MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
Il documento introduce MtReNIRS, un modello di base auto-supervisionato preaddestrato su 12 diversi dataset fNIRS che apprende rappresentazioni neurovascolari generalizzabili mappando montaggi eterogenei su un riferimento anatomico condiviso, ottenendo così prestazioni cross-subject e una calibrazione few-shot superiori rispetto ai metodi esistenti.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il cervello umano è un motore complesso e gli scienziati cercano da tempo modi per ascoltare i suoi pensieri senza aprire il cranio. Uno strumento promettente per questo è la spettroscopia funzionale nel vicino infrarosso, o fNIRS. A differenza delle macchine ingombranti e stazionarie utilizzate negli ospedali, la fNIRS utilizza un cappuccio indossabile dotato di sensori luminosi. Questi sensori proiettano luce nel vicino infrarosso attraverso il cuoio capelluto e misurano quanto venga assorbita dal sangue che scorre sottostante. Poiché le cellule cerebrali attive richiedono più ossigeno, il flusso sanguigno cambia in schemi specifici quando una persona pensa, si muove o prova qualcosa. Tracciando questi cambiamenti, i ricercatori possono vedere quali parti del cervello sono in funzione. Tuttavia, trasformare queste letture luminose in un'immagine chiara dell'attività cerebrale è stato difficile. Ogni laboratorio di ricerca utilizza cappucci diversi, con sensori posizionati in punti differenti, e i segnali che catturano sono spesso disordinati e unici per la persona che li indossa. Ciò ha reso difficile costruire un singolo programma informatico in grado di comprendere i segnali cerebrali di chiunque, ovunque, utilizzando qualsiasi dispositivo.
Un team di ricercatori ha ora compiuto un passo significativo verso la risoluzione di questo problema creando un nuovo tipo di modello di intelligenza artificiale chiamato MtReNIRS. Invece di insegnare a un computer a riconoscere l'attività cerebrale da una sola persona o da un esperimento specifico, lo hanno addestrato su una vasta collezione di dati raccolti da dodici studi diversi. Questo dataset includeva registrazioni provenienti da 268 persone diverse, per un totale di oltre 567 ore di attività cerebrale. I dati coprivano una grande varietà di compiti, dal risolvere problemi di matematica all'ascoltare il parlato e al muovere le mani. La sfida era che queste registrazioni non erano uniformi; alcuni utilizzavano cappucci con molti sensori, altri con pochi, e i sensori erano disposti in schemi diversi sulla testa. Per dare un senso a questo caos, i ricercatori hanno sviluppato un metodo per tradurre ogni disposizione unica dei sensori in una mappa comune del cervello. Hanno trattato il cervello come una griglia standard, facendo corrispondere i sensori di ciascun cappuccio differente alle stesse posizioni corrispondenti su questa mappa condivisa. Ciò ha permesso al computer di apprendere che un segnale proveniente dalla "parte anteriore" del cervello significa la stessa cosa, indipendentemente da quale specifico cappuccio o dispositivo abbia catturato il segnale.
Il modello stesso funziona imparando a riempire i vuoti. I ricercatori hanno mostrato al computer migliaia di brevi clip di attività cerebrale ma hanno deliberatamente nascosto piccoli frammenti dei dati, chiedendo al modello di indovinare cosa mancasse in base alle informazioni circostanti. Questo processo, noto come apprendimento auto-supervisionato, ha costretto il computer a comprendere le regole sottostanti di come il sangue scorre nel cervello, piuttosto che limitarsi a memorizzare risposte specifiche. Poiché il modello è stato addestrato su un insieme così diversificato di persone e compiti, ha appreso una comprensione generale di come funziona il cervello. Quando i ricercatori hanno testato questo modello su nuove persone che non aveva mai visto prima, ha ottenuto prestazioni pari o superiori ai metodi tradizionali che richiedono un addestramento esteso per ogni individuo. Il modello si è dimostrato particolarmente potente quando era disponibile solo una minima quantità di nuovi dati. In situazioni in cui un utente poteva fornire solo pochi esempi della propria attività cerebrale, il modello si adattava rapidamente e accuratamente, superando i sistemi precedenti all'avanguardia.
Lo studio ha anche rivelato che il modo in cui i sensori venivano mappati sul cervello era cruciale. Quando i ricercatori hanno testato una versione del modello in cui le posizioni dei sensori erano state rimescolate, la sua capacità di comprendere nuove persone è diminuita significativamente. Ciò ha confermato che il modello non stava solo imparando la forma delle onde, ma stava effettivamente apprendendo la relazione tra la posizione fisica dei sensori e le regioni cerebrali che monitoravano. Inoltre, il modello è rimasto efficace anche quando il numero di sensori veniva ridotto, suggerendo che in futuro potrebbe funzionare con dispositivi indossabili più semplici e confortevoli. Sebbene i ricercatori abbiano osservato che il modello affronta ancora sfide legate alle differenze naturali tra gli individui, come le variazioni nello spessore del cranio o nei modelli dei vasi sanguigni, il loro lavoro dimostra che un sistema singolo e flessibile può imparare a leggere il linguaggio del cervello attraverso diverse persone e dispositivi. Questo approccio offre una via scalabile verso interfacce cervello-computer più accessibili, dove la tecnologia può adattarsi all'utente invece di costringere l'utente ad adattarsi alla tecnologia.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.