Investigadores de la Escuela de Ingeniería de USC Viterbi están utilizando redes generativas adversas (GAN), tecnología más conocida por crear videos deepfake y rostros humanos fotorrealistas, para mejorar las interfaces cerebro-computadora para personas con discapacidades.
En un artículo publicado en Ingeniería Biomédica de la Naturaleza, el equipo enseñó con éxito una IA para generar datos sintéticos de actividad cerebral. Los datos, específicamente las señales neuronales llamadas trenes de picos, se pueden introducir en algoritmos de aprendizaje automático para mejorar la usabilidad de las interfaces cerebro-computadora (BCI).
Los sistemas BCI funcionan analizando las señales cerebrales de una persona y traduciendo esa actividad neuronal en comandos, lo que permite al usuario controlar dispositivos digitales como cursores de computadora usando solo sus pensamientos. Estos dispositivos pueden mejorar la calidad de vida de las personas con disfunción motora o parálisis, incluso aquellas que luchan contra el síndrome de enclaustramiento, cuando una persona está completamente consciente pero no puede moverse ni comunicarse.
Ya están disponibles varias formas de BCI, desde tapas que miden las señales cerebrales hasta dispositivos implantados en los tejidos cerebrales. Todo el tiempo se identifican nuevos casos de uso, desde la neurorrehabilitación hasta el tratamiento de la depresión. Pero a pesar de toda esta promesa, ha resultado un desafío hacer que estos sistemas sean lo suficientemente rápidos y robustos para el mundo real.
Específicamente, para dar sentido a sus entradas, las BCI necesitan grandes cantidades de datos neuronales y largos períodos de entrenamiento, calibración y aprendizaje.
«Obtener suficientes datos para los algoritmos que alimentan las BCI puede ser difícil, costoso o incluso imposible si las personas paralizadas no pueden producir señales cerebrales suficientemente sólidas», dijo Laurent Itti, profesor de informática y coautor del estudio.
Otro obstáculo: la tecnología es específica del usuario y debe capacitarse desde cero para cada persona.
Generando datos neurológicos sintéticos
¿Qué pasaría si, en cambio, pudiera crear datos neurológicos sintéticos – datos generados artificialmente por computadora – que pudieran «reemplazar» los datos obtenidos del mundo real?
Entrar en redes generativas de confrontación. Conocidas por crear «falsificaciones profundas», las GAN pueden crear una cantidad prácticamente ilimitada de imágenes nuevas similares mediante un proceso de prueba y error.
El autor principal, Shixian Wen, Ph.D. estudiante asesorado por Itti, se preguntó si las GAN también podrían crear datos de entrenamiento para BCI generando datos neurológicos sintéticos indistinguibles de los reales.
En un experimento descrito en el documento, los investigadores entrenaron un sintetizador de picos de aprendizaje profundo con una sesión de datos grabados de un mono que alcanzaba un objeto. Luego, usaron el sintetizador para generar grandes cantidades de datos neuronales similares, aunque falsos.
Luego, el equipo combinó los datos sintetizados con pequeñas cantidades de nuevos datos reales, ya sea del mismo mono en un día diferente o de un mono diferente, para entrenar a un BCI. Este enfoque puso el sistema en funcionamiento mucho más rápido que los métodos estándar actuales. De hecho, los investigadores encontraron que los datos neuronales sintetizados por GAN mejoraron la velocidad de entrenamiento general de un BCI hasta 20 veces.
«Menos de un minuto de datos reales combinados con datos sintéticos funcionan tan bien como 20 minutos de datos reales», dijo Wen.
«Es la primera vez que vemos que la IA genera la receta para el pensamiento o el movimiento mediante la creación de trenes de picos sintéticos. Esta investigación es un paso fundamental para hacer que las BCI sean más adecuadas para su uso en el mundo real».
Además, después de entrenar en una sesión experimental, el sistema se adaptó rápidamente a nuevas sesiones o sujetos, utilizando datos neuronales adicionales limitados.
«Esa es la gran innovación aquí: crear trenes de picos falsos que se vean como si vinieran de esta persona mientras se imaginan haciendo diferentes movimientos, y luego también usar estos datos para ayudar con el aprendizaje de la siguiente persona», dijo Itti.
Más allá de las BCI, los datos sintéticos generados por GAN podrían conducir a avances en otras áreas de la inteligencia artificial que requieren mucha información al acelerar el entrenamiento y mejorar el rendimiento.
«Cuando una empresa está lista para comenzar a comercializar un esqueleto robótico, un brazo robótico o un sistema de síntesis de voz, deberían considerar este método, ya que podría ayudarlos a acelerar el entrenamiento y la reentrenamiento», dijo Itti. «En cuanto al uso de GAN para mejorar las interfaces cerebro-computadora, creo que esto es solo el comienzo».
El artículo fue coautor de Tommaso Furlanello, un Ph.D. de la USC. graduado; Allen Yin de Facebook; MG Perich de la Universidad de Ginebra y LE Miller de la Universidad Northwestern.