Decision Confidence Neuron in Echo State Network for Continual Evaluation of EEG Motor Imagery Classification Quality

एक ऐसे कंप्यूटर की कल्पना करें जो मानव मस्तिष्क की तरह निर्णय लेना सीखता है, न कि कठोर, चरण-दर-चरण तरीके से गणना करके, बल्कि संकेतों को कनेक्शनों के एक नेटवर्क के माध्यम से लहरों की तरह बहने देकर, ठीक वैसे ही जैसे पानी पाइपों की एक जटिल प्रणाली के माध्यम से बहता है। 'रिजर्वायर कंप्यूटिंग' (reservoir computing) के रूप में जानी जाने वाली यह पद्धति, ऊर्जा-कुशल और तेज़ होने के लिए डिज़ाइन की गई है, जो इसे पहनने योग्य सेंसर या मेडिकल मॉनिटर जैसे उपकरणों के लिए आदर्श बनाती है। हालाँकि, एक बड़ी बाधा हमेशा से विश्वास की रही है। जब ऐसा सिस्टम कोई निर्णय लेता है, तो वह आमतौर पर केवल एक उत्तर देता है: "बाएं" या "दाएं", "सुरक्षित" या "खतरनाक"। यह शायद ही कभी सूचना की दूसरी परत प्रदान करता है: वह कितना आश्वस्त है? उच्च-जोखिम वाली स्थितियों में, जैसे कि अपने विचारों से व्हीलचेयर को नियंत्रित करना या किसी रोगी का निदान करना, मशीन के निश्चितता के स्तर को जानना उतना ही महत्वपूर्ण है जितना कि स्वयं निर्णय। इसके बिना, उपयोगकर्ता यह नहीं बता सकता कि एक आत्मविश्वास से भरा दिखने वाला कमांड वास्तव में एक गलती है या एक ठोस विकल्प।

शोधकर्ताओं की एक टीम ने कंप्यूटर को "अपने सोचने के बारे में सोचने" का तरीका देकर इसे हल करने का प्रयास किया। उन्होंने एक विशिष्ट प्रकार का नेटवर्क बनाया जिसे 'इको स्टेट नेटवर्क' (echo state network) कहा जाता है, जो रिजर्वार कंप्यूटिंग का एक सुव्यवस्थित संस्करण है और जो समय-आधारित संकेतों को संसाधित करने की मस्तिष्क की क्षमता की नकल करता है। उनका नवाचार इस नेटवर्क में एक विशेष घटक जोड़ना था: एक समर्पित न्यूरॉन जो केवल आत्मविश्वास मापने के लिए बनाया गया है। केवल एक अंतिम विकल्प आउटपुट करने के बजाय, यह अतिरिक्त न्यूरॉन नेटवर्क की आंतरिक गतिविधि पर नज़र रखता है जब वह साक्ष्य एकत्र कर रहा होता है। जैसे-जैसे नेटवर्क एक विकल्प के पक्ष में दूसरे विकल्प की तुलना में अधिक झुकता है, यह आत्मविश्वास न्यूरॉन सक्रिय हो जाता है, जिससे वास्तविक समय में यह पता चलता है कि विकल्प कितना स्पष्ट है। शोधकर्ता यह देखना चाहते थे कि क्या यह कृत्रत्मक प्रणाली मानव 'मेटाकॉग्निशन' (metacognition) की नकल कर सकती है—जो अपने स्वयं के निर्णयों की गुणवत्ता का आकलन करने की क्षमता है—और क्या यह वास्तविक दुनिया के परिदृश्यों में उपयोगी होने के लिए पर्याप्त विश्वसनीय रूप से ऐसा कर सकती है।

अपने विचार का परीक्षण करने के लिए, टीम ने पहले एक सिम्युलेटेड वातावरण बनाया जहाँ नेटवर्क को दो शोर वाले (noisy) संकेतों के बीच चयन करना था। उन्होंने सिस्टम के सामने ऐसे इनपुट जोड़े प्रस्तुत किए जो स्पष्टता के मामले में पूरी तरह से अस्पष्ट से लेकर बहुत स्पष्ट तक भिन्न थे। इस नियंत्रित सेटिंग में, नेटवर्क का आत्मविश्वास न्यूरॉन बिल्कुल उम्मीद के मुताबिक व्यवहार किया। जब संकेत एक-दूसरे से अलग पहचानना आसान था, तो आत्मविश्वास न्यूरॉन ने उच्च गतिविधि दिखाई। जब संकेत धुंधले और पहचानने में कठिन थे, तो गतिविधि कम हो गई। इससे यह सिद्ध हुआ कि सिस्टम कार्य की कठिनाई को ट्रैक कर सकता है और उसके अनुसार अपने आंतरिक आत्मविश्वास मीटर को समायोजित कर सकता है। हालाँकि, शोधकर्ताओं ने यहाँ एक सीमा भी देखी: इन सरल, स्थिर सिमुलेशन में, आत्मविश्वास न्यूरटन यह तो बता सकता था कि कार्य कितना कठिन था, लेकिन वह समान कठिनाई होने पर एक सही अनुमान और एक गलत अनुमान के बीच अंतर करने में संघर्ष कर रहा था। सिस्टम जानता था कि कार्य कठिन था, लेकिन उसे हमेशा यह नहीं पता चल पाता था कि उसने सही निर्णय लिया है या नहीं।

असली परीक्षा तब हुई जब शोधकर्ता सिमुलेशन से वास्तविक मानव डेटा की ओर बढ़े। उन्होंने अपने मॉडल को मोटर इमेजरी (motor imagery) से जुड़े एक ब्रेन-कंप्यूटर इंटरफेस डेटासेट पर लागू किया, जहाँ लोग अपने बाएं या दाएं हाथ को हिलाने की कल्पना करते हैं। सिस्टम ने मस्तिष्क के विद्युत संकेतों का विश्लेषण किया जिन्हें स्कैल्प पर इलेक्ट्रोड लगाकर रिकॉर्ड किया गया था। साफ-सुथरे, सिम्युलेटेड डेटा के विपरीत, ये मस्तिष्क संकेत अस्त-व्यस्त थे और व्यक्ति दर व्यक्ति भिन्न थे। शोधकर्ताओं ने नेटवर्क को कुछ सत्रों के डेटा पर प्रशिक्षित किया और फिर इसे एक नए, अनदेखे सत्र पर परीक्षण किया ताकि यह देखा जा सके कि यह एक वास्तविक परिदृश्य में कैसा प्रदर्शन करता है। परिणाम आश्चर्यजनक थे। इस जटिल, वास्तविक दुनिया के वातावरण में, आत्मविश्वास न्यूरॉन ने केवल कार्य की कठिनाई को ही नहीं मापा; इसने सही निर्णयों और त्रुटियों के बीच सफलतापूर्वक अंतर भी किया। जब नेटवर्क ने सही चुनाव किया, तो आत्मविश्वास का संकेत आम तौर पर गलत निर्णय के समय की तुलना में अधिक था। सही निर्णय और गलत निर्णय के बीच अंतर करने की यह क्षमता मानव मेटाकॉग्निशन का एक प्रमुख लक्षण है, और मशीन ने इसे हासिल कर लिया था।

अध्ययन ने आगे यह भी खुलासा किया कि यह आत्मविश्वास संकेत केवल एक बाइनरी स्विच नहीं बल्कि एक क्रमिक पैमाना (graded scale) था। शोधकर्ताओं ने परीक्षणों को आत्मविश्वास संकेत की ऊँचाई के आधार पर समूहों में विभाजित किया। उन्होंने एक स्पष्ट पैटर्न पाया: उच्चतम आत्मविश्वास स्कोर वाले परीक्षण वे थे जहाँ नेटवर्क के सही होने की संभावना सबसे अधिक थी। जैसे-जैसे आत्मविश्वास का स्तर बढ़ता गया, निर्णय की सटीकता भी बढ़ती गई। यह निरंतर संबंध (monotonic relationship) सुझाव देता है कि सिस्टम का आंतरिक गेज उसके स्वयं के प्रदर्शन का एक विश्वसनीय संकेतक है। मॉडल ने लगभग 72 प्रतिशत की वर्गीकरण सटीकता प्राप्त की, जो इस प्रकार के डेटा के लिए उपयोग की जाने वाली मानक विधियों से थोड़ी बेहतर है, लेकिन आत्मविश्वास न्यूरॉन के जुड़ने से इसमें पारदर्शिता और सुरक्षा की एक परत जुड़ गई जो मानक विधियों में नहीं थी।

इस कार्य के निहितार्थ केवल बेहतर एल्गोरिदम से कहीं अधिक हैं। मशीन को अनिश्चितता व्यक्त करने का तरीका देकर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो मानव उपयोगकर्ताओं के लिए अधिक भरोसेमंद है। यदि कोई ब्रेन-कंप्यूटर इंटरफेस किसी उपकरण को नियंत्रित कर रहा है, तो कम आत्मविश्वास का संकेत एक चेतावनी के रूप में कार्य कर सकता है, जो मानव ऑपरेटर को हस्तक्षेप करने या किसी गलती के कारण नुकसान होने से पहले कार्रवाई को रोकने के लिए प्रेरित कर सकता है। इसके विपरीत, उच्च आत्मविश्वास का संकेत सिस्टम को अधिक स्वायत्तता के साथ आगे बढ़ने की अनुमति दे सकता है। शोधकर्ता इस बात पर जोर देते हैं कि इस दृष्टिकोण के लिए जटिल, ऊर्जा-खपत करने वाली गणनाओं की आवश्यकता नहीं है; यह पहले से ही एक कुशल सिस्टम में एक हल्का (lightweight) जोड़ है। जबकि सिमुलेशन ने दिखाया कि सिस्टम कठिनाई को माप सकता था, वास्तविक दुनिया के मस्तिष्क डेटा ने प्रदर्शित किया कि यह शुद्धता का भी निर्णय ले सकता है, जो कि महत्वपूर्ण चिकित्सा और सहायक तकनीकों में सुरक्षित रूप से एकीकृत किए जाने योग्य कृत्रिम बुद्धिमत्ता बनाने की दिशा में एक महत्वपूर्ण कदम है। यह कार्य सुझाव देता है कि मस्तिष्क की अपनी निर्णय निगरानी विधियों की नकल करके, हम ऐसी मशीनें बना सकते हैं जो न केवल सोचती हैं, बल्कि यह भी जानती हैं कि वे सही हैं या नहीं।