Российские ученые разработали новый алгоритм для автоматической расшифровки и интерпретации сигналов активности головного мозга. Его можно использовать как в фундаментальных исследованиях мозга, так и для разработки интерфейсов «мозг — компьютер». Исследование опубликовано в Journal of Neural Engineering.
Интерфейсы мозг — компьютер необходимы для создания устройств, которыми можно управлять «силой мысли». Среди них, например, роботизированные протезы и нейроимпланты, тренажеры для реабилитации. Подобные устройства помогают людям, перенесшим инсульт или получившим травмы, передвигаться и продолжать нормальную жизнедеятельность. Кроме того, сочетание нейроинтерфейсов и методов машинного обучения позволяет лучше понять человеческий мозг. Нейроинтерфейсы обычно используют данные об электрической активности нейронов мозга, полученные, например, с помощью электро- или магнитоэнцефалографии. Но чтобы перевести сигналы нейронов в команды, их нужно обработать и декодировать. Традиционные методы требуют внимательной работы по выделению информативных признаков, то есть характеристик сигнала, которые с точки зрения ученого наиболее важны для решения задачи декодирования.
Российские ученые сперва сосредоточились на данных электрокортикографии (ЭКоГ). Это записи нейронной активности, при которой датчики (электроды) расположены под твердой оболочкой, непосредственно на поверхности коры головного мозга. Они разработали архитектуру искусственной нейронной сети, которая позволяет автоматизировать выделение интерпретируемых признаков. Нейросетевой алгоритм, как задумали ученые, должен быть достаточно простым с точки зрения количеств параметров, автоматически настраиваемым и обеспечивать возможность интерпретации выученных параметров. Последнее особенно значимо, так как если это требование выполняется, то нейронную сеть можно использовать не только для декодирования сигналов, но и для получения новых знаний о работе нейронов. Это может быть важно для врачей и ученых. Поэтому авторы исследования предложили и теоретически обосновали также метод интерпретации результатов для целого класса сетей с похожей архитектурой.
Разработанная нейросеть состоит из нескольких схожих по строению ветвей, каждая из которых самостоятельно настраивается на анализ сигналов отдельной нейронной популяции в определенном диапазоне частот и отстраивается от помех. Ученые использовали для этого сверточные слои. Зная вес пространственного фильтра, можно определить, где находится нейронная популяция, а вес частотного фильтра показывает, как активность нейронов меняется во времени, а также косвенно свидетельствует о размере популяции.
Ученые сгенерировали набор реалистичных модельных данных (20 минут активности 44 популяций нейронов), чтобы проверить качество работы нейросети в сочетании с новым методом интерпретации ее параметров. К данным исследователи также добавили шум, имитирующий помехи при записи сигналов в реальных условиях. Кроме того, они использовали в качестве наборов данных датасет с соревнования BCI Competition IV, содержащий ЭКоГ-данные нескольких испытуемых, которые периодически спонтанно шевелили пальцем руки, и набор ЭКоГ-данных, собранный учеными МГМСУ имени А.И. Евдокимова. Эти записи содержали полную геометрическую информацию о расположении ЭКоГ-электродов на поверхности коры головного мозга каждого пациента. Это дало возможность интерпретировать веса пространственных фильтров, выученные нейронной сетью, и разглядеть соматотопию (зависимость положения нейронной популяции на коре головного мозга от части тела, за работу которой она отвечает) в расположении популяций нейронов, которые оказались ключевыми в декодировании движения каждого из пальцев.
Результаты нейросеть показала достойные и хорошо работала на имеющихся датасетах. Разработчики смогли показать, что можно детально и корректно интерпретировать параметры весов, причем интерпретация дает физиологически обоснованные результаты. Кроме того, ученые использовали новую методику для классификации воображаемых движений на основе неинвазивных ЭЭГ-данных, где нейросеть обеспечила высокую точность декодирования и интерпретируемость признаков.
«Мы уже используем наш подход для построения инвазивных интерфейсов мозг — компьютер, а также для решения задач предоперационного картирования коры, необходимого, чтобы гарантировать сохранение ключевых поведенческих функций после операции на головном мозге. В ближайшем будущем разработанная методика может быть применена для автоматического извлечения знаний о принципах реализации поведенческих функций в головном мозге», — резюмировал руководитель исследования, директор Центра биоэлектрических интерфейсов НИУ ВШЭ Алексей Осадчий.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
