LibriBrain100: One Hundred Hours of Broad and Deep MEG Data for Neural Speech Decoding at Scale
यह शोध पत्र LibriBrain100 प्रस्तुत करता है, जो एक बड़े पैमाने का MEG डेटासेट है जिसमें प्राकृतिक ध्वन्यात्मक भाषण से प्राप्त 100 घंटों से अधिक की तंत्रिका रिकॉर्डिंग शामिल है, जो एक मानकीकृत बेंचमार्क स्थापित करने और गैर-आक्रामक ब्रेन-टू-टेक्स्ट डिकोडिंग को आगे बढ़ाने के लिए खुली प्रतियोगिता के लिए गहन विषय-के-भीतर (within-subject) डेटा को व्यापक बहु-विषय नमूनाकरण के साथ जोड़ता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ लकवाग्रस्त होने के कारण बोलने की क्षमता खो चुके व्यक्ति को फिर से संवाद करने में सक्षम बनाया जा सके, टाइप करके या पलकें झपकाकर नहीं, बल्कि केवल अपने विचारों के माध्यम से। यह एक ब्रेन-कंप्यूटर इंटरफेस का वादा है, एक ऐसी तकनीक जो किसी व्यक्ति के द्वारा कहे जाने वाले या कहने की कोशिश किए जाने वाले शब्दों को डिकोड करने के लिए मस्तिष्क के विद्युत और चुंबकीय संकेतों को पढ़ती है। वर्षों से, इस तकनीक के सबसे सफल संस्करणों के लिए सर्जनों को सीधे मस्तिष्क में इलेक्ट्रोड लगाने की आवश्यकता होती थी, जो एक जोखिम भरी प्रक्रिया है और इसके उपयोग को रोगियों के एक बहुत छोटे अंश तक सीमित कर देती है। वैज्ञानिक समुदाय लंबे समय से एक गैर-आक्रामक (non-invasive) विकल्प की तलाश में रहा है, जो हेलमेट या कैप के माध्यम से बाहर से मस्तिष्क को पढ़ सके, जिससे यह तकनीक किसी के लिए भी सुरक्षित और सुलभ हो सके। हालाँकि, इस क्षेत्र में प्रगति धीमी और मापने में कठिन रही है। डेटा के साझा सेट और नए विचारों का परीक्षण करने के एक मानक तरीके के बिना, शोधकर्ता यह जानने के लिए संघर्ष कर रहे थे कि क्या उनकी विधियाँ वास्तव में बेहतर हो रही हैं या केवल संयोग से काम कर रही हैं। इसे हल करने के लिए, वैज्ञानिकों को मस्तिष्क की रिकॉर्डिंग के एक विशाल पुस्तकालय की आवश्यकता है, जिसे सख्त परिस्थितियों में एकत्र किया गया हो, ताकि हर कोई अपने डिकोडिंग टूल बनाने और परीक्षण करने के लिए इसका उपयोग कर सके।
शोधकर्ताओं की एक टीम ने अब ऐसा एक पुस्तकालय जारी किया है, एक डेटासेट जिसे 'लिब्रीब्रेन100' (LibriBrain100) कहा जाता है, जो बिना सर्जरी के मस्तिष्क से भाषण पढ़ने के मिशन में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करता है। यह परियोजना मैग्नेटोएन्सेफालोग्राफी (MEG) पर केंद्रित है, एक ऐसी तकनीक जो मस्तिष्क की गतिविधि से उत्पन्न होने वाले सूक्ष्म चुंबकीय क्षेत्रों का पता लगाने के लिए अविश्वसनीय रूप से संवेदनशील सेंसर का उपयोग करती है। हालांकि मानव मस्तिष्क एक जटिल अंग है, लेकिन जब यह भाषा को संसाधित करता है तो इसके द्वारा उत्पन्न चुंबकीय संकेत इतने विशिष्ट होते हैं कि उन्हें पकड़ा जा सके, बशर्ते उपकरण पर्याप्त संवेदनशील हों और डेटा प्रचुर मात्रा में हो। चुनौती हमेशा यह रही है कि इस डेटा को एकत्र करना कठिन और समय लेने वाला है। यह समझने के लिए कि मस्तिष्क भाषा को कैसे संभालता है, शोधकर्ताओं को एक ही व्यक्ति से निरंतर भाषण सुनने के कई घंटों के रिकॉर्डिंग की आवश्यकता होती है, साथ ही कई अलग-अलग लोगों के रिकॉर्डिंग की भी आवश्यकता होती है ताकि यह देखा जा सके कि एक व्यक्ति से दूसरे व्यक्ति में भाषा केंद्र कैसे भिन्न होते हैं। इस नए रिलीज से पहले, ऐसे डेटा का सबसे बड़ा उपलब्ध संग्रह सीमित था, जो अक्सर केवल एक व्यक्ति या कुछ घंटों की रिकॉर्डिंग पर केंद्रित था, जिससे वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक शक्तिशाली कंप्यूटर मॉडल को प्रशिक्षित करना कठिन हो गया था।
नया लिब्रीब्रेन100 डेटासेट समस्या के पैमाने को पूरी तरह से बदल देता है। इसमें एक सौ घंटे से अधिक की उच्च गुणवत्ता वाली मस्तिष्क रिकॉर्डिंग शामिल है, जो पिछले सबसे बड़े संग्रह से दोगुने से भी अधिक मात्रा है। इस डेटासेट का मुख्य हिस्सा एक एकल स्वयंसेवक से आता है जिसने लगभग अस्सी घंटों तक प्राकृतिक, निरंतर भाषण सुना। इस व्यक्ति ने शरलॉक होम्स की कहानियों का पूरा संग्रह, ध्वन्यात्मक अभ्यास (phonetic exercises) का एक सेट जो भाषण की ध्वनियों की एक विस्तृत श्रृंखला को कवर करने के लिए डिज़ाइन किया गया था, और विविध विषयों पर पॉडकास्ट कथाओं की एक श्रृंखला सुनी। एक व्यक्ति पर यह गहरा ध्यान शोधकर्ताओं को मस्तिष्क की भाषा प्रसंस्करण का अध्ययन करने के लिए एक ऐसे स्तर का विवरण प्रदान करता है जो पहले असंभव था, जो यह पकड़ता है कि मस्तिष्क लंबे समय तक एक ही वक्ता के प्रति कैसे प्रतिक्रिया करता है। अन्य लोगों पर इन निष्कर्षों को लागू करने की आवश्यकता को संबोधित करने के लिए, शोधकर्ताओं ने अतिरिक्त तैंतीस स्वयंसेters से लगभग चालीस मिनट का डेटा भी रिकॉर्ड किया, जो शरलॉक होम्स की कहानियों के एक हिस्से को सुन रहे थे। यह संयोजन एक अनूठा संसाधन बनाता है जो गहरा है (एक व्यक्ति से भारी मात्रा में डेटा के साथ), और व्यापक है (कई लोगों के डेटा के साथ), जिससे वैज्ञानिकों को यह परीक्षण करने की अनुमति मिलती है कि क्या एक व्यक्ति पर प्रशिक्षित मॉडल को बहुत कम नए डेटा के साथ दूसरे व्यक्ति के लिए अनुकूलित किया जा सकता है।
शोधकर्ताओं ने एक विशिष्ट कार्य का परीक्षण करने के लिए इस डेटासेट का उपयोग किया: शब्द वर्गीकरण (word classification)। इस प्रयोग में, एक कंप्यूटर मॉडल उस मस्तिष्क संकेतों को सुनता है जो रिकॉर्ड किए गए थे जब एक व्यक्ति एक शब्द सुन रहा होता है, और अनुमान लगाने की कोशिश करता है कि सूची के पचास सामान्य शब्दों में से कौन सा शब्द अभी बोला गया था। यह पूर्ण मस्तिष्क-से-पाठ (brain-to-text) डिकोडिंग के अंतिम लक्ष्य की ओर एक मील का पत्थर है। जब उन्होंने एक एकल स्वयंसेवक के गहरे डेटा का उपयोग करके एक कंप्यूटर मॉडल को प्रशिक्षित किया, तो मॉडल ने इस प्रकार के गैर-आक्रामक कार्य के लिए अब तक का सर्वश्रेष्ठ प्रदर्शन दर्ज किया। यह परिणाम रिकॉर्डिंग की गुणवत्ता की पुष्टि करता है और यह सिद्ध करता है कि एक व्यक्ति से बड़ी मात्रा में डेटा होना कंप्यूटर को उस विशिष्ट मस्तिष्क को पढ़ने के लिए सिखाने में कितना मूल्यवान है। हालाँकि, एक व्यावहारिक उपकरण के लिए वास्तविक परीक्षण यह है कि क्या यह एक नए उपयोगकर्ता के लिए बिना अस्सी घंटों के प्रशिक्षण के काम कर सकता है। शोधकर्ताओं ने पाया कि गहरे डेटा पर प्रशिक्षित मॉडल को लेकर और उसे एक नए व्यक्ति से थोड़े से डेटा—लगभग चालीस मिनट—के साथ देकर, मॉडल को उस नए व्यक्ति के लिए अच्छी तरह से काम करने के लिए फाइन-ट्यून किया जा सकता है। यह सुझाव देता है कि एक ऐसा सिस्टम बनाया जा सकता है जहाँ एक बड़े, पूर्व-प्रशिक्षित मॉडल को केवल सुनने के एक छोटे सत्र के साथ एक नए रोगी के अनुकूल बनाया जा सकता है, जिससे यह तकनीक वास्तविक दुनिया के उपयोग के लिए बहुत अधिक व्यवहार्य हो जाती है।
डेटासेट में मॉडलों को मजबूत बनाने के लिए विभिन्न प्रकार के भाषणों की रिकॉर्डिंग भी शामिल है। शरलॉक होम्स की कहानियाँ एक सुसंगत कथा प्रदान करती हैं, जबकि ध्वन्यात्मक अभ्यास ध्वनियों का एक नियंत्रित मिश्रण प्रदान करते हैं, और पॉडकास्ट विविध विषयों और वक्ताओं के साथ स्वाभाविक, सहज भाषण पेश करते हैं। इन विभिन्न स्रोतों को शामिल करके, शोधकर्ता यह अध्ययन कर सकते हैं कि मस्तिष्क भाषण की ध्वनि बनाम भाषण के अर्थ को कैसे संसाधित करता है। उन्होंने पाया कि मस्तिष्क के संकेतों में आवाज के ध्वनिक गुणों (acoustic properties) और कहानी की अर्थपूर्ण सामग्री (semantic content) दोनों की जानकारी होती है। शोधकर्ताओं ने यह सारा डेटा और एक सॉफ्टवेयर लाइब्रेरी सार्वजनिक रूप से उपलब्ध करा दी है, जो अन्य वैज्ञानिकों के लिए रिकॉर्डिंग डाउनलोड करना और उपयोग करना आसान बनाती है। उन्होंने एक खुला प्रतियोगिता भी शुरू की है जहाँ दुनिया भर के शोधकर्ता अपने स्वयं के डिकोडिंग तरीकों को समान बेंचमार्क के विरुद्ध परीक्षण कर सकते हैं। यह दृष्टिकोण आर्टिफिशियल इंटेलिजेंस के अन्य क्षेत्रों में बड़े डेटासेट की सफलता को दर्शाता है, जहाँ साझा संसाधनों ने प्रगति को तेज किया है क्योंकि सभी को एक ही आधार पर निर्माण करने की अनुमति मिली है।
हालाँकि परिणाम आशाजनक हैं, शोधकर्ता वर्तमान सीमाओं को नोट करने में सावधानी बरतते हैं। डेटा तब एकत्र किया गया था जब लोग कहानियों को निष्क्रिय रूप से सुन रहे थे, जो बोलने या बोलने की कल्पना करने के सक्रिय प्रयास से अलग है, जो लकवाग्रस्त व्यक्ति के लिए संचार उपकरण के लिए एक महत्वपूर्ण अवस्था है। टीम सक्रिय रूप से आंतरिक भाषण (inner speech) पर डेटा एकत्र कर रही है और भविष्य में इसे जारी करने की योजना बना रही है। इसके अलावा, वर्तमान सफलता पचास शब्दों की एक छोटी सूची की पहचान करने तक सीमित है, न कि पूर्ण वाक्यों को उत्पन्न करने तक। शोधकर्ताओं ने इस रिलीज में पूर्ण मस्तिष्क-से-पाठ डिकोडिंग के लिए बेसलाइन शामिल नहीं किया क्योंकि यह क्षेत्र अभी भी इतनी तेजी से विकसित हो रहा है कि एक एकल मानक स्थिर नहीं हो सकता। हालाँकि, डेटासेट उस लक्ष्य की ओर बढ़ने के लिए आवश्यक बुनियादी ढांचा प्रदान करता है। एक विशाल, उच्च-गुणवत्ता और मानकीकृत संसाधन प्रदान करके, लिब्रीब्रेन100 शोधकर्ताओं के लिए प्रवेश की एक बड़ी बाधा को हटा देता है। यह समुदाय को बेहतर एल्गोरिदम विकसित करने पर ध्यान केंद्रित करने की अनुमति देता है बजाय इसके कि वे डेटा एकत्र करने के लिए संघर्ष करें, जिसका अंतिम लक्ष्य एक ऐसा गैर-आक्रामक उपकरण बनाना है जो गंभीर लकवाग्रस्त लोगों को संवाद करने की क्षमता बहाल कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।