MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
Das Paper stellt MtReNIRS vor, ein selbstüberwachtes Foundation-Modell, das auf 12 diversen fNIRS-Datensätzen vortrainiert wurde und generalisierbare neurovaskuläre Repräsentationen erlernt, indem es heterogene Montagen auf eine gemeinsame anatomische Referenz abbildet, wodurch es im Vergleich zu bestehenden Methoden eine überlegene Cross-Subject-Leistung und Few-Shot-Kalibrierung erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn ist ein komplexer Motor, und Wissenschaftler suchen schon lange nach Wegen, seine Gedanken zu hören, ohne den Schädel zu öffnen. Ein vielversprechendes Werkzeug hierfür ist die funktionelle Naherfrarotspektroskopie oder fNIRS. Im Gegensatz zu den sperrigen, stationären Geräten, die in Krankenhäusern verwendet werden, nutzt fNIRS eine tragbare Kappe, die mit Lichtsensoren ausgestattet ist. Diese Sensoren strahlen nahes Infrarotlicht durch die Kopfhaut und messen, wie viel davon vom darunter fließenden Blut absorbiert wird. Da aktive Gehirnzellen mehr Sauerstoff benötigen, ändern sich die Blutflussmuster in spezifischen Mustern, wenn eine Person denkt, sich bewegt oder etwas fühlt. Durch das Verfolgen dieser Veränderungen können Forscher sehen, welche Teile des Gehirns gerade arbeiten. Es war jedoch schwierig, diese Lichtmessungen in ein klares Bild der Gehirnaktivität zu verwandeln. Jedes Forschungslabor verwendet unterschiedliche Kappen, wobei die Sensoren an verschiedenen Stellen platziert sind, und die Signale, die sie erfassen, sind oft unordentlich und für die jeweilige Person, die sie trägt, einzigartig. Dies hat es schwierig gemacht, ein einziges Computerprogramm zu erstellen, das Gehirnsignale von jedem, überall und mit jedem Gerät verstehen kann.
Ein Forscherteam hat nun einen bedeutenden Schritt zur Lösung dieses Problems gemacht, indem es ein neues Modell der künstlichen Intelligenz namens MtReNIRS entwickelte. Anstatt einem Computer beizubringen, Gehirnaktivität nur bei einer Person oder in einem spezifischen Experiment zu erkennen, trainierten sie ihn auf einer massiven Sammlung von Daten, die aus zwölf verschiedenen Studien stammten. Dieser Datensatz umfasste Aufzeichnungen von 268 verschiedenen Personen mit insgesamt über 567 Stunden Gehirnaktivität. Die Daten deckten eine große Vielfalt an Aufgaben ab, vom Lösen von Matheaufgaben bis hin zum Zuhören von Sprache und dem Bewegen der Hände. Die Herausforderung bestand darin, dass diese Aufzeichnungen nicht einheitlich waren; einige verwendeten Kappen mit vielen Sensoren, andere mit wenigen, und die Sensoren waren in unterschiedlichen Mustern auf dem Kopf angeordnet. Um dieses Chaos zu bewältigen, entwickelten die Forscher eine Methode, um jede einzigartige Sensoranordnung in eine gemeinsame Karte des Gehirns zu übersetzen. Sie behandelten das Gehirn wie ein Standardgitter und ordneten die Sensoren jeder anderen Kappe den entsprechenden Positionen auf dieser gemeinsamen Karte zu. Dies ermöglichte es dem Computer zu lernen, dass ein Signal, das aus dem „Vorderteil“ des Gehirns kommt, dasselbe bedeutet, unabhängig davon, welche spezifische Kappe oder welches Gerät die Messung durchgeführt hat.
Das Modell selbst arbeitet dadurch, dass es lernt, die Lücken zu füllen. Die Forscher zeigten dem Computer tausende kurzer Clips von Gehirnaktivität, versteckten aber absichtlich kleine Teile der Daten und baten das Modell, basierend auf den umgebenden Informationen zu erraten, was fehlte. Dieser Prozess, bekannt als selbstüberwachtes Lernen (self-supervised learning), zwang den Computer dazu, die zugrunde liegenden Regeln zu verstehen, wie das Blut im Gehirn fließt, anstatt nur spezifische Antworten auswendig zu lernen. Da das Modell auf einer so vielfältigen Auswahl an Menschen und Aufgaben trainiert wurde, erlernte es ein allgemeines Verständnis dafür, wie das Gehen funktioniert. Als die Forscher dieses Modell an neuen Menschen testeten, die es noch nie zuvor gesehen hatte, schnitt es so gut oder sogar besser ab als traditionelle Methoden, die ein umfangreiches Training für jedes Individuum erfordern. Das Modell erwies sich als besonders leistungsfähig, wenn nur eine sehr geringe Menge an neuen Daten verfügbar war. In Situationen, in denen ein Nutzer nur wenige Beispiele seiner eigenen Gehirnaktivität bereitstellen konnte, passte sich das Modell schnell und genau an und übertraf damit bisherige State-of-the-Art-Systeme.
Die Studie zeigte auch, dass die Art und Weise, wie die Sensoren auf das Gehirn abgebildet wurden, entscheidend war. Als die Forscher eine Version des Modells testeten, bei der die Sensorpositionen vertauscht worden waren, sank die Fähigkeit des Modells, neue Menschen zu verstehen, signifikant. Dies bestätigte, dass das Modell nicht nur die Form der Wellen lernte, sondern tatsächlich die Beziehung zwischen dem physischen Standort der Sensoren und den von ihnen überwachten Hirnregionen erlernte. Darüber hinaus blieb das Modell auch dann effektiv, wenn die Anzahl der Sensoren reduziert wurde, was darauf hindeutet, dass es in Zukunft auch mit einfacheren, komfortableren tragbaren Geräten funktionieren könnte. Obwohl die Forscher anmerkten, dass das Modell immer noch vor Herausforderungen durch natürliche Unterschiede zwischen Individuen steht, wie etwa Variationen in der Dicke der Schädeldecke oder den Blutgefäßmustern, zeigt ihre Arbeit, dass ein einziges, flexibles System die Sprache des Gehirns über verschiedene Menschen und Geräte hinweg lesen kann. Dieser Ansatz bietet einen skalierbaren Weg zu zugänglicheren Gehirn-Computer-Schnittstellen, bei denen die Technologie an den Nutzer angepasst wird, anstatt den Nutzer zu zwingen, sich an die Technologie anzupassen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.