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

Stel je een machine voor die je gedachten kan lezen en deze vertaalt naar commando's voor een computer, een rolstoel of een robotarm. Dit is de belofte van de hersen-computerinterface, een technologie die van sciencefiction naar echte laboratoria is verschoven. Jarenlang hebben wetenschappers elektroden op de hoofdhuid geplaatst om te luisteren naar de elektrische fluisteringen van de hersenen, bekend als elektro-encefalografie, of EEG. De uitdaging is altijd geweest dat elk brein anders is. Net zoals geen twee mensen met exact hetzelfde accent spreken, produceren geen twee breinen identieke elektrische patronen. Een systeem dat getraind is om de gedachten van de één te begrijpen, faalt vaak volledig wanneer het wordt gevraagd naar de gedachten van een ander te luisteren. Om deze apparaten te laten werken, moeten gebruikers doorgaans lange, saaie kalibratiesessies ondergaan, waarbij ze de machine hun specifieke neurale taal vanaf nul leren. Dit proces is traag, frustrerend en onpraktisch voor dagelijks gebruik.

Recente doorbraken hebben "foundation models" geïntroduceerd, wat enorme kunstmatige intelligentiesystemen zijn die getraind zijn op duizenden uren aan hersendata van vele verschillende mensen. Deze modellen hebben een algemene taal van hersenactiviteit geleerd die werkt voor de meeste gebruikers. Toch worstelen ze nog steeds met de laatste stap: snel aanpassen aan een nieuw persoon zonder dat er volledig opnieuw getraind hoeft te worden. Ze zijn als een polyglot die veel talen kent, maar nog steeds een woordenboek nodig heeft om een specifief dialect te begrijpen. Een nieuwe studie door Mohammad Alam aan de Universiteit van Turku stelt een oplossing voor die deze kloof overbrugt, door de brede kennis van deze grote modellen te combineren met een gespecialiseerde, energiezuinige methode om de specifieke stijl van een nieuwe gebruiker binnen minuten in plaats van uren te leren.

De onderzoekers pakten het probleem aan door een systeem te creëren dat scheidt wat universeel is van wat uniek is. Ze begonnen met een vooraf getraind foundation model, een groot neuraal netwerk dat de algemene regels van hersenactiviteit al had geleerd van een enorme dataset. Dit deel van het systeem bleef bevroren, wat betekent dat de interne instellingen vergrendeld waren en niet gewijzigd konden worden. Dit behield de waardevolle, algemene kennis die het al had verworven. In plaats van te proberen het hele enorme systeem voor elke nieuwe gebruiker opnieuw te trainen, voegde het team een kleine, lichtgewicht toevoeging toe die alleen ontworpen is om de specifieke verschillen van het individu af te handelen. Deze toevoeging werkt volgens een principe dat geïnspireerd is door de hersenen zelf, gebruikmakend van "spiking" logica. In plaats van constant informatie te verwerken zoals een standaardcomputer, wacht dit module op significante veranderingen in het hersensignaal. Wanneer er een betekenisvolle verschuiving optreedt, vuurt het een enkele, ijle elektrische puls, of "spike", af om aan te geven dat er iets belangrijks is gebeurd. Deze aanpak bootst de manier na waarop biologische neuronen communiceren, wat immense hoeveelheden energie en rekenkracht bespaart.

Om dit idee te testen, onderwierp het team zijn systeem aan een reeks rigoureuze proeven met 175 verschillende deelnemers. Ze gebruikten data van vier verschillende soorten hersen-computerinterface-experimenten, variërend van het voorstellen van het bewegen van een hand tot het reageren op flitsende lichten. In een strikt testprotocol werd het systeem getraind op data van een groep mensen en vervolgens gevraagd zich aan te passen aan een volledig nieuw persoon die het nog nooit had gezien. De onderzoekers gaven het systeem slechts een heel kleine hoeveelheid data van deze nieuwe persoon — soms slechts tien procent van wat normaal gesproken vereist is — om hun specifieke patronen te leren. De resultaten waren opmerkelijk. Het nieuwe systeem bereikte een gemiddelde nauwkeurigheid van 86,7 procent over al deze verschillende taken en mensen, waarmee het traditionele methoden overtrof die ofwel probeerden het hele model opnieuw te trainen of eenvoudiger, minder effectieve adaptatietechnieken gebruikten.

Misschien nog belangrijker is dat het systeem ongelooflijk efficiënt bleek te zijn. Terwijl andere methoden miljoenen parameters vereisten om bij te werken en enkele minuten nodig hadden om zich aan een nieuwe gebruiker aan te passen, had deze nieuwe aanpak slechts ongeveer één miljoen parameters nodig en voltooide het de adaptatie in minder dan 40 seconden. Het verbruikte aanzienlijk minder energie, waarbij het slechts 0,42 millijoule per proef verbruikte voor het adaptatieproces. Het systeem toonde ook een opmerkelijke stabiliteit over de tijd. Wanneer het werd getest op data die op een andere dag van dezelfde persoon waren opgenomen, daalde de prestatie met slechts 4,3 procentpunten, een veel kleinere daling dan bij andere methoden te zien was. Dit suggerend dat het systeem de kern, stabiele aspecten van de hersenactiviteit van de gebruiker leerde, in plaats van tijdelijke ruis of sessie-specifieke eigenaardigheden te memoriseren.

De studie sloot expliciet de mogelijkheid uit dat de beste oplossing simpelweg het volledig opnieuw trainen van het grote model van scratch was, een proces dat computationeel duur is en gevoelig is voor overfitting wanneer data schaars is. Het demonstreerde ook dat het simpelweg gebruiken van een basis, lineaire aanpassing van het model onvoldoende was om de complexe, tijdafhankelijke variaties in hersensignalen te vangen. Het succes van de aanpak rustte op de specifieke combinatie van een bevroren foundation model en een dynamische, spike-gebaseerde adapter die in staat was om menselijke verschillen in realtime te detecteren en te corrigeren. De onderzoekers merkten op dat hoewel deze resultaten veelbelovend zijn, ze in een gecontroleerde, offline setting zijn verkregen met bestaande datasets. Het systeem is nog niet getest in real-time, closed-loop scenario's waarbij een gebruiker continu met een apparaat interageert, noch is het ingezet op gespecialiseerde neuromorfische hardware die het energieverbruik nog verder zou kunnen verlagen.

Dit werk vormt een belangrijke stap naar het praktisch bruikbaar maken van hersen-computerinterfaces voor het dagelijks leven. Door aan te tonen dat een groot, algemeen AI-model snel en efficiënt gepersonaliseerd kan worden voor een nieuwe gebruiker zonder de algemene kennis te verliezen, biedt de studie een pad vooruit voor apparaten die zowel krachtig als gebruiksvriendelijk zijn. Het vermogen om zich met minimale data en energie aan een nieuw persoon aan te passen, suggereert een toekomst waarin deze technologieën gebruikt kunnen worden voor ondersteunende communicatie of revalidatie zonder de last van langdurige opstarttijden. De bevindingen bevestigen dat de sleutel tot het ontsluiten van het potentieel van hersen-computerinterfaces niet alleen ligt in het bouwen van grotere modellen, maar in het ontwerpen van slimmere, efficiëntere manieren om die modellen te verbinden met de unieke realiteit van het menselijk brein.