تم تحقيق معلم مهم لواجهات الحاسوب الدماغ. توضح دراسة جديدة لعلم الأعصاب التي استعرضها الأقران بقيادة باحثين في جامعة كاليفورنيا ، لوس أنجلوس (UCLA) اختراقًا للأداء في تقنية واجهة الحاسوب الدماغية غير الموسعة (BCI) عن طريق تسخير تعلم الآلة لتمكين المستخدمين من تحريك المؤشر أو الذراع الروبوتية باستخدام أفكارهم فقط.
“لزيادة أداء BCI بشكل كبير ، نستخدم الحكم الذاتي المشترك ، حيث يتعاون Copilots الذكاء الاصطناعي (AI) مع مستخدمي BCI لتحقيق أهداف المهمة” ، كتب البروفيسور المشارك في جامعة كاليفورنيا في لوس أنجل ميشرا ، سانججون لي ، وجوهانس لي.
تمكن واجهات الحاسوب الدماغية ، والمعروفة أيضًا باسم واجهات آلهة الدماغ (BMIs) من المستخدمين من التحكم في الأجهزة الخارجية باستخدام أفكارهم. هذا يمكن أن يجلب الأمل الذي يغير الحياة لتحسين الحياة اليومية للصدفة. بلغ حجم السوق العالمي للواجهة القابلة للحاسوب في الدماغ أكثر من 160 مليار دولار أمريكي في عام 2024 ، ومعدل نمو BCI غير موسع لعام 2025-2023 هو معدل النمو السنوي المركب بنسبة 9.35 في المائة (CAGR) ، مقارنةً بـ 1.49 في المائة في مركزي نموت (CAGR) ، وفقًا لبحث جراند فيو. ومن الأمثلة على مقدمي خدمات BCI Ant Neuro و BlackRock Neurotech و Elon Musk's Neuralink Corp. و Synchron و Medtronic و Emotiv و Neurosky و OpenBCI وغيرها من الشركات.
يمكن أن تكون BCIs إما الغازية أو غير موسعة. تتطلب BCIs الغازية لجراحة الأعصاب لزرع الأجهزة وتستخدم لمساعدة المرضى الذين يعانون من الصرع ، أو مرض الشلل الرعاش ، والشلل الدماغي ، والتصلب المتعدد ، والسكتة الدماغية ، وإصابات الحبل الشوكي ، والتصلب الجانبي الضموري (ALS) أو مرض Lou Gehrig ، ومرض الخلايا العصبية الحركية (MND).
نظرًا لأن جراحة الدماغ غير مطلوبة ، فقد يكون للواجهات غير الموسعة للحواسبات الدماغية إمكانات في السوق أوسع تتجاوز الاستخدامات الطبية ويمكن أن تمتد إلى المستهلكين والأجهزة القابلة للارتداء والألعاب والمزيد. ومع ذلك ، هناك مفاضلة أداء ، حيث أن BCIs غير موسعة تاريخيا لها نسب إشارة إلى الضوضاء ، مما يؤدي إلى انخفاض الدقة مقارنة مع BCIs الغازية.
في هذه الدراسة ، يعالج باحثو جامعة كاليفورنيا في لوس أنجلوس قضية الأداء هذه باستخدام الذكاء الاصطناعي لإمكانيات التعرف على الأنماط لفك تشفير البيانات الصاخبة من واجهة الحوسبة الدماغية غير الموسعة. سجل الفريق إشارات الكهربية الدماغية (EEG) من قبعة غير موسعة 64 قناة على ثلاثة مشاركين أصحاء ومشارك واحد مشلول أصيب بالشلل بسبب إصابة الحبل الشوكي على مستوى T5 وفقدت السيطرة على المحرك والإحساس في الساقين والجسم السفلي. أنشأ الباحثون خوارزميات الذكاء الاصطناعي للمساعدة في فك نشاط الدماغ من أجل تحديد الإشارات التي تشير إلى حركة المشارك المقصودة.
استخدم الفريق مرشح الشبكة العصبية التنازلية من الذكاء الاصطناعي (CNN-KF). الشبكة العصبية التلافيفية (CNN أو ConvNet) هي خوارزمية تعليمية عميقة تستخدم غالبًا في AI لمجموعات البيانات المرئية التي تحتوي على صور أو مقاطع فيديو ، ومعالجة اللغة الطبيعية ، والتعرف على الكلام ، وتحليل السلاسل الزمنية. مستوحاة من النظام البصري البشري ، تتعلم الشبكات العصبية التلافيفية الميزات من البيانات من أجل تقديم تنبؤات.
تخيل أن تحاول تقدير حالات الماضي والحاضر والمستقبلي مع معرفة محدودة بما تحاول تصميمه بالضبط. مرشح Kalman مفيد في حل مشاكل التصفية من خلال طريقة متكررة من أجل تقدير المتغيرات غير المعروفة من بيانات السلسلة الزمنية الصاخبة. يتم استخدامه للروبوتات ، ورؤية الكمبيوتر ، ومعالجة الإشارات ، وتحليل السلاسل الزمنية ، والفضاء ، وحتى للتحكم في الحركة الجوية. تم تقديم مرشح Kalman في عام 1960 من قبل الأمريكي الهنغاري Rudolf E. Kalman ، الذي نشر “نهجًا جديدًا لمشاكل التصفية والتنبؤ الخطي” في المجلة أسمي (الجمعية الأمريكية للمهندسين الميكانيكيين). فكر في الأمر كطريقة قوية لتصفية البيانات الصاخبة من أجل العثور على الإشارة ذات المغزى.
اقرأ أيضًا...
وكتب الباحثون: “تحكم أنظمة واجهة الدماغ التقليدية (BMI) الحركة فقط من البيانات العصبية ، دون الاستفادة من معلومات الأهداف ، بما في ذلك مواقع المواقع المستهدفة المحتملة”. “يستفيد CNN-KF (مرشح الشبكة العصبية الشبكية) والذكاء الاصطناعي (AI) من بنية المهمة عن طريق تحديث معلمات وحدة فك الترميز في حلقة مغلقة (CNN-KF) وتغيير توزيع الإجراءات بناءً على ملاحظات البيئة التي يمتلكها المستخدم مع (copilot).”
بمعنى آخر ، لم يستخدم الفريق فقط منظمة العفو الدولية لفك تشفير أفكار المستخدمين في الإجراءات المقصودة ، ولكن أيضًا لترجمة نية المستخدم والتوجيه في الوقت الفعلي. قاموا بإنشاء اثنين من AI copilots لمساعدة مستخدمي واجهة الحاسوب الدماغ على الذراع الآلي ومؤشر الكمبيوتر.
أبلغ الفريق أن حل AI Copilot قد تحسن الأداء بعامل 3.9 مرات للمشارك المشلول في مهام التحكم في المؤشر ومهام الذراع الآلية. علاوة على ذلك ، ذكر الباحثون أن المريض المصاب بالشلل لن يتمكن من أداء المهام دون مساعدة من AI Copilot.
من خلال هذا الإثبات المشجع للمفاهيم ، يفتح هذا البحث الباب لتطوير Copilots الأكثر تطوراً مع تسارع ودقة أكبر ، ويتوسع إلى مهام أكثر تعقيدًا في المستقبل.
حقوق الطبع والنشر © 2025 كامي روسو جميع الحقوق محفوظة.
المصدر :- Psychology Today: The Latest
