشتیبان (SVR)، رگرسیون جنگل تصادفی، رگرسیون افزایش گرادیان، رگرسیون حداقل انقباض مطلق و عملگر انتخاب (LASSO) و رگرسیون خطی است. انواع اصلی یادگیری ماشینی بدون نظارت که یادگیری بدون نظارت نیز نامیده می‌شود، الگوریتم‌های خوشه‌بندی مانند خوشه‌بندی سلسله مراتبی، k-Means، مدل‌های مخلوط گوسی (GMM) و خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌های کاربردی با نویز (DBSCAN)، الگوریتم‌های کاهش ابعاد هستند. به عنوان تقریب و طرح ریزی منیفولد یکنواخت (UMAP)، تحلیل تفکیک خطی (LDA)، تحلیل مؤلفه مستقل (ICA)، تعبیه همسایه تصادفی t-توزیع شده (t-SNE)، تجزیه و تحلیل مؤلفه اصلی (PCA) و الگوریتم های ارتباطی مانند Eclat و آپریوری. الگوریتم‌های یادگیری تقویتی شامل روش‌های مبتنی بر ارزش مانند یادگیری مونت کارلو و تفاوت زمانی (TD)، روش‌های مبتنی بر مدل مانند بهینه‌سازی خط مشی منطقه اعتماد (TRPO)، گرادیان سیاست قطعی عمیق (DDPG) و بهینه‌سازی سیاست تقریبی (PPO) است. و همچنین روش‌های بدون مدل مانند State Action Reward State Action (SARSA)، روش‌های گرادیان سیاست مانند REINFORCE، Deep Q-Network (DQN) و Q-Learning.

همچنین انواع مختلفی از شبکه های عصبی مصنوعی وجود دارد. به عنوان مثال می توان به شبکه عصبی کانولوشنال (CNN)، حافظه کوتاه مدت (LSTM)، پرسپترون چندلایه (MLP)، شبکه دشمن مولد (GAN)، شبکه باور عمیق (DBN)، نقشه خودسازماندهی (SOM) یا نقشه کوهونن، شعاعی اشاره کرد. تابع پایه (RBF) و شبکه عصبی بازگشتی (RNN).

برای این مطالعه، محققان مدل خود را با استفاده از یک نوع شبکه عصبی مصنوعی یادگیری عمیق به نام شبکه‌های عصبی مکرر (RNNs)، یک شبکه عصبی عمیق که برای فرآیند زبان طبیعی، ترجمه زبان، شرح تصاویر و تشخیص گفتار استفاده می‌شود، توسعه دادند. به عنوان مثال، شبکه های عصبی تکراری برای سیری اپل، گوگل ترنسلیت و الکسای آمازون استفاده می شوند.

دانشمندان الگوریتم هوش مصنوعی خود را DPAD نامیدند که مخفف آنالیز اولویت‌بندی تجزیه‌ای دینامیک است. این یک ابزار هوش مصنوعی برای مدل‌سازی دینامیکی غیرخطی برای کمک به رمزگشایی داده‌های رفتاری مغز است. نزدیک به 70 درصد از کدهای سفارشی در پایتون، یک زبان برنامه نویسی چند پارادایم نوشته شده بود، و بقیه از Jupyter Notebook، یک محیط نوت بوک مبتنی بر وب برای محاسبات تعاملی استفاده می کردند.

چیزی که الگوریتم DPAD را از سایر الگوریتم‌های شبکه عصبی تکراری که برای رمزگشایی رفتار از فعالیت مغز استفاده می‌شوند، متمایز می‌کند، توانایی آن در یادگیری نگاشت حالت‌های نهفته به رفتار و فعالیت مغز است. این تیم با داشتن مرحله دوم بهینه سازی در معماری سیستم خود به این مهم دست یافتند.

مریم شانه‌چی، استاد دانشگاه و مدیر مؤسس مرکز جدید USC می‌گوید: «این الگوریتم هوش مصنوعی می‌تواند به ما کمک کند کشف کنیم که چگونه مغز ما رفتارهای ما مانند حرکات و حالات درونی مانند حالات روحی را ایجاد می‌کند. نوروتکنولوژی. همچنین به ما کمک می‌کند تا رابط‌های مغز و رایانه را توسعه دهیم که درمان‌های بالقوه تحول‌آفرین را برای اختلالات مغزی مانند افسردگی اساسی یا فلج، که یکی از دلایل اصلی ناتوانی در سراسر جهان هستند، ارائه می‌کند.

نویسندگان مشترک این مطالعه عبارتند از امید ثانی، دانشیار تحقیقاتی آزمایشگاه شانهچی، دکترا، و دکتر بیژن پسران، استاد جراحی مغز و اعصاب، علوم اعصاب، و مهندسی زیستی در دانشگاه پنسیلوانیا.

حق چاپ © 2024 Cami Rosso کلیه حقوق محفوظ است.