Spike-Based Adaptation of EEG Foundation Models for Calibration Efficient Cross-Subject Brain-Computer Interfaces

Immaginate una macchina capace di leggere la vostra mente, traducendo i vostri pensieri in comandi per un computer, una sedia a rotelle o un braccio robotico. Questa è la promessa dell'interfaccia cervello-computer, una tecnologia che si è spostata dalla fantascienza ai laboratori del mondo reale. Per anni, gli scienziati hanno utilizzato elettrodi posizionati sul cuoio capelluto per ascoltare i sussurri elettrici del cervello, noti come elettroencefalografia, o EEG. La sfida è sempre stata il fatto che ogni cervello è diverso. Proprio come non esistono due persone che parlano con lo stesso identico accento, non esistono due cervelli che producono schemi elettrici identici. Un sistema addestrato per comprendere i pensieri di una persona spesso fallisce completamente quando gli viene chiesto di ascoltare quelli di un'altra. Per far funzionare questi dispositivi, gli utenti devono solitamente affrontare lunghe e tediose sessioni di calibrazione, insegnando alla macchina il proprio linguaggio neurale specifico da zero. Questo processo è lento, frustrante e poco pratico per l'uso quotidiano.

Recenti scoperte hanno introdotto i "modelli di base" (foundation models), ovvero massicci sistemi di intelligenza artificiale addestrati su migliaia di ore di dati cerebrali provenienti da molte persone diverse. Questi modelli hanno appreso un linguaggio generale dell'attività cerebrale che funziona per la maggior parte degli utenti. Tuttavia, essi incontrano ancora difficoltà nell'ultimo passaggio: adattarsi rapidamente a una nuova persona senza dover essere completamente riaddestrati. Sono come dei poliglotti che conoscono molte lingue, ma hanno comunque bisogno di un dizionario per comprendere un dialetto specifico. Un nuovo studio di Mohammad Alam presso l'Università di Turku propone una soluzione che colma questa lacuna, combinando la vasta conoscenza di questi grandi modelli con un metodo specializzato ed efficiente dal punto di vista energetico per apprendere lo stile specifico di un nuovo utente in pochi minuti anziché in ore.

I ricercatori hanno affrontato il problema creando un sistema che separa ciò che è universale da ciò che è unico. Sono partiti da un modello di base pre-addestrato, una grande rete neurale che aveva già appreso le regole generali dell'attività cerebrale da un vasto dataset. Questa parte del sistema rimaneva "congelata", il che significa che le sue impostazioni interne erano bloccate e non potevano essere modificate. Ciò preservava la preziosa conoscenza generale già acquisita. Invece di cercare di riaddestrare l'intero massiccio sistema per ogni nuovo utente, il team ha collegato un modulo aggiuntivo piccolo e leggero, progettato per gestire solo le differenze specifiche dell'individuo. Questo modulo opera su un principio ispirato al cervello stesso, utilizzando la logica a "impulsi" (spiking). Piuttosto che elaborare costantemente informazioni come un computer standard, questo modulo attende cambiamenti significativi nel segnale cerebrale. Quando si verifica un cambiamento significativo, emette un singolo impulso elettrico rado, o "spike", per segnalare che è accaduto qualcosa di importante. Questo approccio imita il modo in cui i neuroni biologici comunicano, risparmiando enormi quantità di energia e potenza di elaborazione.

Per testare questa idea, il team ha sottoposto il proprio sistema a una serie rigorosa di prove che coinvolgevano 175 partecipanti diversi. Hanno utilizzato dati provenienti da quattro tipi distinti di esperimenti di interfaccia cervello-computer, che spaziavano dall'immaginare di muovere una mano al rispondere a luci lampeggianti. In un protocollo di test rigoroso, il sistema è stato addestrato sui dati di un gruppo di persone e poi gli è stato chiesto di adattarsi a una persona completamente nuova che non aveva mai visto prima. I ricercatori hanno fornito al sistema solo una piccolissima quantità di dati di questa nuova persona — talvolta appena il dieci per cento di quanto solitamente richiesto — per apprendere i suoi schemi specifici. I risultati sono stati sorprendenti. Il nuovo sistema ha raggiunto un'accuratezza media dell'86,7 percento in tutti questi diversi compiti e persone, superando i metodi tradizionali che cercavano di riaddestrare l'intero modello o utilizzavano tecniche di adattamento più semplici e meno efficaci.

Forse, cosa ancora più importante, il sistema si è dimostrato incredibilmente efficiente. Mentre altri metodi richiedevano l'aggiornamento di milioni di parametri e impiegavano diversi minuti per adattarsi a un nuovo utente, questo nuovo approccio ha avuto bisogno di regolare solo circa un milione di parametri e ha completato l'adattamento in meno di 40 secondi. Ha consumato molta meno energia, utilizzando solo 0,42 millijoule per prova durante il processo di adattamento. Il sistema ha anche mostrato una straordinaria stabilità nel tempo. Quando testato su dati registrati dalla stessa persona in un giorno diverso, le prestazioni sono diminuite solo del 4,3%, un calo molto minore rispetto a quello osservato con altri metodi. Ciò suggerisce che il sistema ha appreso gli aspetti centrali e stabili dell'attività cerebrale dell'utente piuttosto che memorizzare rumore temporaneo o peculiarità specifiche della sessione.

Lo studio ha esplicitamente escluso l'idea che la soluzione migliore fosse semplicemente riaddestrare l'intero grande modello da zero, un processo computazionalmente costoso e incline all'overfitting quando i dati sono scarsi. Ha inoltre dimostrato che l'uso di un semplice aggiustamento lineare del modello era insufficiente per catturare le variazioni complesse e dipendenti dal tempo dei segnali cerebrali. Il successo dell'approccio è dipeso dalla specifica combinazione di un modello di base congelato e di un adattatore dinamico basato su impulsi capace di percepire e correggere le differenze individuali in tempo reale. I ricercatori hanno osservato che, sebbene questi risultati siano promettenti, sono stati ottenuti in un ambiente controllato e offline utilizzando dataset esistenti. Il sistema non è ancora stato testato in scenari reali a circuito chiuso (closed-loop), dove un utente interagisce continuamente con un dispositivo, né è stato implementato su hardware neuromorfico specializzato che ridurrebbe ulteriormente il consumo energetico.

Questo lavoro rappresenta un passo significativo verso la resa pratica delle interfacce cervello-computer nella vita quotidiana. Dimostrando che un modello di IA grande e generale può essere rapidamente ed efficientemente personalizzato per un nuovo utente senza perdere la sua conoscenza generale, lo studio offre una strada da seguire per dispositivi che siano al contempo potenti e facili da usare. La capacità di adattarsi a una nuova persona con il minimo dei dati e dell'energia suggerisce un futuro in cui queste tecnologie potrebbero essere utilizzate per la comunicazione assistiva o la riabilitazione senza l'onere di lunghi tempi di configurazione. I risultati confermano che la chiave per sbloccare il potenziale delle interfacce cervello-computer non risiede solo nel costruire modelli più grandi, ma nel progettare modi più intelligenti ed efficienti per connettere tali modelli alla realtà unica del cervello umano.