KI analysiert Bewegungsintentionen: Fortschritt in der Brain-Machine-Interface Technologie dank Künstlicher Intelligenz

KÖLN / MÜNCHEN (IT BOLTWISE) – Eine Künstliche Intelligenz, die Gehirnbilddaten nutzt, um Bewegungen vorherzusagen, könnte einen bedeutenden Schritt in der Entwicklung von Gehirn-Maschine-Schnittstellen darstellen.

Forschende der Universität Kobe haben eine Künstliche Intelligenz entwickelt, die vorhersagen kann, ob sich eine Maus bewegt oder nicht, basierend auf Daten der Gehirnfunktionsbildgebung. Dieses Verfahren leuchtet in die „Black Box“ der KI hinein und könnte wesentlich zur Entwicklung von Technologien für Gehirn-Maschine-Schnittstellen beitragen.

Für die Produktion solcher Schnittstellen ist es essenziell, die Verbindung zwischen Gehirnsignalen und den resultierenden Aktionen zu verstehen, ein Prozess, der als „neurale Dekodierung“ bezeichnet wird. Die bisherige Forschung in diesem Bereich konzentrierte sich hauptsächlich auf die elektrische Aktivität von Gehirnzellen, die durch im Gehirn implantierte Elektroden gemessen wird. Im Gegensatz dazu können funktionelle Bildgebungstechnologien, wie die funktionelle Magnetresonanztomografie (fMRT) oder die Kalziumbildgebung, das gesamte Gehirn überwachen und aktive Gehirnregionen durch Proxy-Daten sichtbar machen. Die Kalziumbildgebung bietet dabei eine schnellere und bessere räumliche Auflösung. Doch bisher blieben diese Datenquellen für die neurale Dekodierung weitgehend ungenutzt.

Eine besondere Herausforderung stellt die Notwendigkeit dar, die Daten vorzuverarbeiten, zum Beispiel durch Entfernung von Rauschen oder Identifizierung eines Interessenbereichs, was die Entwicklung eines generalisierten Verfahrens für die neurale Dekodierung verschiedener Verhaltensweisen erschwert.

AJIOKA Takehiro, Medizinstudent an der Universität Kobe, nutzte die interdisziplinäre Expertise des Teams um den Neurowissenschaftler TAKUMI Toru, um sich dieser Herausforderung zu stellen.

„Unsere Erfahrungen mit VR-basierter Echtzeitbildgebung und Bewegungserfassungssystemen für Mäuse sowie mit Techniken des tiefen Lernens ermöglichten es uns, ‚End-to-End‘-Methoden des tiefen Lernens zu erforschen, die keine Vorverarbeitung oder vordefinierte Merkmale erfordern. So konnten wir Informationen über die gesamte Hirnrinde für die neurale Dekodierung bewerten“, sagt Ajioka.

Sie kombinierten zwei verschiedene Algorithmen des tiefen Lernens, einen für räumliche und einen für zeitliche Muster, mit Ganzhirnfilmdaten von Mäusen, die ruhten oder auf einem Laufband liefen, und trainierten ihr KI-Modell darauf, aus den Cortex-Bilddaten genau vorherzusagen, ob die Maus sich bewegt oder ruht.

In der Fachzeitschrift PLoS Computational Biology berichten die Forscher der Universität Kobe, dass ihr Modell eine Genauigkeit von 95% bei der Vorhersage des wahren Verhaltenszustands der Tiere erreicht, ohne dass Rauschen entfernt oder ein Interessenbereich vordefiniert werden muss.

Zudem machte ihr Modell diese genauen Vorhersagen basierend auf nur 0,17 Sekunden Daten, was bedeutet, dass sie nahezu Echtzeitgeschwindigkeiten erreichen konnten. Dies funktionierte auch über fünf verschiedene Individuen hinweg, was zeigt, dass das Modell individuelle Merkmale herausfiltern konnte.

Die Neurowissenschaftler identifizierten dann, welche Teile der Bilddaten hauptsächlich für die Vorhersage verantwortlich waren, indem sie Teile der Daten löschten und die Leistung des Modells in diesem Zustand beobachteten. Je schlechter die Vorhersage wurde, desto wichtiger waren diese Daten.

„Die Fähigkeit unseres Modells, kritische kortikale Regionen für die Verhaltensklassifikation zu identifizieren, ist besonders aufregend, da sie den Deckel des ‚Black Box‘-Aspekts von Techniken des tiefen Lernens öffnet“, erklärt Ajioka.

Zusammenfassend haben das Team der Universität Kobe eine verallgemeinerbare Technik etabliert, um Verhaltenszustände aus Ganzhirn-Funktionsbilddaten zu identifizieren, und eine Technik entwickelt, um zu bestimmen, auf welchen Teilen der Daten die Vorhersagen basieren. Ajioka erklärt, warum dies relevant ist.

„Diese Forschung legt den Grundstein für die weitere Entwicklung von Gehirn-Maschine-Schnittstellen, die eine nahezu Echtzeit-Verhaltensdekodierung mit nicht-invasiver Gehirnbildgebung ermöglichen.“