Un nouvel algorithme d’IA permet un décodage avancé en temps réel pour les neurotechnologies

Maryam Shanechi, professeure doyenne de génie électrique et informatique et directrice fondatrice du Centre de neurotechnologie de l'USC, et son doctorat. les étudiants ont développé une nouvelle méthode avancée d’apprentissage en profondeur des signaux cérébraux, capable d’effectuer un décodage en temps réel pour faire progresser considérablement les neurotechnologies. Ce travail a été publié dans Génie biomédical naturel.

Le travail de Shanechi consiste à décoder les signaux cérébraux pour développer des interfaces cerveau-ordinateur (BCI) pour le traitement des problèmes de santé neurologiques et mentales. Par exemple, le BCI peut déplacer un bras robotique en temps réel pour un patient paralysé en décodant le mouvement auquel ce patient pense, en fonction de ses signaux cérébraux.

Alternativement, le BCI peut décoder les symptômes de l’humeur chez un patient souffrant de dépression majeure à partir de ses signaux cérébraux pour administrer à chaque fois le bon dosage de thérapie de stimulation cérébrale profonde.

L’apprentissage profond, une branche de l’intelligence artificielle (IA), a le potentiel d’améliorer considérablement la précision du décodage des signaux cérébraux. Cependant, jusqu’à présent, les BCI reposaient largement sur des algorithmes informatiques plus simples. Pour que les méthodes d'apprentissage en profondeur soient applicables de manière transparente aux BCI en temps réel, elles doivent relever de nombreux défis supplémentaires, explique Shanechi.

“Tout d'abord, nous devons développer des méthodes d'apprentissage en profondeur qui non seulement sont précises, mais qui peuvent également décoder en temps réel et efficacement”, a déclaré Shanechi. “Par exemple, décodez en temps réel le mouvement prévu d'un patient à partir de ses signaux cérébraux, alors qu'il envisage de prendre une tasse de café. Deuxièmement, nous avons besoin de ces méthodes pour gérer les signaux cérébraux manquants de manière aléatoire, qui peuvent survenir lors de la transmission de signaux dans des BCI sans fil. “.

Shanechi et ses étudiants, Hamidreza Abbaspourazad et Eray Erturk, ont développé une nouvelle approche d'apprentissage en profondeur des signaux cérébraux qui répond à ces deux défis. Ils appellent la méthode DFINE, pour « inférence flexible dynamique pour les intégrations non linéaires ». Ils montrent que DFINE décode avec précision les signaux cérébraux tout en étant capable de fonctionner en temps réel. Cela peut également se produire même lorsque les signaux cérébraux manquent à des moments aléatoires, ce qui peut se produire par exemple dans les BCI sans fil.

Avant ces travaux, il y avait un compromis dans les modèles de données cérébrales : « Soit les modèles avaient une meilleure précision, mais il leur était difficile de décoder en temps réel et/ou de travailler de manière robuste avec certaines données cérébrales manquantes. pouvait décoder en temps réel, mais pas avec autant de précision”, a déclaré Abbaspourazad.

“Mais les BCI ont besoin à la fois de précision et d'un décodage robuste et en temps réel. Cela leur permettra d'aider les patients souffrant de divers troubles cérébraux”, a déclaré Erturk.

“Avec ce nouveau modèle d'apprentissage en profondeur, nous obtenons les deux”, a ajouté Shanechi. “Nous obtenons de la précision grâce à l'apprentissage en profondeur qui capture la complexité des signaux cérébraux. Mais nous construisons une approche qui peut le faire tout en fonctionnant en temps réel et de manière robuste.”

“Ce travail fournit des méthodes avancées d'apprentissage en profondeur qui peuvent être utilisées dans les neurotechnologies du monde réel, car elles offrent simultanément précision, fonctionnement en temps réel, flexibilité et efficacité”, explique Shanechi. Cela implique qu’à l’avenir, nous pourrons développer des BCI plus rapides, plus précises et plus réactives. Cela peut ainsi améliorer considérablement les dispositifs thérapeutiques pour les personnes souffrant de problèmes de santé neurologiques ou même mentales, a-t-elle déclaré.

Les auteurs de l'étude sont Hamidreza Abbaspourazad, Eray Erturk, Bijan Pesaran et Maryam M. Shanechi.