تصویر بزرگ رابط مغز و کامپیوتر و AI + مقالات تحقیقاتی

بخش 2:
توضیح عمیق شبکه های عصبی مورد استفاده با BCI

(Brain-Computer Interface and Convolutional Neural Networks)

برای برخی، این یک ضرورت برای بقای ما است. در واقع، ما باید سایبورگ شویم تا در عصر هوش مصنوعی مرتبط باشیم.

مفاهیم:

رابط مغز-کامپیوتر (BCI): دستگاه‌هایی که کاربران خود را قادر می‌سازد تا با رایانه‌ها فقط از طریق فعالیت مغزی تعامل داشته باشند، این فعالیت عموماً توسط ElectroEncephaloGraphy (EEG) اندازه‌گیری می‌شود.

الکتروانسفالوگرافی (EEG): روش فیزیولوژیکی انتخابی برای ثبت فعالیت الکتریکی تولید شده توسط مغز از طریق الکترودهایی که روی سطح پوست سر قرار می گیرند.

تصویربرداری رزونانس مغناطیسی عملکردی (fMRI): فعالیت مغز را با تشخیص تغییرات مرتبط با جریان خون اندازه گیری می کند.

طیف‌سنجی عملکردی مادون قرمز نزدیک ( fNIRS ): استفاده از طیف‌سنجی مادون قرمز نزدیک (NIRS) به منظور تصویربرداری عصبی عملکردی. با استفاده از fNIRS، فعالیت مغز از طریق پاسخ های همودینامیک مرتبط با رفتار نورون اندازه گیری می شود.

شبکه عصبی کانولوشنال (CNN): نوعی شبکه عصبی مصنوعی که در تشخیص و پردازش تصویر استفاده می‌شود و به طور خاص برای پردازش داده‌های پیکسلی طراحی شده است.

قشر بینایی: بخشی از قشر مغز که تکانه های عصبی حسی چشم را دریافت و پردازش می کند.

تاریخ

سارا مارش، خبرنگار خبری گاردین، گفت: «رابط مغز و رایانه (BCI) ایده جدیدی نیست. اشکال مختلفی از BCI در حال حاضر موجود است، از انواعی که بالای سر شما قرار می گیرند و سیگنال های مغز را اندازه گیری می کنند تا دستگاه هایی که در بافت مغز شما کاشته می شوند. ( منبع )

بیشتر BCI ها در ابتدا برای کاربردهای پزشکی توسعه داده شدند. به گفته Zaza Zuilhof، طراح ارشد Tellart، “حدود 220000 ناشنوایی در حال حاضر از کاشت حلزون استفاده می کنند، که سیگنال های صوتی را به پالس های الکتریکی ارسال می کند که مستقیماً به مغز آنها ارسال می شود.” ( منبع )

مقاله ای به نام ” تاریخچه مختصر رابط های کامپیوتری مغز ” اطلاعات زیادی در رابطه با تاریخچه BCI به ما می دهد. در واقع، مقاله می‌گوید: «در دهه 1970 ، تحقیقات روی BCIs در دانشگاه کالیفرنیا آغاز شد که منجر به پیدایش عبارت رابط مغز و رایانه شد. تمرکز تحقیقات و توسعه BCI در درجه اول بر روی کاربردهای پروتز عصبی است که می تواند به بازیابی بینایی، شنوایی و حرکت آسیب دیده کمک کند. در اواسط دهه 1990 اولین دستگاه های پروتز عصبی برای انسان ظاهر شد. BCI ذهن را به طور دقیق نمی خواند، اما کوچکترین تغییرات در انرژی تابش شده توسط مغز را هنگامی که به روش خاصی فکر می کنید، تشخیص می دهد. BCI الگوهای انرژی/فرکانس خاصی را در مغز تشخیص می دهد.

ژوئن 2004 ، زمانی که متیو ناگل اولین انسانی بود که یک BCI، BrainGate™ Cyberkinetics کاشته شد، پیشرفت قابل توجهی را در این زمینه رقم زد.

در دسامبر 2004 ، جاناتان ولپاو و محققان مرکز Wadsworth در وزارت بهداشت ایالت نیویورک گزارشی تحقیقاتی ارائه کردند که توانایی کنترل کامپیوتر با استفاده از BCI را نشان می‌داد. در این مطالعه، از بیماران خواسته شد که کلاهی بپوشند که حاوی الکترودهایی برای گرفتن سیگنال های EEG از قشر حرکتی – بخشی از حرکت حاکم بر مغز است.

BCI سابقه ای طولانی داشته است که بر برنامه های کنترل متمرکز شده است : مکان نما، قسمت های فلج بدن، بازوهای رباتیک، شماره گیری تلفن و غیره.

اخیرا ایلان ماسک وارد این صنعت شد و از سرمایه گذاری 27 میلیون دلاری در Neuralink خبر داد، سرمایه گذاری با ماموریت توسعه BCI که ارتباطات انسانی را در پرتو هوش مصنوعی بهبود می بخشد. و رجینا دوگان برنامه‌های فیس‌بوک را برای تغییر فناوری BCI ارائه کرد که به ارتباطات دیجیتالی کارآمدتر اجازه می‌دهد.

به گفته جان توماس ، توماس مازچیک ، نیشانت سینها ، تیلمان کلوگ و جاستین داوولز ، «یک سیستم BCI دارای چهار جزء اصلی است: اکتساب سیگنال، پیش پردازش سیگنال، استخراج ویژگی و طبقه‌بندی». ( منبع )

چرا مهم است؟

به گفته دیوید والریانی، محقق فوق دکترا در رابط های مغز و کامپیوتر در دانشگاه اسکس، «ترکیب انسان و فناوری می تواند قدرتمندتر از هوش مصنوعی باشد. به عنوان مثال، هنگامی که ما بر اساس ترکیبی از ادراک و استدلال تصمیم می گیریم، می توان از فناوری های عصبی برای بهبود درک ما استفاده کرد. این می تواند در شرایطی مانند دیدن یک تصویر بسیار تار از یک دوربین امنیتی و تصمیم گیری در مورد مداخله یا عدم مداخله به ما کمک کند. ( منبع )

این رابط‌های مغز و کامپیوتر واقعاً قادر به چه چیزی هستند؟

برای Zaza Zuilhof، این بستگی دارد که از چه کسی بپرسید و آیا مایل به جراحی هستید یا خیر. “برای هدف این آزمایش فکری، بیایید فرض کنیم که افراد سالم فقط از BCI های غیرتهاجمی استفاده می کنند که نیازی به جراحی ندارند. در این مورد، در حال حاضر دو فناوری اصلی، fMRI و EEG وجود دارد. اولی به یک ماشین عظیم نیاز دارد، اما دومی، با هدست‌های مصرف‌کننده مانند Emotiv و Neurosky، در واقع در دسترس مخاطبان عمومی‌تر قرار گرفته است. ( منبع )

با این حال، BCI همچنین می تواند یک ابزار تعامل امیدوارکننده برای افراد سالم باشد، با چندین برنامه کاربردی بالقوه در زمینه چند رسانه ای، VR یا بازی های ویدیویی در میان بسیاری از برنامه های بالقوه دیگر.

Davide Valeriani گفت: “سخت افزار EEG برای کاربر کاملاً ایمن است، اما سیگنال های بسیار پر سر و صدا را ضبط می کند. همچنین، آزمایشگاه‌های تحقیقاتی عمدتاً بر روی استفاده از آن برای درک مغز و پیشنهاد برنامه‌های کاربردی نوآورانه بدون هیچ گونه پیگیری در محصولات تجاری متمرکز شده‌اند، اما تغییر خواهد کرد.( منبع )

شرکت ماسک جدیدترین است. فناوری «توری عصبی» آن شامل کاشت الکترودهایی در مغز برای اندازه‌گیری سیگنال‌ها است. این امکان دریافت سیگنال‌های عصبی با کیفیت بسیار بهتر از EEG را فراهم می‌کند – اما نیاز به جراحی دارد. او اخیراً اظهار داشت که برای تأیید برتری انسان بر هوش مصنوعی به رابط های مغز و رایانه نیاز است. ( منبع )

این فناوری هنوز خطرناک است! در واقع، ما کامپیوترها را ساختیم و دقیقاً می دانیم که چگونه کار می کنند و چگونه آنها را “تغییر دهیم”. با این حال، ما مغزمان را نساخته ایم و هنوز به خوبی نمی دانیم که چگونه کار می کنند. بسیار کمتر از نحوه “تهاجم” ایمن و موفقیت آمیز به آنها. ما پیشرفت زیادی داشته ایم، اما هنوز کافی نیست.

چگونه مغز شما در حال حاضر کار می کند، و چه چیزی در آینده خواهد آمد

به زبان ساده، مغز شما به دو بخش اصلی تقسیم می شود:

• سیستم لیمبیک
• نئوکورتکس.

سیستم لیمبیک مسئول میل‌های اولیه ما و همچنین آنهایی است که به بقای مربوط می‌شوند، مانند خوردن و تولید مثل. نئوکورتکس ما پیشرفته ترین ناحیه است و مسئول عملکردهای منطقی است که ما را در زبان، فناوری، تجارت و فلسفه خوب می کند.

مغز انسان حاوی حدود 86 میلیارد سلول عصبی به نام نورون است که هر کدام به صورت جداگانه از طریق اتصالاتی به نام آکسون و دندریت به نورون های دیگر مرتبط می شوند. هر بار که فکر می کنیم، حرکت می کنیم یا احساس می کنیم، نورون ها در کار هستند. در واقع، مغز حجم عظیمی از فعالیت های عصبی را تولید می کند. اساساً سیگنال های الکتریکی کوچکی که از نورون به نورون حرکت می کنند، کار را انجام می دهند.

سیگنال های زیادی وجود دارد که می توان برای BCI استفاده کرد. این سیگنال ها را می توان به دو دسته تقسیم کرد:
– اسپایک ها
– پتانسیل های میدانی

ما می توانیم آن سیگنال ها را تشخیص دهیم، آنها را تفسیر کنیم و از آنها برای تعامل با یک دستگاه استفاده کنیم.

به گفته بوریس ریدرینک، مشاور یادگیری ماشین در Cortext، «یکی از مشکلات بزرگ‌تر در رابط‌های مغز و رایانه این است کهسیگنال های مغز ضعیف و بسیار متغیر هستند. به همین دلیل است که آموزش یک طبقه‌بندی و استفاده از آن در روز بعد دشوار است، چه رسد به استفاده از آن در یک موضوع متفاوت. ( منبع )

به منظور وارد کردن توری عصبی، یک سوزن کوچک حاوی توری پیچیده شده در داخل جمجمه قرار می گیرد. سپس مش تزریق می شود و پس از تزریق، مغز را در بر می گیرد.

هوش مصنوعی یا یادگیری ماشین توجه زیادی به توسعه برنامه های کاربردی BCI برای حل مسائل دشوار در حوزه های مختلف، به ویژه در زمینه های پزشکی و روباتیک شده است. AI/ML از آن زمان به کارآمدترین ابزار برای سیستم های BCI تبدیل شده است. ( منبع )

بیایید سعی کنیم در زیر این جنبه ها را کمی بیشتر توضیح دهیم. هر یک از این جنبه ها زمینه تحقیقاتی خاص خود را دارند.

تولید سیگنال
دو راه برای تولید این سیگنال های مغزی وجود دارد:

به گفته Sjoerd Lagarde ، مهندس نرم افزار در Quintiq، “تولید فعال سیگنال ها این مزیت را دارد که تشخیص سیگنال آسان تر است، زیرا شما بر محرک ها کنترل دارید. شما می دانید برای مثال زمانی که آنها ارائه شده است. این در موردی که شما فقط امواج مغزی را از سوژه می خوانید سخت تر است.”

تشخیص سیگنال
راه های مختلفی برای تشخیص سیگنال های مغزی وجود دارد. شناخته شده ترین آنها EEG و fMRI هستند، اما موارد دیگری نیز وجود دارند. EEG فعالیت الکتریکی مغز و fMRI جریان خون در مغز را اندازه گیری می کند. هر کدام از این روش ها معایب/مزایای خاص خود را دارند. برخی از آنها وضوح زمانی بهتری دارند (آنها می توانند فعالیت مغز را همانطور که اتفاق می افتد تشخیص دهند)، در حالی که برخی دیگر وضوح فضایی بهتری دارند (آنها می توانند مکان فعالیت را مشخص کنند).

این ایده تا حد زیادی برای انواع دیگر تکنیک های اندازه گیری یکسان است.

پردازش سیگنال
یکی از مسائلی که هنگام برخورد با داده های مغزی متوجه خواهیم شد، این است که داده ها دارای نویز زیادی هستند. برای مثال، هنگام استفاده از EEG، مواردی مانند ساییدن دندان ها و همچنین حرکات چشم در داده ها نشان داده می شود. این نویز باید فیلتر شود.

اکنون می توان از داده ها برای تشخیص سیگنال های واقعی استفاده کرد. وقتی سوژه به طور فعال سیگنال تولید می کند، ما معمولاً از نوع سیگنال هایی که می خواهیم تشخیص دهیم آگاه هستیم. یک مثال موج P300 است که به اصطلاح یک پتانسیل مرتبط با رویداد است که وقتی یک محرک نادر و مرتبط با کار ارائه می شود، نشان داده می شود. این موج به عنوان یک اوج بزرگ در داده‌های شما نشان داده می‌شود و ممکن است تکنیک‌های مختلفی از یادگیری ماشینی را برای شناسایی چنین پیک‌هایی امتحان کنید.

انتقال سیگنال
هنگامی که سیگنال های جالب را در داده های خود شناسایی کردید، می خواهید از آنها به گونه ای استفاده کنید که برای کسی مفید باشد. برای مثال آزمودنی می‌تواند از BCI برای کنترل ماوس با استفاده از حرکت تصوری استفاده کند. یکی از مشکلاتی که در اینجا با آن روبرو خواهید شد این است که باید از داده‌هایی که از سوژه دریافت می‌کنید تا حد امکان کارآمد استفاده کنید، در حالی که در عین حال باید در نظر داشته باشید که BCI ممکن است اشتباه کند. BCI های فعلی نسبتاً کند هستند و هر چند وقت یکبار اشتباه می کنند (به عنوان مثال، رایانه فکر می کند شما حرکت دست چپ را تصور می کنید، در حالی که در واقع شما حرکت دست راست را تصور می کنید). ( منبع )

در مورد توری عصبی، خود را با مغز انسان ادغام می کند. این یک همزیستی کامل بین انسان و ماشین ایجاد می کند.

این دو بخش به صورت همزیستی با یکدیگر کار می کنند. یک لایه هوش مصنوعی یا رابط سوم می تواند در بالای آنها قرار بگیرد و ما را به دنیای بسیار جدید و پیشرفته متصل کند و به ما این توانایی را بدهد که با دوستان ربات هوش مصنوعی خود برابری کنیم.

این اتصال می‌تواند به ما امکان دسترسی به حافظه افزایش یافته، قابلیت‌های یادگیری ماشینی شگفت‌انگیز و بله، ارتباط از نوع تله‌پاتی با شخص دیگری را بدون نیاز به صحبت کردن بدهد.

«شما یک افزونه ماشینی از خودتان به شکل تلفن و رایانه و همه برنامه‌هایتان دارید. . . ایلان ماسک به مراتب قدرت و توانایی بیشتری نسبت به رئیس جمهور ایالات متحده در 30 سال پیش دارید.

انواع BCI

به گفته آمیت ری، نویسنده هوش مصنوعی دلسوز، “پیچیده ترین BCI ها BCI های “دو جهته” (BBCIs) هستند که هم می توانند از سیستم عصبی ضبط کرده و هم آن را تحریک کنند.
رابط های کامپیوتری مغز را می توان در سه گروه اصلی طبقه بندی کرد:

در تکنیک‌های تهاجمی، باید از دستگاه‌های خاصی برای گرفتن داده‌ها (سیگنال‌های مغزی) استفاده شود، این دستگاه‌ها مستقیماً توسط یک جراحی حیاتی وارد مغز انسان می‌شوند. در روش نیمه تهاجمی، دستگاه هایی در جمجمه در بالای مغز انسان قرار می گیرند. به طور کلی دستگاه های غیر تهاجمی ایمن ترین و کم هزینه ترین نوع دستگاه ها محسوب می شوند. با این حال، این دستگاه‌ها تنها می‌توانند سیگنال‌های «ضعیف‌تر» مغز انسان را به دلیل انسداد جمجمه ضبط کنند. تشخیص سیگنال های مغزی از طریق الکترودهایی که روی پوست سر قرار می گیرند به دست می آید.

راه های مختلفی برای ایجاد یک رابط غیرتهاجمی مغز و کامپیوتر وجود دارد، مانند EEG (الکتروانسفالوگرافی)، MEG (مگنتوآنسفالوگرافی)، یا MRT (توموگرافی رزونانس مغناطیسی). رابط مغز و کامپیوتر مبتنی بر EEG ترجیح داده شده ترین نوع BCI برای مطالعه است. سیگنال‌های EEG در سیگنال‌های کنترلی پردازش و رمزگشایی می‌شوند که یک کامپیوتر یا یک دستگاه روباتیک به راحتی آن‌ها را درک می‌کند. عملیات پردازش و رمزگشایی یکی از پیچیده ترین مراحل ساخت یک BCI با کیفیت خوب است. به طور خاص، این کار به قدری دشوار است که هر از گاهی مؤسسات علمی و شرکت های نرم افزاری مختلف مسابقاتی را برای ایجاد طبقه بندی سیگنال های EEG برای BCI ترتیب می دهند.

شبکه عصبی کانولوشن و BCI

CNN نوعی شبکه عصبی هوش مصنوعی است که بر اساس قشر بینایی است. این ظرفیت را دارد که با بهینه سازی پارامترهای وزن هر فیلتر از طریق انتشار به جلو و عقب، ویژگی های مناسب را از داده های ورودی به طور خودکار یاد بگیرد تا اشتباه طبقه بندی را به حداقل برساند.

قشر شنوایی انسان در سازماندهی سلسله مراتبی مشابه قشر بینایی قرار دارد. در یک سیستم سلسله مراتبی، یک سری از مناطق مغز انواع مختلفی از محاسبات را بر روی اطلاعات حسی هنگام عبور از سیستم انجام می دهند. نواحی اولیه یا “قشر بینایی اولیه” به ویژگی های ساده ای مانند رنگ یا جهت واکنش نشان می دهند. مراحل بعدی کارهای پیچیده تری مانند تشخیص اشیا را امکان پذیر می کند.

یکی از مزایای استفاده از تکنیک یادگیری عمیق این است که به حداقل پیش پردازش نیاز دارد زیرا تنظیمات بهینه به طور خودکار یاد می گیرند. در مورد CNN ها، استخراج ویژگی و طبقه بندی در یک ساختار واحد ادغام شده و به طور خودکار بهینه می شود. علاوه بر این، داده های سری زمانی fNIRS از افراد انسانی به CNN وارد شد. همانطور که پیچیدگی به روش نمایش کشویی انجام می شود، فرآیند استخراج ویژگی CNN اطلاعات زمانی داده های سری زمانی به دست آمده توسط fNIRS را حفظ می کند.

با این حال، یکی از بزرگترین مسائل در تحقیقات BCI، ثابت نبودن سیگنال های مغزی است. این مسئله یافتن الگوهای واقعی در سیگنال‌ها را برای طبقه‌بندی‌کننده دشوار می‌کند و در نتیجه عملکرد طبقه‌بندی بدی را به همراه دارد. ( منبع )

چگونه می توانید یادگیری BCI را از ابتدا شروع کنید؟

Hosea Siu ، دانشجوی دکتری مهندسی هوافضا، گفت که “برای رابط های مستقیم “مغزی” به مجموعه ای از الکترودهای EEG و برای رابط های سیستم عصبی محیطی به الکترودهای EMG نیاز دارید.

هنگامی که بتوانید آن داده ها را به رایانه خود وارد کنید، باید مقداری تهویه سیگنال را انجام دهید. مواردی مانند فیلتر کردن فرکانس سیگنال مورد نظر، فیلتر کردن نویزهای محیطی (نویز 60 هرتز از خطوط برق در ایالات متحده رایج است…).

پس از آن، باید به این فکر کنید که واقعاً می‌خواهید سیستم را وادار کنید چه کاری انجام دهد. آیا زمانی که به رنگ آبی فکر می کنید برای تشخیص تغییر خاصی در الگوهای EEG خود به آن نیاز دارید؟ یا برای تشخیص تغییر در EMG هنگام حرکت دادن انگشت به آن نیاز دارید؟ در مورد کامپیوتر چطور؟ آیا باید برنامه ای اجرا کند؟ متنی تایپ کنید؟

به این فکر کنید که چگونه داده های خود را برچسب گذاری می کنید. چگونه کامپیوتر در ابتدا متوجه می شود که یک سیگنال خاص معنادار است؟

این یادگیری تحت نظارت است. روش طبقه بندی ترجیحی خود را انتخاب کنید، داده های برچسب گذاری شده زیادی دریافت کنید و سیستم خود را آموزش دهید. می‌توانید از روش‌هایی مانند اعتبارسنجی متقابل برای بررسی اینکه آیا مدل‌های آموزش‌دیده شما همان کاری را که فکر می‌کنید باید انجام می‌دهند یا خیر، استفاده کنید.

پس از همه اینها، ممکن است چیزی شبیه رابط مغز و کامپیوتر داشته باشید. ( منبع )

کجا می توانم مجموعه داده هایی را برای یادگیری ماشین در رابط های مغز و رایانه پیدا کنم؟

می توانید چندین مجموعه داده EEG در دسترس عموم را در وب سایت زیر بیابید:

• پایگاه داده رایگان EEG داده های ERP آزادانه در دسترس عموم است
• رابط مغز و کامپیوتر برلین

پیشرفت‌های اخیر در هوش مصنوعی و یادگیری تقویتی با فناوری رابط عصبی و استفاده از روش‌های مختلف پردازش سیگنال، ما را قادر به درک بهتر و سپس استفاده از فعالیت مغز برای تعامل با رایانه‌ها و سایر دستگاه‌ها کرده است.

برای اطلاعات بیشتر

• https://www.theguardian.com/technology/2018/jan/01/elon-musk-neurotechnology-human-enhancement-brain-computer-interfaces
• لوب های مختلف مغز
• https://www.core77.com/posts/72957/When-Brain-Computer-Interfaces-Go-Mainstream-Will-Dystopian-Sci-Fi-Be-Our-Only-Guidance
• http://www.brainvision.co.uk/blog/2014/04/the-brief-history-of-brain-computer-interfaces/
• https://ieeexplore.ieee.org/document/8122608
• https://observer.com/2017/04/elon-musk-wants-to-merge-man-and-machine-artificial-intelligence-eeg-neurotechnology/
• https://medium.com/dxlab-design/how-will-brain-computer-interfaces-change-your-life-aa89b17c3325
• https://team.inria.fr/potioc/bci-2/
• https://pdfs.semanticscholar.org/5088/ab0900ef7d06023796f651f4ee5fa0fb36a0.pdf
• https://www.quora.com/What-is-a-good-machine-learning-project-involving-brain-computer-interfaces
• https://www.quora.com/How-do-current-brain-computer-interfaces-work
• https://amitray.com/brain-computer-interface-compassionate-ai/
• https://www.quora.com/How-can-I-start-learning-about-brain-computer-interface-from-scratch