MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
O artigo apresenta o MtReNIRS, um modelo de fundação autossupervisionado pré-treinado em 12 conjuntos de dados diversificados de fNIRS que aprende representações neurovasculares generalizáveis ao mapear montagens heterogêneas para uma referência anatômica compartilhada, alcançando assim um desempenho superior entre sujeitos e calibração de poucos disparos (few-shot) em comparação com os métodos existentes.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O cérebro humano é um motor complexo, e os cientistas há muito buscam maneiras de ouvir seus pensamentos sem abrir o crânio. Uma ferramenta promissora para isso é a espectroscopia funcional de infravermelho próximo, ou fNIRS. Ao contrário das máquinas volumosas e estacionárias usadas em hospitais, o fNIRS utiliza um capacete vestível equipado com sensores de luz. Esses sensores emitem luz infravermelha próxima através do couro cabeludo e medem quanto dela é absorvida pelo sangue que flui por baixo. Como as células cerebrais ativas requerem mais oxigênio, o fluxo sanguíneo muda em padrões específicos quando uma pessoa pensa, se move ou sente algo. Ao rastrear essas mudanças, os pesquisadores podem ver quais partes do cérebro estão trabalhando. No entanto, transformar essas leituras de luz em uma imagem clara da atividade cerebral tem sido difícil. Cada laboratório de pesquisa usa capacetes diferentes, com sensores colocados em pontos distintos, e os sinais que capturam são frequentemente desordenados e únicos para a pessoa que os está usando. Isso tornou difícil construir um único programa de computador que possa entender sinais cerebrais de qualquer pessoa, em qualquer lugar, usando qualquer dispositivo.
Uma equipe de pesquisadores deu agora um passo significativo para resolver esse problema ao criar um novo tipo de modelo de inteligência artificial chamado MtReNIRS. Em vez de ensinar um computador a reconhecer a atividade cerebral a partir de apenas uma pessoa ou de um experimento específico, eles o treinaram em uma coleção massiva de dados coletados de doze estudos diferentes. Esse conjunto de dados incluiu gravações de 268 pessoas diferentes, totalizando mais de 567 horas de atividade cerebral. Os dados cobriram uma grande variedade de tarefas, desde resolver problemas matemáticos até ouvir a fala e mover as mãos. O desafio era que essas gravações não eram uniformes; algumas usavam capacetes com muitos sensores, outras com poucos, e os sensores estavam dispostos em padrões diferentes na cabeça. Para dar sentido a esse caos, os pesquisadores desenvolveram um método para traduzir cada arranjo de sensores único em um mapa comum do cérebro. Eles trataram o cérebro como uma grade padrão, correspondendo os sensores de cada capacete diferente aos mesmos locais correspondentes neste mapa compartilhado. Isso permitiu que o computador aprendesse que um sinal vindo da "frente" do cérebro significa a mesma coisa, independentemente de qual capacete ou dispositivo específico capturou o sinal.
O próprio modelo funciona aprendendo a preencher as lacunas. Os pesquisadores mostraram ao computador milhares de clipes curtos de atividade cerebral, mas esconderam deliberadamente pequenos pedaços dos dados, pedindo ao modelo que adivinhasse o que estava faltando com base nas informações circundantes. Esse processo, conhecido como aprendizado autossupervisionado, forçou o computador a entender as regras subjacentes de como o sangue flui no cérebro, em vez de apenas memorizar respostas específicas. Como o modelo foi treinado em um conjunto tão diversificado de pessoas e tarefas, ele aprendeu uma compreensão geral de como o cérebro funciona. Quando os pesquisadores testaram esse modelo em novas pessoas que nunca haviam visto antes, ele teve um desempenho igual ou superior aos métodos tradicionais que exigem treinamento extensivo para cada indivíduo. O modelo provou ser particularmente poderoso quando apenas uma pequena quantidade de novos dados estava disponível. Em situações onde um usuário podia fornecer apenas alguns exemplos de sua própria atividade cerebral, o modelo se adaptava rápida e acuradamente, superando sistemas de última geração anteriores.
O estudo também revelou que a maneira como os sensores foram mapeados para o cérebro era crucial. Quando os pesquisadores testaram uma versão do modelo onde os locais dos sensores foram embaralhados, sua capacidade de entender novas pessoas caiu significativamente. Isso confirmou que o modelo não estava apenas aprendendo a forma das ondas, mas estava realmente aprendendo a relação entre a localização física dos sensores e as regiões cerebrais que eles monitoravam. Além disso, o modelo permaneceu eficaz mesmo quando o número de sensores era reduzido, sugerindo que ele poderia funcionar com dispositivos vestíveis mais simples e confortáveis no futuro. Embora os pesquisadores tenham observado que o modelo ainda enfrenta desafios com as diferenças naturais entre indivíduos, como variações na espessura do crânio ou nos padrões de vasos sanguíneos, o trabalho deles demonstra que um sistema único e flexível pode aprender a ler a linguagem do cérebro através de diferentes pessoas e dispositivos. Essa abordagem oferece um caminho escalável para interfaces cérebro-computador mais acessíveis, onde a tecnologia pode se adaptar ao usuário, em vez de forçar o usuário a se adaptar à tecnologia.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.