Stel je voor dat je een bruisende stad probeert te begrijpen door te luisteren naar één enkele, krakende radiozender die alles tegelijk opvangt: het verkeer, de wind, de statische ruis en het eigenlijke nieuwsbericht. Dit is de uitdaging waar wetenschappers voor staan wanneer ze de menselijke hersenen proberen te lezen met behulp van EEG (elektro-encefalografie). EEG is als een niet-invasief venster in onze geest, dat elektrische signalen van de hoofdhuid opvangt. Het wordt gebruikt voor alles, van het monitoren van slaap en het diagnosticeren van stoornissen tot het helpen van mensen om computers te besturen met hun gedachten. Echter, deze signalen zijn berucht rommelig. Ze zitten vol met "statische ruis" zoals spierbewegingen, oogknipperingen en het gezoem van de opnameapparatuur, die allemaal gemengd zijn met de werkelijke hersenactiviteit waar we eigenlijk in geïnteresseerd zijn.

Om de betekenis van deze ruis te begrijpen, bouwen onderzoekers "foundation models" — enorme AI-systemen die getraind zijn op enorme hoeveelheden data om de algemene regels te leren over hoe de hersenen werken, net zoals een kind taal leert door naar duizenden gesprekken te luisteren. De grote vraag is geweest: wat zouden deze AI-modellen eigenlijk moeten leren? Als je een student vraagt om de ontbrekende woorden in een zin in te vullen, kan diegene simpelweg de meest voorkomende woorden raden die hij eerder heeft gehoord. Op dezelfde manier, als je een AI vraagt om ontbrekende delen van een hersensignaal te raden, kan het model slechts de saaie, voorspelbare achtergrondruis of de specifieke eigenaardigheden van de opnameapparatuur leren voorspellen, in plaats van de diepe, overdraagbare patronen van hoe de hersenen daadwerkelijk denken. De paper die u zojuist heeft gelezen, pakt dit exacte puzzelstuk aan, met de vraag hoe we deze AI-modellen kunnen leren om de statische ruis te negeren en zich te concentreren op het echte verhaal.

De Paper: EEG-JEPA

De auteurs van deze paper, een team van de Tsinghua Universiteit en andere instellingen, introduceren een nieuwe manier om deze hersenlezende AI-modellen te trainen, genaamd EEG-JEPA. In plaats van de ouderwetse methode waarbij geprobeerd wordt de exacte ontbrekende spanningspieken te reconstrueren (wat lijkt op het proberen te raden van de exacte toonhoogte van de stem van een zanger in een lawaaierige kamer), vraagt EEG-JEPA de AI om de betekenis of de toestand van de ontbrekende delen te voorspellen op basis van de omliggende context.

Denk er zo over na: Stel je voor dat je een mysterie-roman leest, maar iemand heeft een paar pagina's uitgerukt.

• De Oude Manier (Masked Waveform Reconstruction): De AI krijgt de opdracht om de uitgerukte pagina's exact zo na te tekenen als ze waren, inclusief de inktvlekken, de koffievlekken en het specifieke lettertype. Het eindigt ermee te leren hoe het papier en de vlekken te kopiëren, in plaats van het plot.
• De Nieuwe Manier (EEG-JEPA): De AI krijgt de opdracht om een samenvatting te schrijven van wat er op de ontbrekende pagina's is gebeurd, gebaseerd op de aanwijzingen in de hoofdstukken ervoor en erna. Het moet de het verhaal (de neurale structuur) proberen te achterhalen zonder zich zorgen te maken over het specifieke lettertype of de koffievlek (de ruis en artefacten).

Om dit werkend te krijgen, heeft het team een "gestructureerd" trainingsspel ontworpen met drie speciale regels:

1. Wat te Voorspellen (Target Content): In plaats van de ruwe elektrische spanning te raden, raadt het model een "latente staat". Dit is als het raden van de emotie van een personage in plaats van de exacte kleur van hun shirt. Het model gebruikt een "leraar" (een exponential-moving-average encoder) die het hele plaatje ziet om het juiste antwoord te genereren, terwijl het "student"-model alleen de delen ziet met de ontbrekende stukken.
2. Waar te Voorspellen (Target Support): Hier wordt de paper echt slim. De hersenen zijn niet zomaar een willekeurig rooster van sensoren; ze hebben een specifieke vorm en topologie (zoals linker- en rechterhemisferen die samenwerken). Het team heeft een nieuwe maskeringstrategie ontwikkend genaamd N-MET (Neurotopology-Aware Multi-scale Electrode-Temporal Masking). In plaats van alleen willekeurig vierkantjes data te verwijderen zoals in een spelletje Tetris, verwijdert N-MET specifieke, betekenisvolle brokken. Het kan een hele "strook" van de tijd verbergen om te zien of het model het ritme kan raden, of een "paar" sensoren aan weerszijden van het hoofd verbergen om te testen of het model de symmetrie van de hersenen begrijpt. Het dwingt de AI om te leren hoe verschillende delen van de hersenen met elkaar communiceren.
3. Hoe Diep te Kijken (Target Depth): Het model krijgt niet slechts één cijfer aan het einde van de test. Het wordt op meerdere niveaus van zijn "brein" (encoderlagen) gesuperviseerd. Het moet in een vroeg stadium eenvoudige patronen voorspellen en later complexe, abstracte patronen. Dit zorgt ervoor dat het model een volledige hiërarchie van hersenfuncties leert, van eenvoudige ritmes tot complexe cognitieve toestanden.

Wat Ze Vonden

Het team heeft EEG-JEPA getest tegenover andere top hersen-AI-modellen met behulp van een enorme benchmark genaamd EEG-FM-Bench, die 14 verschillende taken bevat, variërend van het detecteren van slaapfasen tot het herkennen van emoties en motorische verbeelding (het voorstellen van het bewegen van een hand).

De resultaten waren indrukwekkend. Wanneer zij het model bevroren (wat betekent dat ze het niet opnieuw trainden voor specifieke taken, maar alleen de kennis gebruikten die het al bezat), behaalde EEG-JEPA een gebalanceerde nauwkeurigheid van 52,94% over de 14 taken. Dit was de hoogste score van alle geteste foundation models, waarmee het de vorige leider (EEGPT) met een duidelijke marge versloeg. Nog belangrijker is dat wanneer ze het model fijn afstelden (fine-tuning) voor specifieke taken, de gemiddelde nauwkeurigheid verbeterde van 68,98% naar 70,65%.

De paper suggereert dat de sleutel tot dit succes niet alleen het hebben van een groter model was, maar het veranderen van wat het model gevraagd werd te leren. Door de AI te dwingen om gestructureerde, hoogwaardige toestanden af te leiden in plaats van alleen ruwe signalen te kopiëren, leerde het representaties die veel beter werken over verschillende soorten hersendata heen.

Wat Ze Uitsloten

De auteurs waren zorgvuldig om aan te tonen dat hun succes niet alleen kwam door het gebruik van een betere leraar of een andere willekeurige maskering. Ze voerden een reeks "ablatie-studies" uit (waarbij onderdelen van hun systeem werden weggehaald om te zien wat er gebeurt):

• Ze bewezen dat het enkel gebruiken van een "latente" target (het voorspellen van toestanden in plaats van ruwe signalen) op zichzelf niet genoeg was; de specifieke structuur van de maskering (N-MET) was cruciaal.
• Ze lieten zien dat willekeurige maskering (het verbergen van data op een rommelige, ongestructureerde manier) aanzienlijk slechter presteerde dan hun neurotopologie-bewuste maskering.
• Ze demonstreerden dat het voorspellen op slechts één niveau aan het einde van het netwerk (de laatste laag) minder effectief was dan het superviseren van het model op meerdere dieptes (L3, L6, L9 en de laatste laag).

De Kernboodschap

De paper beweert niet het mysterie van de hersenen te hebben opgelost, maar suggereert wel een krachtige nieuwe richting voor AI. Het laat zien dat als we willen dat machines de hersenen begrijpen, we ze niet alleen de perfecte kopieerders van ruisige signalen moeten vragen te zijn. In plaats daarvan moeten we ze leren om detectives te zijn, die het verborgen verhaal van neurale activiteit afleiden uit de aanwijzingen die in de ruis zijn achtergelaten. Door het leerproces te structureren met respect voor de natuurlijke vorm en hiërarchie van de hersenen, heeft EEG-JEPA een model gecreëerd dat beter in staat is om zijn kennis over te dragen naar nieuwe, real-world hersentaken dan alles wat we tot nu toe hebben gezien.