Spike-Based Adaptation of EEG Foundation Models for Calibration Efficient Cross-Subject Brain-Computer Interfaces
यह शोध पत्र एक स्पाइक-आधारित अनुकूलन ढांचे का प्रस्ताव करता है जो एक प्रीट्रेंड ईईजी (EEG) फाउंडेशन मॉडल को एक हल्के न्यूरोमॉर्फिक मॉड्यूल के साथ एकीकृत करता है ताकि अंशांकन-कुशल (calibration-efficient), संसाधन-जागरूक क्रॉस-सब्जेक्ट ब्रेन-कंप्यूटर इंटरफेस प्राप्त किया जा सके, जो विविध ईईजी कार्यों और डेटासेटों में उच्च सटीकता बनाए रखते हुए अनुकूलन समय और मापदंडों को काफी कम कर देता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी मशीन की कल्पना करें जो आपके मन को पढ़ सकती है, आपके विचारों को कंप्यूटर, व्हीलचेयर या रोबोटिक आर्म के लिए कमांड में अनुवादित कर सकती है। यह ब्रेन-कंप्यूटर इंटरफेस का वादा है, एक ऐसी तकनीक जो विज्ञान कथाओं से निकलकर वास्तविक दुनिया की प्रयोगशालाओं में आ गई है। वर्षों से, वैज्ञानिक मस्तिष्क की विद्युत फुसफुसाहट को सुनने के लिए स्कैल्प पर रखे इलेक्ट्रोड का उपयोग करते रहे हैं, जिसे इलेक्ट्रोएन्सेफलोग्राफी (EEG) के रूप में जाना जाता है। चुनौती हमेशा यह रही है कि हर मस्तिष्क अलग होता है। जिस तरह कोई भी दो व्यक्ति बिल्कुल एक ही लहजे में नहीं बोलते, उसी तरह कोई भी दो मस्तिष्क एक जैसे विद्युत पैटर्न उत्पन्न नहीं करते। एक व्यक्ति के विचारों को समझने के लिए प्रशिक्षित प्रणाली अक्सर दूसरे व्यक्ति की बात सुनने के लिए पूछे जाने पर पूरी तरह विफल हो जाती है। इन उपकरणों को काम करने योग्य बनाने के लिए, उपयोगकर्ताओं को आमतौर पर लंबी, उबाऊ अंशांकन (कैलिब्रेशन) सत्रों से गुजरना पड़ता है, जिसमें वे मशीन को उनकी विशिष्ट तंत्रिका भाषा शून्य से सिखाते हैं। यह प्रक्रिया धीमी, निराशाजनक और दैनिक उपयोग के लिए अव्यावहारिक है।
हालिया सफलताओं ने "फाउंडेशन मॉडल्स" को पेश किया है, जो विशाल कृत्रिम बुद्धिमत्ता प्रणालियाँ हैं जिन्हें कई अलग-अलग लोगों के हजारों घंटों के मस्तिष्क डेटा पर प्रशिक्षित किया गया है। इन मॉडलों ने मस्तिष्क की गतिविधि की एक सामान्य भाषा सीख ली है जो अधिकांश उपयोगकर्ताओं के लिए काम करती है। हालाँकि, वे अभी भी अंतिम चरण में संघर्ष करते हैं: बिना पूरी तरह से पुन: प्रशिक्षित हुए किसी नए व्यक्ति के अनुकूल कितनी तेज़ी से हुआ जाए। वे एक ऐसे बहुभाषी की तरह हैं जो कई भाषाएँ जानता है लेकिन फिर भी एक विशिष्ट बोली को समझने के लिए उसे एक शब्दकोश की आवश्यकता होती है। टुरकु विश्वविद्यालय में मोहम्मद आलम द्वारा एक नया अध्ययन इस अंतर को पाटने के लिए एक समाधान प्रस्तावित करता है, जो इन बड़े मॉडलों के व्यापक ज्ञान को एक विशेष, ऊर्जा-कुशल विधि के साथ जोड़ता है जो घंटों के बजाय मिनटों में एक नए उपयोगकर्ता की विशिष्ट शैली को सीख लेता है।
शोधकर्ताओं ने इस विचार को लागू करने के लिए एक ऐसी प्रणाली बनाई जो यह अलग करती है कि क्या सार्वभौमिक है और क्या अद्वितीय है। उन्होंने एक पूर्व-प्रशिक्षित फाउंडेशन मॉडल के साथ शुरुआत की, जो एक बड़ा न्यूरल नेटवर्क है जिसने पहले से ही एक विशाल डेटासेट से मस्तिष्क की गतिविधि के सामान्य नियमों को सीख लिया था। इस प्रणाली का यह हिस्सा "फ्रोजन" (जमा हुआ) रहा, जिसका अर्थ है कि इसकी आंतरिक सेटिंग्स लॉक थीं और उन्हें बदला नहीं जा सकता था। इसने उस मूल्यवान, सामान्य ज्ञान को सुरक्षित रखा जो इसने पहले ही प्राप्त कर लिया था। पूरे विशाल सिस्टम को हर नए उपयोगकर्ता के लिए पुन: प्रशिक्षित करने के बजाय, टीम ने एक छोटा, हल्का 'एड-ऑन' जोड़ा जो केवल व्यक्ति के विशिष्ट अंतरों को संभालने के लिए डिज़ाइन किया गया था। यह एड-ऑन स्वयं मस्तिष्क से प्रेरित सिद्धांत पर कार्य करता है, जो "स्पाइकिंग" तर्क का उपयोग करता है। एक मानक कंप्यूटर की तरह लगातार जानकारी को प्रोसेस करने के बजाय, यह मॉड्यूल मस्तिष्क के संकेत में महत्वपूर्ण परिवर्तनों का इंतजार करता है। जब कोई सार्थक बदलाव होता है, तो यह यह संकेत देने के लिए कि कुछ महत्वपूर्ण हुआ है, एक एकल, विरल विद्युत स्पंदन, या "स्पाइक" छोड़ता है। यह दृष्टिकोण जैविक न्यूरॉन्स के संचार की नकल करता है, जिससे अत्यधिक ऊर्जा और प्रोसेसिंग पावर की बचत होती है।
इस विचार का परीक्षण करने के लिए, टीम ने 175 विभिन्न प्रतिभागियों को शामिल करते हुए अपने सिस्टम को कठोर परीक्षणों के दौर से गुजारा। उन्होंने हाथ हिलाने की कल्पना करने से लेकर चमकती रोशनी पर प्रतिक्रिया देने तक, ब्रेन-कंप्यूटर इंटरफेस के चार अलग-अलग प्रकार के प्रयोगों के डेटा का उपयोग किया। एक सख्त परीक्षण प्रोटोकॉल में, सिस्टम को लोगों के एक समूह के डेटा पर प्रशिक्षित किया गया और फिर एक पूरी तरह से नए व्यक्ति के अनुकूल होने के लिए कहा गया जिसे उसने पहले कभी नहीं देखा था। शोधकर्ताओं ने सिस्टम को इस नए व्यक्ति से बहुत कम डेटा दिया—कभी-कभी आवश्यक मात्रा के दस प्रतिशत के बराबर—ताकि वह उनके विशिष्ट पैटर्न को सीख सके। परिणाम आश्चर्यजनक थे। नए सिस्टम ने इन सभी विभिन्न कार्यों और लोगों में औससे 86.7 प्रतिशत की औसत सटीकता हासिल की, जिसने पारंपरिक तरीकों को पीछे छोड़ दिया जो या तो पूरे मॉडल को पुन: प्रशिक्षित करने का प्रयास करते थे या सरल, कम प्रभावी अनुकूलन तकनीकों का उपयोग करते थे।
शायद अधिक महत्वपूर्ण बात यह है कि सिस्टम अविश्वसनीय रूप से कुशल साबित हुआ। जबकि अन्य तरीकों को एक नए उपयोगकर्ता के अनुकूल होने के लिए लाखों पैरामीटर अपडेट करने की आवश्यकता थी और इसमें कई मिनट लग जाते थे, इस नए दृष्टिकोण को केवल लगभग दस लाख पैरामीटर को समायोजित करने की आवश्यकता थी और इसने अनुकूलन प्रक्रिया को 40 सेकंड से कम समय में पूरा कर लिया। इसने काफी कम ऊर्जा का उपयोग किया, अनुकूलन प्रक्रिया के लिए प्रति परीक्षण केवल 0.42 मिलीजूल का उपयोग किया। सिस्टम ने समय के साथ उल्लेखनीय स्थिरता भी दिखाई। जब एक ही व्यक्ति के डेटा पर दूसरे दिन रिकॉर्ड किए गए डेटा पर परीक्षण किया गया, तो प्रदर्शन में केवल 4.3 प्रतिशत अंकों की गिरावट आई, जो अन्य तरीकों की तुलना में बहुत कम गिरावट है। यह सुझाव देता है कि सिस्टम ने उपयोगकर्ता की मस्तिष्क गतिविधि के मुख्य, स्थिर पहलुओं को सीखा, न कि अस्थायी शोर या सत्र-विशिष्ट विचित्रताओं को याद किया।
अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि सबसे अच्छा समाधान केवल पूरे बड़े मॉडल को शून्य से पुन: प्रशिक्षित करना था, जो एक गणनात्मक रूप से महंगी प्रक्रिया है और डेटा की कमी होने पर ओवरफिटिंग के प्रति संवेदनशील है। इसने यह भी प्रदर्शित किया कि केवल एक बुनियादी, रैखिक समायोजन का उपयोग करना मस्तिष्क संकेतों के जटिल, समय-निर्भर विविधताओं को पकड़ने के लिए अपर्याप्त था। इस दृष्टिकोण की सफलता एक फ्रोजन फाउंडेशन मॉडल और एक गतिशील, स्पाइक-आधारित एडैप्टर के विशिष्ट संयोजन पर निर्भर थी जो वास्तविक समय में व्यक्तिगत अंतरों को महसूस और ठीक कर सकता था। शोधकर्ताओं ने उल्लेख किया कि हालांकि ये परिणाम आशाजनक हैं, लेकिन इन्हें मौजूदा डेटासेट का उपयोग करके एक नियंत्रित, ऑफलाइन सेटिंग में प्राप्त किया गया था। इस सिस्टम का अभी तक वास्तविक समय, क्लोज्ड-लूप परिदृश्यों में परीक्षण नहीं किया गया है जहाँ एक उपयोगकर्ता निरंतर एक डिवाइस के साथ बातचीत करता है, और न ही इसे विशेष न्यूरोमॉर्फिक हार्डवेयर पर तैनात किया गया है जो ऊर्जा की खपत को और कम कर सकता है।
यह कार्य ब्रेन-कंप्यूटर इंटरफेस को रोजमर्रा की जिंदगी के लिए व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है। यह दिखाकर कि एक बड़ा, सामान्य AI मॉडल, अपने सामान्य ज्ञान को खोए बिना, एक नए उपयोगकर्ता के लिए कितनी तेज़ी से और कुशलता से व्यक्तिगत बनाया जा सकता है, यह अध्ययन ऐसे उपकरणों के लिए एक मार्ग प्रदान करता है जो शक्तिशाली और उपयोगकर्ता के अनुकूल दोनों हैं। न्यूनतम डेटा और ऊर्जा के साथ एक नए व्यक्ति के अनुकूल होने की क्षमता यह सुझाव देती है कि इन तकनीकों का उपयोग लंबे सेटअप समय के बोझ के बिना सहायक संचार या पुनर्वास के लिए किया जा सकता है। निष्कर्ष पुष्टि करते हैं कि ब्रेन-कंप्यूटर इंटरफेस की क्षमता को अनलॉक करने की कुंजी केवल बड़े मॉडल बनाने में नहीं है, बल्कि उन मॉडलों को मानव मस्तिष्क की अनूठी वास्तविकता से जोड़ने के स्मार्ट और अधिक कुशल तरीके डिजाइन करने में 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।