MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
Het artikel introduceert MtReNIRS, een zelfgesuperviseerd foundation model dat is voorgetraind op 12 diverse fNIRS-datasets en die generaliseerbare neurovasculaire representaties leert door heterogene montages te mappen naar een gedeelde anatomische referentie, waardoor het een superieure cross-subject prestatie en few-shot kalibratie bereikt in vergelijking met bestaande methoden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het menselijk brein is een complexe machine, en wetenschappers zoeken al lang naar manieren om naar de gedachten ervan te luisteren zonder de schedel te openen. Een veelbelovend hulpmiddel hiervoor is functionele nabij-infrarood spectroscopie, of fNIRS. In tegenstelling tot de logge, stationaire machines die in ziekenhuizen worden gebruikt, maakt fNIRS gebruik van een draagbare kap uitgerust met lichtsensoren. Deze sensoren stralen nabij-infrarood licht door de hoofdhuid en meten hoeveel er wordt geabsorbeerd door het bloed dat eronder stroomt. Omdat actieve hersencellen meer zuurstof nodig hebben, veranderen de bloedstromen in specifieke patronen wanneer iemand denkt, beweegt of iets voelt. Door deze veranderingen te volgen, kunnen onderzoekers zien welke delen van het brein aan het werk zijn. Het is echter moeilijk geweest om deze lichtmetingen om te zetten in een helder beeld van hersenactiviteit. Elk onderzoekslaboratorium gebruikt andere kappen, waarbij de sensoren op verschillende plaatsen zijn geplaatst, en de signalen die ze opvangen zijn vaak rommelig en uniek voor de persoon die ze draagt. Dit heeft het moeilijk gemaakt om één enkel computerprogramma te bouwen dat hersensignalen van iedereen, overal, met elk apparaat kan begrijpen.
Een team van onderzoekers heeft nu een belangrijke stap gezet richting het oplossen van dit probleem door een nieuw type kunstmatige intelligentie-model genaamd MtReNIRS te creëren. In plaats van een computer te leren hersenactiviteit te herkennen van slechts één persoon of één specifiek experiment, hebben ze het getraind op een enorme collectie gegevens verzameld uit twaalf verschillende studies. Deze dataset bevatte opnames van 268 verschillende mensen, wat in totaal meer dan 567 uur aan hersenactiviteit beslaat. De gegevens bestonden uit een grote verscheidenheid aan taken, van het oplossen van wiskundige problemen tot het luisteren naar spraak en het bewegen van de handen. De uitdaging was dat deze opnames niet uniform waren; sommige gebruikten kappen met veel sensoren, andere met weinig, en de sensoren waren in verschillende patronen op het hoofd geplaatst. Om deze chaos te begrijpen, ontwikkelden de onderzoekers een methode om elke unieke sensoropstelling te vertalen naar een gemeenschappelijke kaart van het brein. Ze behandelden het brein als een standaardraster, waarbij de sensoren van elke verschillende kap koppelden aan de overeenkomende locaties op deze gedeelde kaart. Hierdoor kon de computer leren dat een signaal dat uit de "voorkant" van het brein komt, hetzelfde betekent, ongeacht welke specifieke kap of welk apparaat het signaal heeft opgevangen.
Het model zelf werkt door te leren de gaten in te vullen. De onderzoekers toonden de computer duizenden korte fragmenten van hersenactiviteit, maar verborgen doelbewust kleine stukjes van de gegevens, waarbij de computer werd gevraagd te raden wat er ontbrak op basis van de omliggende informatie. Dit proces, bekend als zelfgesuperviseerd leren (self-supervised learning), dwong de computer om de onderliggende regels van de bloedstroom in het brein te begrijpen, in plaats van alleen specifieke antwoorden te memoriseren. Omdat het model getraind was op een zo diverse set mensen en taken, leerde het een algemeen begrip van hoe het brein werkt. Wanneer de onderzoekers dit model testten op nieuwe mensen die het nog nooit eerder had gezien, presteerde het even goed als, of zelfs beter dan, traditionele methoden die uitgebreide training per individu vereisen. Het model bleek bijzonder krachtig wanneer er slechts een minimale hoeveelheid nieuwe gegevens beschikbaar was. In situaties waarin een gebruiker slechts een paar voorbeelden van de eigen hersenactiviteit kon aanleveren, paste het model zich snel en nauwkeurig aan, waarbij het eerdere state-of-the-art systemen overtrof.
De studie onthulde ook dat de manier waarop de sensoren op het brein werden gemapt, cruciaal was. Wanneer de onderzoekers een versie van het model testten waarbij de sensorlocaties waren gehusseld, nam het vermogen om nieuwe mensen te begrijpen aanzienlijk af. Dit bevestigde dat het model niet alleen de vorm van de golven leerde, maar daadwerkelijk de relatie tussen de fysieke locatie van de sensoren en de hersengebieden die ze monitorden, leerde begrijpen. Bovendien bleef het model effectief, zelfs wanneer het aantal sensoren werd verminderd, wat suggereert dat het in de toekomst zou kunnen werken met eenvoudigere, comfortabelere draagbare apparaten. Hoewel de onderzoekers opmerkten dat het model nog steeds te maken heeft met natuurlijke verschillen tussen individuen, zoals variaties in schedeldikte of bloedvatpatronen, laat hun werk zien dat een enkel, flexibel systeem de taal van het brein kan leren lezen over verschillende mensen en apparaten heen. Deze aanpak biedt een schaalbaar pad naar meer toegankelijke hersen-computerinterfaces, waarbij de technologie zich aanpast aan de gebruiker, in plaats van dat de gebruiker zich aan de technologie moet aanpassen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.