MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
यह शोधपत्र MtReNIRS को प्रस्तुत करता है, जो 12 विविध fNIRS डेटासेट्स पर प्रीट्रेन किया गया एक सेल्फ-सुपरवाइज्ड फाउंडेशन मॉडल है, जो विषम मोंटाज (montages) को एक साझा शारीरिक संदर्भ (anatomical reference) में मैप करके सामान्यीकरण योग्य न्यूरोवैस्कुलर रिप्रजेंटेशन्स सीखता है, जिससे मौजूदा विधियों की तुलना में बेहतर क्रॉस-सब्जेक्ट प्रदर्शन और फ्यू-शॉट कैलिब्रेशन प्राप्त होता 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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव मस्तिष्क एक जटिल इंजन है, और वैज्ञानिक लंबे समय से खोपड़ी खोले बिना इसके विचारों को सुनने के तरीके खोज रहे हैं। इसके लिए एक आशाजनक उपकरण 'फंक्शनल नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी' या fNIRS है। अस्पतालों में उपयोग की जाने जाने वाली भारी और स्थिर मशीनों के विपरीत, fNIRS एक पहनने योग्य कैप का उपयोग करता है जो लाइट सेंसरों से लैस होती है। ये सेंसर स्कैल्प (खोपड़ी की त्वचा) के माध्यम से निकट-इन्फ्रारेड प्रकाश भेजते हैं और यह मापते हैं कि नीचे बहने वाले रक्त द्वारा कितना अवशोषित किया गया है। क्योंकि सक्रिय मस्तिष्क कोशिकाओं को अधिक ऑक्सीजन की आवश्यकता होती है, इसलिए जब कोई व्यक्ति कुछ सोचता है, हिलता-डुलता है या कुछ महसूस करता है, तो रक्त का प्रवाह विशिष्ट पैटर्न में बदल जाता है। इन परिवर्तनों को ट्रैक करके, शोधकर्ता देख सकते हैं कि मस्तिष्क के कौन से हिस्से काम कर रहे हैं। हालांकि, इन प्रकाश रीडिंग को मस्तिष्क की गतिविधि की एक स्पष्ट तस्वीर में बदलना कठिन रहा है। प्रत्येक अनुसंधान प्रयोगशाला अलग-अलग कैप का उपयोग करती है, जिसमें सेंसर अलग-अलग स्थानों पर रखे जाते हैं, और उनके द्वारा पकड़े गए सिग्नल अक्सर अव्यवस्थित और उस व्यक्ति के लिए अद्वितीय होते हैं जिसने उन्हें पहना है। इसने एक ऐसा एकल कंप्यूटर प्रोग्राम बनाना कठिन बना दिया है जो किसी भी व्यक्ति, कहीं भी, किसी भी उपकरण का उपयोग करके मस्तिष्क के संकेतों को समझ सके।
शोधकर्ताओं की एक टीम ने MtReNIRS नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल को बनाकर इस समस्या को हल करने की दिशा में एक महत्वपूर्ण कदम उठाया है। कंप्यूटर को केवल एक व्यक्ति या एक विशिष्ट प्रयोग से मस्तिष्क की गतिविधि को पहचानना सिखाने के बजाय, उन्होंने इसे बारह अलग-अलग अध्ययनों से एकत्र किए गए डेटा के एक विशाल संग्रह पर प्रशिक्षित किया। इस डेटासेट में 268 अलग-अलग लोगों की रिकॉर्डिंग शामिल थी, जो मस्तिष्क की गतिविधि के कुल 567 घंटों से अधिक थी। इस डेटा में गणित के सवाल हल करने से लेकर भाषण सुनने और हाथ हिलाने जैसे विभिन्न कार्य शामिल थे। चुनौती यह थी कि ये रिकॉर्डिंग एक समान नहीं थीं; कुछ में कई सेंसरों वाली कैप का उपयोग किया गया था, तो कुछ में कम सेंसर थे, और सेंसर सिर पर अलग-अलग पैटर्न में व्यवस्थित थे। इस अराजकता को समझने के लिए, शोधकर्ताओं ने प्रत्येक अद्वितीय सेंसर व्यवस्था को मस्तिष्क के एक सामान्य मानचित्र में अनुवादित करने की एक विधि विकसित की। उन्होंने मस्तिष्क को एक मानक ग्रिड की तरह माना, और प्रत्येक अलग कैप के सेंसरों को इस साझा मानचित्र के संगत स्थानों से मिलाया। इससे कंप्यूटर यह सीखने में सक्षम हुआ कि मस्तिष्क के "सामने" से आने वाला सिग्नल क्या अर्थ रखता है, चाहे उसे किसी भी विशिष्ट कैप या डिवाइस द्वारा कैप्चर किया गया हो।
यह मॉडल स्वयं रिक्त स्थानों को भरने के बारे में सीखकर काम करता है। शोधकर्ताओं ने कंप्यूटर को मस्तिष्क की गतिविधि के हजारों छोटे क्लिप दिखाए लेकिन जानबूझकर डेटा के छोटे हिस्सों को छिपा दिया, और मॉडल से पूछा कि आसपास की जानकारी के आधार पर गायब हिस्से का अनुमान कैसे लगाया जाए। 'सेल्फ-सुपरवाइज्ड लर्निंग' (स्व-पर्यवेक्षित शिक्षण) नामक यह प्रक्रिया कंप्यूटर को मस्तिष्क में रक्त के प्रवाह के अंतर्निहित नियमों को समझने के लिए मजबूर करती है, न कि केवल विशिष्ट उत्तरों को रटने के लिए। चूंकि मॉडल को इतने विविध लोगों और कार्यों पर प्रशिक्षित किया गया था, इसलिए इसने मस्तिष्क के काम करने के एक सामान्य ज्ञान को सीखा। जब शोधकर्ताओं ने इस मॉडल का परीक्षण उन नए लोगों पर किया जिन्हें इसने पहले कभी नहीं देखा था, तो इसने पारंपरिक तरीकों के समान या उनसे बेहतर प्रदर्शन किया, जिनमें प्रत्येक व्यक्ति के लिए व्यापक प्रशिक्षण की आवश्यकता होती है। यह मॉडल विशेष रूप से शक्तिशाली साबित हुआ जब बहुत कम नया डेटा उपलब्ध था। ऐसी स्थितियों में, जहाँ उपयोगकर्ता केवल अपनी मस्तिष्क गतिविधि के कुछ उदाहरण ही प्रदान कर सकता था, मॉडल ने तेजी से और सटीक रूप से अनुकूलन किया, और पिछले अत्याधुनिक सिस्टमों से बेहतर प्रदर्शन किया।
अध्ययन ने यह भी खुलासा किया कि सेंसरों को मस्तिष्क में कैसे मैप किया गया था, यह अत्यंत महत्वपूर्ण था। जब शोधकर्ताओं ने एक ऐसे मॉडल का परीक्षण किया जहाँ सेंसर के स्थानों को अस्त-व्यस्त (स्कैम्बल) कर दिया गया था, तो नए लोगों को समझने की उसकी क्षमता काफी घट गई। इसने पुष्टि की कि मॉडल केवल तरंगों के आकार को नहीं सीख रहा था, बल्कि वास्तव में सेंसर के भौतिक स्थान और उनके द्वारा निगरानी किए जाने वाले मस्तिष्क क्षेत्रों के बीच के संबंध को सीख रहा था। इसके अलावा, मॉडल तब भी प्रभावी बना रहा जब सेंसरों की संख्या कम कर दी गई, जिससे यह सुझाव मिलता है कि भविष्य में यह सरल, अधिक आरामदायक पहनने योग्य उपकरणों के साथ काम कर सकता है। हालांकि शोधकर्ताओं ने उल्लेख किया कि मॉडल को अभी भी व्यक्तियों के बीच प्राकृतिक अंतरों, जैसे कि खोपड़ी की मोटाई या रक्त वाहिकाओं के पैटर्न में भिन्नता के साथ चुनौतियों का सामना करना पड़ता है, लेकिन उनका कार्य यह प्रदर्शित करता है कि एक एकल, लचीली प्रणाली विभिन्न लोगों और उपकरणों में मस्तिष्क की भाषा को पढ़ सकती है। यह दृष्टिकोण अधिक सुलभ ब्रेन-कंप्यूटर इंटरफेस की ओर एक स्केलेबल मार्ग प्रदान करता है, जहाँ तकनीक उपयोगकर्ता के अनुकूल होती है, न कि उपयोगकर्ता को तकनीक के अनुकूल होने के लिए मजबूर करती है।
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।