« Deepfaking the mind » pourrait améliorer les interfaces cerveau-ordinateur pour les personnes handicapées –

Dans un article publié en Nature Génie Biomédical, l’équipe a réussi à apprendre à une IA à générer des données synthétiques sur l’activité cérébrale. Les données, en particulier les signaux neuronaux appelés trains de pointes, peuvent être introduites dans des algorithmes d’apprentissage automatique pour améliorer la convivialité des interfaces cerveau-ordinateur (BCI).

Les systèmes BCI fonctionnent en analysant les signaux cérébraux d’une personne et en traduisant cette activité neuronale en commandes, permettant à l’utilisateur de contrôler des appareils numériques tels que des curseurs d’ordinateur en utilisant uniquement leurs pensées. Ces appareils peuvent améliorer la qualité de vie des personnes atteintes de dysfonctionnement moteur ou de paralysie, même celles qui souffrent du syndrome d’enfermement, lorsqu’une personne est pleinement consciente mais incapable de bouger ou de communiquer.

Diverses formes de BCI sont déjà disponibles, des capuchons qui mesurent les signaux cérébraux aux dispositifs implantés dans les tissus cérébraux. De nouveaux cas d’utilisation sont identifiés en permanence, de la neuroréadaptation au traitement de la dépression. Mais malgré toutes ces promesses, il s’est avéré difficile de rendre ces systèmes suffisamment rapides et robustes pour le monde réel.

Plus précisément, pour donner un sens à leurs entrées, les BCI ont besoin d’énormes quantités de données neuronales et de longues périodes de formation, d’étalonnage et d’apprentissage.

“Obtenir suffisamment de données pour les algorithmes qui alimentent les BCI peut être difficile, coûteux, voire impossible si les individus paralysés ne sont pas capables de produire des signaux cérébraux suffisamment robustes”, a déclaré Laurent Itti, professeur d’informatique et co-auteur de l’étude.

Autre obstacle : la technologie est spécifique à l’utilisateur et doit être entièrement formée pour chaque personne.

Générer des données neurologiques synthétiques

Et si, à la place, vous pouviez créer des données neurologiques synthétiques – des données générées artificiellement par ordinateur – qui pourraient « remplacer » les données obtenues du monde réel ?

Entrez dans les réseaux antagonistes génératifs. Connus pour créer des « contrefaçons profondes », les GAN peuvent créer un nombre pratiquement illimité de nouvelles images similaires en exécutant un processus d’essais et d’erreurs.

L’auteur principal Shixian Wen, titulaire d’un doctorat. Un étudiant conseillé par Itti s’est demandé si les GAN pourraient également créer des données d’entraînement pour les BCI en générant des données neurologiques synthétiques impossibles à distinguer de la réalité.

Dans une expérience décrite dans l’article, les chercheurs ont entraîné un synthétiseur de pointes d’apprentissage en profondeur avec une session de données enregistrées à partir d’un singe atteignant un objet. Ensuite, ils ont utilisé le synthétiseur pour générer de grandes quantités de données neuronales similaires, bien que fausses.

L’équipe a ensuite combiné les données synthétisées avec de petites quantités de nouvelles données réelles – soit du même singe un jour différent, soit d’un singe différent – pour former un BCI. Cette approche a permis au système de fonctionner beaucoup plus rapidement que les méthodes standard actuelles. En fait, les chercheurs ont découvert que les données neuronales synthétisées par le GAN amélioraient jusqu’à 20 fois la vitesse d’entraînement globale d’un BCI.

“Moins d’une minute de données réelles combinées aux données synthétiques fonctionnent ainsi que 20 minutes de données réelles”, a déclaré Wen.

“C’est la première fois que nous voyons l’IA générer la recette de la pensée ou du mouvement via la création de trains de pointes synthétiques. Cette recherche est une étape critique pour rendre les BCI plus adaptées à une utilisation dans le monde réel.”

De plus, après une formation sur une session expérimentale, le système s’est rapidement adapté à de nouvelles sessions, ou sujets, en utilisant des données neuronales supplémentaires limitées.

“C’est la grande innovation ici – créer de faux trains à pointes qui ressemblent à ceux de cette personne alors qu’ils imaginent faire différents mouvements, puis utiliser également ces données pour aider à l’apprentissage de la personne suivante”, a déclaré Itti.

Au-delà des BCI, les données synthétiques générées par le GAN pourraient conduire à des avancées dans d’autres domaines de l’intelligence artificielle gourmands en données en accélérant la formation et en améliorant les performances.

« Lorsqu’une entreprise est prête à commencer à commercialiser un squelette robotique, un bras robotique ou un système de synthèse vocale, elle devrait envisager cette méthode, car elle pourrait l’aider à accélérer la formation et le recyclage », a déclaré Itti. “En ce qui concerne l’utilisation du GAN pour améliorer les interfaces cerveau-ordinateur, je pense que ce n’est que le début.”

L’article a été co-écrit par Tommaso Furlanello, un USC Ph.D. diplômé; Allen Yin de Facebook ; MG Perich de l’Université de Genève et LE Miller de la Northwestern University.