Современные технологии не позволяют осуществлять высокоточное дистанционное считывание активности мозга человека. Самым действенным способом по-прежнему остаётся установка электродов на кожу головы или имплантация непосредственно в мозг. Возможно, с этим сможет помочь новый китайский датчик активности мозга, который очень просто устанавливается в ушной канал пациента.

Источник изображений: Nature Communications (2023)

Разработанное группой ученых из китайского Университета Цинхуа устройство получило название SpiralE. Это тонкая многослойная полоска длиной 50 мм и шириной 3 мм. Полоска состоит из двух слоёв полимера с памятью формы, слоя электротермической активации формы и слоя с сенсорами для снятия электроэнцефалограммы.

Для ввода в ушной проход пациента датчик скручивается в плотный жгут. Уже на месте на датчик воздействуют электромагнитным полем, которое вызывает нагрев в его активирующем слое и, как следствие, заставляет полимерные слои с памятью формы распрямляться. Этот процесс приводит к тому, что датчик плотно соприкасается с кожей, и это обеспечивает аккуратное снятие сигналов мозговой активности. При этом каждый раз датчик принимает индивидуальные формы слухового канала, что делает его универсальным. Наконец, он не загораживает слуховой проход и не снижает чувствительность слуха человека, и легко извлекается.

Лабораторные испытания показали, что датчик удобен для длительного ношения и определяет активность мозга с точностью до 95 %. Учёные рассчитывают, что подобный датчик найдёт применение в изучении качества сна пациентов (спать с современными наголовными датчиками то ещё удовольствие), при выявлении эпилепсии и даже для слежения за активностью водителей, о чём они рассказали в своей статье в журнале Nature Communications.

Учёные из Университета Монаша создали DishBrain — полубиологический компьютерный чип, в электроды которого интегрированы около 800 000 клеток мозга человека и мыши. Демонстрируя что-то вроде разума, он научился играть в Pong за пять минут. Исследование, проведённое в партнёрстве с мельбурнским стартапом Cortical Labs, получило грант в размере 407 000 долларов США от Австралийской национальной программы грантов на исследования в области разведки и безопасности.

Источник изображения: Pixabay

Массив микроэлектродов в основе DishBrain способен не только считывать активность в клетках мозга, но и стимулировать их электрическими сигналами, поэтому исследовательская группа создала версию Pong, в которой клетки полубиологического искусственного мозга получали информацию о перемещении мяча и могли воздействовать на ракетку, перемещая её влево и вправо.

Затем была разработана очень простая система стимуляции, использующая стремление небольших скоплений клеток мозга сводить к минимуму непредсказуемость окружающей их среды. Если ракетка отбивает мяч, клетки получают поощрение — предсказуемый стимул, а при промахе — четыре секунды непредсказуемого воздействия. Это первый случай, когда клетки мозга, выращенные в лаборатории, получили возможность не только ощущать мир, но и воздействовать на него, и результаты были впечатляющими.

Нейроны DishBrain, растущие на массиве электродов / Источник изображения: Cortical Labs

Такие чипы, объединяющие биологические вычисления с ИИ, «в будущем могут в конечном итоге превзойти по производительности существующее чисто кремниевое оборудование, — уверен руководитель проекта доцент Адил Рази (Adeel Razi). — Результаты таких исследований будут иметь серьёзные последствия в таких областях как планирование, робототехника, передовая автоматизация, интерфейсы мозг-машина и разработка лекарств».

Расширенные возможности DishBrain могут стать основой нового поколения машинного обучения, особенно когда оно будет воплощено в автономных транспортных средствах, дронах и роботах. По словам Рази, это может дать им «новый тип машинного интеллекта, способный учиться на протяжении всей своей жизни». Технология обещает машины, которые могут продолжать изучать новые способности без ущерба для старых, хорошо адаптируются к изменениям и могут использовать старые знания в новых ситуациях, оптимизируя использование вычислительной мощности, памяти и энергии.

DishBrain с клетками, выделенными с помощью флуоресцентных маркеров / Источник изображения: Cortical Labs

«Мы используем этот грант для разработки более совершенных моделей ИИ на основе обучающихся биологических нейронных сетей, — говорит Рази. — Это поможет расширить возможности оборудования и методов до такой степени, что они станут жизнеспособной заменой для классических вычислений».

Похоже, скоро мы узнаем, мечтают ли андроиды об электроовцах. И нам может не понравиться то, что мы узнаем.

Учёные из Швейцарии с коллегами из других стран сделали шаг в сторону лечения ряда травм позвоночника, в результате которых пациенты теряют подвижность конечностей. Исследователи сумели обойти повреждённые нервные ткани в спинном мозге, создав беспроводной цифровой мост между головным и спинным мозгом ниже повреждённого участка. Но и без помощи машинного обучения не обошлось — необходимо было ещё суметь распознать мысли о движении.

Источник изображения: Nature

Проектом руководили исследователи из Федеральной политехнической школы Лозанны (EPFL). Помощь была оказана 38-летнему человеку, повредившему шейный отдел позвоночника десять лет назад в результате падения с велосипеда. Ранее он участвовал в программе помощи в реабилитации людей с травмами позвоночника. В частности, к нему применяли процедуру эпидуральной стимуляции спинного мозга, когда в позвоночник устанавливается имплантат с электродами, а под кожу вшивается стимулятор. Такая платформа на основе показаний датчиков движения в стимуляторе создаёт импульсы в ответственных зонах спинного мозга и заставляет мышцы конечностей совершать работу, а человеку передвигаться, правда, очень и очень ограниченно.

Поскольку у пациента остались электроды в позвоночнике (на спинном мозге), учёные решили подавать на них управляющий сигнал из головного мозга. Для этого потребовалось организовать цифровой беспроводной мост, поскольку нервная ткань между спинным и головным мозгом была разорвана в результате травмы. Для считывания сигналов из головного мозга в череп пациенту были имплантированы датчики со своими массивами электродов. Блок управления электродами получал внешнее индуктивное беспроводное питание на частоте 13,56 МГц, а считанная мозговая активность передавалась другой антенной — дециметровой на частоте 405 МГц.

Данные принимались и расшифровывались приёмным устройством (возможно, ноутбуком), который пациент был обязан носить в рюкзаке за спиной. Сначала алгоритм научили распознавать активность головного мозга в ответ на команды совершать те или иные движения ногами, а затем его обучили синхронизировать желания пациента двигать конечностями с сигналами, передаваемыми к спинному мозгу и дальше к целевым мышцам ног.

В результате обучения цифровой интерфейс помог пациенту делать то, что ему стало недоступно после травмы — ходить по пересечённой местности и удерживать баланс с костылями. Платформа работала хорошо также в домашних условиях, а не только под присмотром врачей. Более того, часть путей нейронов в головном мозге смогла перестроиться, и пациент ряд действий мог совершать даже без искусственной стимуляции. Когда-нибудь, отмечают исследователи в своей статье в Nature, подобные технологии смогут вернуть к активной жизни людей с травмами позвоночника. Если это работает на одном пациенте, то может быть повторено с другими.

Новые компьютерные технологии обещают головокружительные перспективы в области помощи людям с поражениями мозга или нервной системы. Пока такие решения не очень чувствительные и весьма громоздкие, и это лишь вопрос времени, когда они станут доступны широкому кругу пациентов. Приблизить этот момент могут системы искусственного интеллекта, которые на принципе самообучения способны кратно повысить чувствительность мозговых интерфейсов.

Мозг шлёт телеграммы. Источник изображения: Jerry Tang/Martha Morales/The University of Texas at Austin

Очередной шаг в направлении неинвазивных методов регистрации мыслей сделали учёные из Техасского университета в Остине, представив семантический декодер. Они использовали метод функциональной магнитно-резонансной томографии (фМРТ) для регистрации активности головного мозга пациентов, которую с помощью ИИ — машинного обучения на больших языковых моделях, подобных GPT от Open AI — транслировали в образы с помощью текстовых сообщений. Проще говоря, модель прямым текстом в чате сообщала всё то, о чём в данный момент думает человек. Но при этом всё не так просто.

Во-первых, описание было тем точнее, чем охотнее пациент сотрудничал с учёными. Это, кстати, предотвращает насильственное чтение мыслей. Если вы не хотите выдавать «мысли» — думайте о чём-то другом. Во-вторых, данные интерпретировались правильно только в том случае, если ИИ обучался на конкретном пациенте. В частности, каждый из испытуемых в течение 16 часов прослушивал устную речь, в процессе чего модель изучала активность его мозга. Если же ИИ пытался расшифровать мысли, не обучаясь на мозговой активности подопытного, то результаты были неразборчивыми.

«Мы очень серьёзно относимся к опасениям, что это может быть использовано в плохих целях, и постарались этого избежать, — сказал Джерри Танг (Jerry Tang), ведущий автор исследования. — Мы хотим убедиться, что люди используют подобные технологии только тогда, когда они этого хотят, и что это им помогает».

Предложенное решение опирается на то, что в процессе создания образов в голове и, в частности, словесных конструкций уровень кислорода повышается там и тогда, когда мозг реагирует на что-то определённое. Это может быть как визуализация (ниже показан пример дешифровки с помощью ИИ активности мозга при просмотре ролика без звука), а также собственные мысли пациента. Прибор фМРТ регистрирует такие области, а машинное обучение связывает их с образами и транслирует в понятный всем текст.

Результат не является дословным пересказом мыслей. Вместо этого исследователи разработали систему таким образом, чтобы она улавливала суть сказанного или продуманного, и система работает, хотя и несовершенно. Примерно в половине случаев, когда дешифратор обучен отслеживать мозговую активность участника, машина выдает текст, близко (а иногда и точно) соответствующий смыслу исходных слов.

Например, в ходе экспериментов участник слышал фразу «У меня еще нет водительских прав», которую декодер переводил свои «Она еще даже не начала учиться водить». Слова «Я не знала, что делать: кричать, плакать или убегать. Вместо этого я сказала: "Оставь меня в покое!"» были расшифрованы как «Начала кричать и плакать, а потом просто сказала: "Я же сказала тебе оставить меня в покое"».

Скорость такой регистрации низкая — уровень кислорода повышается и понижается в течение 10 секунд. За это время человек успевает услышать около 20 слов. Фактически это сегодняшний уровень расшифровки образов. На каждый образ, который можно декодировать исходя из зарегистрированной таким образом активности головного мозга человека, требуется интервал примерно в 20 слов.

Платформа фМРТ требует работы в лабораторных условиях, что не годится для её массового применения. Исследователи считают перспективным другой подход, который даёт тот же результат — это функциональная спектроскопия в ближней инфракрасной области (fNIRS). Датчики fNIRS компактные и в этом плане удобные. Они фиксируют активность кровотока в головном мозге и поэтому могут опираться на тот же принцип и ту же модель обучения, что и в случае фМРТ. Возможно, это станет следующим шагом в исследованиях научной группы.