Метод нейрофидбека на основе ИИ сокращает задержку в 50 раз, показывают результаты исследования

В прорывном развитии исследователи из Университета ВШЭ и Института исследований искусственного интеллекта (AIRI) использовали силу искусственного интеллекта для революции в нейрофидбеке. Команда под руководством Алексея Осадчего достигла поразительного сокращения задержки в 50 раз между изменениями активности мозга и соответствующим сигналом нейрофидбека.

Это достижение несет значительный потенциал для продвижения лечения, связанного с синдромом дефицита внимания и эпилепсией. Опубликованное в Journal of Neural Engineering, исследование бросает вызов существующим ограничениям в нейрофидбеке и представляет потенциальный переломный момент для пациентов, проходящих неврологическую терапию.

Решение проблемы задержки с помощью нейрофидбека на основе ИИ

Эффективность нейрофидбека постоянно сталкивалась со значительной временной задержкой между тонкими сдвигами в активности мозга и последующим проявлением сигналов обратной связи. Хотя предыдущие исследования показали успех в минимизации этих временных разрывов, преодоление порога в 500 миллисекунд стало пагубным препятствием, вредно влияющим на согласованность между обратной связью и мозговыми событиями. 

Прямо сталкиваясь с этой проблемой, исследователи, осознавая важность задержки, предприняли согласованные усилия для решения временных сложностей, признавая их ключевыми факторами в эффективном развертывании терапий нейрофидбека.

Основная проблема заключалась в принципе неопределенности Гейзенберга (принципе Габора), требующем тщательного анализа амплитуд мозговых сигналов в течение временного интервала от 200 до 300 миллисекунд с целью определения конкретных ритмических паттернов. Эта процедура фильтрации, хотя и необходимая, приводила к временным задержкам, тем самым усложняя задачу создания мгновенной связи между изменениями активности мозга и соответствующими сигналами обратной связи.

Прорыв TCN в сокращении задержки

Чтобы преодолеть проблему задержки, исследовательская команда обратилась к искусственному интеллекту, обучая нейронные сети на обширных наборах данных активности мозга людей. Целью было создание модели, способной ускорять обнаружение целевых сигналов среди более широкого спектра мозговой активности. Были протестированы различные архитектуры нейронных сетей, и Temporal Convolutional Network (TCN) оказалась наиболее эффективной.

Внедрение TCN позволило построить фильтр, который изолировал ритмическую активность мозга, что привело к беспрецедентному сокращению задержки. Задержка в представлении сигналов обратной связи, отражающих мгновенную интенсивность альфа-ритма, была сокращена всего до 10 мс. Это представляет собой поразительное достижение, снижая задержку примерно в пятьдесят раз по сравнению с обычными системами нейрофидбека.

Временная сверточная сеть (TCN), помимо демонстрации непревзойденной эффективности в смягчении задержки, явно продемонстрировала способность оперативно отслеживать переходы внутри нейронных популяций в режиме реального времени, сохраняя при этом впечатляюще номинальную задержку. Этот новаторский подход не только знаменует трансформирующую эпоху в области нейрофидбека, но и закладывает основу для парадигмальной перестройки, предлагая терапевтический метод, который не только более отзывчив, но и значительно более эффективен в решении сложностей неврологических расстройств.

Совместные усилия исследователей Университета Высшей школы экономики (ВШЭ) и AIRI вывели нейрофидбек в новую эру. Используя искусственный интеллект, они успешно решили давнюю проблему задержки, открыв беспрецедентные возможности для лечения неврологических заболеваний. Результаты исследования не только бросают вызов существующим парадигмам, но и обеспечивают потенциальный прорыв в повышении эффективности терапий нейрофидбека. По мере того как научное сообщество исследует более широкие последствия нейрофидбека на основе ИИ, это обещает будущее, в котором неврологические расстройства можно будет более эффективно понимать и лечить.