Data AI Sintetis Baru Dapat Meningkatkan Antarmuka Otak Komputer

 

AI digunakan untuk “membayangkan” aktivitas otak untuk meningkatkan antarmuka otak komputer (Brain Computer Interfaces).

Pembelajaran mesin kecerdasan buatan (Artificial Intelligence) digunakan dalam antarmuka otak-komputer (BCI) untuk membantu mengidentifikasi pola dan memecahkan kode data pencitraan otak. Sebuah studi baru yang diterbitkan di Nature Biomedical Engineering oleh para peneliti di University of Southern California (USC) menerapkan teknologi AI deepfake untuk meningkatkan kinerja antarmuka otak-komputer untuk membantu mereka yang memiliki gangguan bicara atau masalah mobilitas.

“Ini adalah pertama kalinya kami melihat AI menghasilkan resep untuk pemikiran atau gerakan melalui pembuatan rangkaian spike sintetis,” kata penulis utama Shixian Wen dalam laporan USC. “Penelitian ini merupakan langkah penting untuk membuat BCI lebih cocok untuk penggunaan dunia nyata.”

Antarmuka otak-komputer, juga dikenal sebagai antarmuka mesin-otak (Brain Machine Interfaces), adalah teknologi bantu yang membaca dan memecahkan kode aktivitas listrik di otak untuk mengontrol perangkat eksternal seperti kursi roda, synthesizer ucapan, kaki palsu, telepon pintar, kursor komputer, papan ketik, dan lainnya. Pasar BCI diperkirakan akan meningkat pada tingkat pertumbuhan majemuk tahunan sebesar 15,5 persen selama 2020-2027 untuk mencapai pendapatan USD 3,7 miliar pada tahun 2027.

Menemukan banyak data pelatihan untuk antarmuka otak-komputer di mana sinyal otak dipetakan ke tindakan tertentu, jika memungkinkan, mungkin merupakan tantangan yang sangat memakan waktu. Algoritme AI membutuhkan sejumlah besar data pelatihan untuk belajar mengidentifikasi pola dan fitur. Untuk mengatasi tantangan data ini, para peneliti USC mengembangkan model permusuhan generatif (Generative Adversarial Model), sejenis arsitektur jaringan saraf AI yang digunakan untuk melatih pembelajaran mendalam. Dalam GAN, dua jaringan saraf tiruan (Artificial Neural Networks) melatih satu sama lain dengan bersaing — jaringan saraf generatif membuat sampel data sintetis, dan jaringan saraf diskriminatif mencoba menentukan apakah sampel data dihasilkan atau dari data aktual.

Para peneliti mengembangkan GAN yang dilatih pada data dari sesi perekaman dengan monyet yang melakukan tugas menjangkau untuk mempelajari pemetaan gerakan ke kereta spike, yang merupakan representasi bentuk gelombang biner dari aktivitas otak. Data otak dan perilaku dikumpulkan dari monyet menggunakan sistem Cerebus oleh Blackrock Neurotech (sebelumnya Blackrock Microsystems). Synthesizer GAN ini kemudian menghasilkan data saraf sintetis yang kemudian digabungkan dengan data nyata baru untuk melatih antarmuka otak-komputer. Menurut laporan USC, pendekatan ini meningkatkan kecepatan pelatihan hingga 20 kali lebih cepat.

Menurut para peneliti, model mereka dapat diadaptasi untuk mensintesis rangkaian lonjakan baru, yang dapat mempercepat pelatihan dekoder antarmuka otak-komputer. Karena model sepenuhnya digerakkan oleh data, pendekatan ini dapat digunakan untuk berbagai dekoder antarmuka otak-komputer dan tidak terbatas pada BCI kontrol motor.

“Untuk antarmuka otak-komputer (BCI), memperoleh data pelatihan yang memadai untuk algoritme yang memetakan sinyal saraf ke tindakan bisa jadi sulit, mahal, atau bahkan tidak mungkin,” lapor para peneliti USC. “Di sini kami melaporkan pengembangan dan penggunaan model generatif — model yang mensintesis distribusi data baru dalam jumlah yang hampir tidak terbatas dari distribusi data yang dipelajari — yang mempelajari pemetaan antara kinematika tangan dan rangkaian lonjakan saraf terkait.”

***
Solo, Selasa, 30 November 2021. 12:38 pm
‘salam sehat penuh cinta’
Suko Waspodo
suka idea
antologi puisi suko
ilustr: Jeff Coleman – Medium

Buku Tentang Cara Memelihara Ikan Koi

Leave a Reply

Your email address will not be published.