KI-Algorithmus kann Gehirnmuster für spezifische Verhaltensweisen identifizieren

MÜNCHEN (IT BOLTWISE) – Forscher der University of Southern California haben einen neuen KI-Algorithmus entwickelt, der Gehirnmuster erkennen kann, die mit spezifischen Verhaltensweisen in Zusammenhang stehen. Dies könnte große Fortschritte bei Gehirn-Computer-Schnittstellen sowie der Entdeckung neuer Gehirnmuster bringen.

Wissenschaftler der University of Southern California (USC) haben einen bahnbrechenden KI-Algorithmus entwickelt, der in der Lage ist, Gehirnmuster zu trennen, die mit bestimmten Verhaltensweisen in Verbindung stehen. Diese Technologie könnte wichtige Fortschritte in der Entwicklung von Gehirn-Computer-Schnittstellen erzielen und zur Entdeckung neuer Gehirnmuster führen. Die Forschungsergebnisse wurden kürzlich in der Zeitschrift *Nature Neuroscience* veröffentlicht.

Maryam Shanechi, Inhaberin des Sawchuk-Lehrstuhls für Elektrotechnik und Informatik und Gründerin des USC Center for Neurotechnology, und ihr Team entwickelten diesen Algorithmus, der als „DPAD“ (Dissociative Prioritized Analysis of Dynamics) bezeichnet wird. Die Herausforderung bestand darin, Gehirnmuster, die mit einer spezifischen Handlung – wie etwa Armbewegungen – zusammenhängen, von anderen, gleichzeitig stattfindenden Gehirnaktivitäten zu unterscheiden.

Diese Trennung ist entscheidend, um Gehirn-Computer-Schnittstellen zu entwickeln, die Bewegungen bei gelähmten Patienten wiederherstellen können. Patienten, die beispielsweise eine Bewegung ausführen möchten, können diese nicht an ihre Muskeln übermitteln. Gehirn-Computer-Schnittstellen sollen daher die geplante Bewegung direkt aus der Gehirnaktivität decodieren und in eine Handlung eines externen Geräts, wie eines Robotik-Arms oder eines Computer-Cursors, umsetzen.

Das DPAD-Algorithmus von Shanechi und ihrem ehemaligen Doktoranden Omid Sani, nun Forscher in ihrem Labor, adressiert genau diese Herausforderung.

„Unser KI-Algorithmus trennt Gehirnmuster, die mit einem Verhalten wie einer Armbewegung verbunden sind, von allen anderen gleichzeitigen Gehirnaktivitäten,“ erklärte Shanechi. „So können wir Bewegungen aus Gehirnaktivität genauer als bisherige Methoden decodieren, was Gehirn-Computer-Schnittstellen erheblich verbessern kann. Darüber hinaus kann unsere Methode neue, bisher unentdeckte Gehirnmuster erkennen.“

Ein wesentlicher Aspekt des DPAD-Algorithmus ist, dass er während des Trainings auf neuronalen Netzen zunächst nach Mustern sucht, die mit dem Verhalten im Zusammenhang stehen, bevor er die übrigen Muster lernt. So wird verhindert, dass andere Muster die verhaltensbezogenen Muster überdecken oder verfälschen.

Neben Bewegungen bietet der Algorithmus auch die Flexibilität, zukünftig mentale Zustände wie Schmerz oder depressive Verstimmungen zu decodieren. Dies könnte helfen, psychische Erkrankungen besser zu behandeln, indem Symptomverläufe verfolgt und Therapien präziser auf den jeweiligen Patienten abgestimmt werden.

„Wir freuen uns darauf, unser System weiterzuentwickeln, um Symptomzustände bei psychischen Erkrankungen zu verfolgen“, sagte Shanechi. „Dies könnte dazu führen, dass Gehirn-Computer-Schnittstellen nicht nur bei Bewegungsstörungen und Lähmungen, sondern auch bei psychischen Erkrankungen Anwendung finden.“