Un sistema non invasivo basato sull’intelligenza artificiale traduce i segnali cerebrali in testo scritto.

Alcuni traumi fisici e patologie neurologiche possono compromettere temporaneamente o permanentemente la mobilità, impedendo ad alcune persone di parlare, digitare su una tastiera o utilizzare dispositivi elettronici. Le interfacce cervello-computer (BCI), sistemi in grado di decodificare i modelli di attività cerebrale e convertirli in comandi per il computer o testo scritto, potrebbero essere di grande utilità per i pazienti paralizzati.

Nonostante il loro potenziale, la maggior parte delle interfacce cervello-computer (BCI) più performanti sviluppate finora richiede che i pazienti si sottopongano a procedure chirurgiche invasive. Questi sistemi si basano in genere su piccoli sensori che devono essere impiantati sul cervello o al suo interno e che sono in grado di rilevare i segnali elettrici associati all’attività neurale.

I ricercatori di Meta, specializzata in intelligenza artificiale (IA), dell’Université PSL e della Fondazione Ospedaliera Adolphe de Rothschild, hanno recentemente introdotto un approccio non invasivo per la trascrizione dell’attività cerebrale in testo, che non richiede interventi chirurgici. Il loro metodo, presentato su Nature Neuroscience , combina un nuovo algoritmo di apprendimento profondo con registrazioni di elettroencefalografia (EEG) o magnetoencefalografia (MEG).

“Le neuroprotesi moderne possono ora ripristinare la comunicazione nei pazienti che hanno perso la capacità di parlare o muoversi”, hanno scritto Jarod Lévy, Mingfang Zhang e i loro colleghi nel loro articolo. “Tuttavia, l’impianto di questi dispositivi invasivi comporta rischi intrinseci alla neurochirurgia. Noi presentiamo un metodo non invasivo per decodificare la produzione di frasi dall’attività cerebrale e ne dimostriamo l’efficacia in un gruppo di volontari sani.”

Un sistema non invasivo per convertire l’attività cerebrale in testo

Lévy e i suoi colleghi hanno inizialmente reclutato 35 partecipanti senza patologie mediche o neuropsichiatriche note. Hanno chiesto a queste persone di memorizzare frasi specifiche e hanno registrato la loro attività cerebrale mentre digitavano le frasi su una tastiera standard.

Mentre i partecipanti digitavano le frasi, il team registrava la loro attività cerebrale utilizzando EEG e MEG, due tecniche non invasive. L’EEG misura l’attività elettrica del cervello tramite sensori posizionati sul cuoio capelluto, mentre la MEG è in grado di rilevare i minuscoli campi magnetici generati dai neuroni attivi grazie a un casco dotato di sensori ultrasensibili.

I ricercatori hanno quindi sviluppato un algoritmo di apprendimento profondo e lo hanno addestrato separatamente sulle registrazioni EEG e MEG raccolte. Durante l’addestramento, l’algoritmo ha imparato a prevedere i caratteri che i partecipanti stavano digitando basandosi esclusivamente sulla loro attività cerebrale.

“Presentiamo Brain2Qwerty, una nuova architettura di deep learning addestrata per decodificare frasi da segnali EEG o MEG, mentre i partecipanti digitavano brevemente frasi memorizzate su una tastiera QWERTY”, hanno spiegato gli autori. “Con i dati MEG, Brain2Qwerty raggiunge, in media, un tasso di errore sui caratteri del 29% e supera nettamente le prestazioni dell’EEG (tasso di errore sui caratteri: 65%). Per i partecipanti più performanti, il modello raggiunge un tasso di errore sui caratteri del 18% ed è in grado di decodificare perfettamente una varietà di frasi al di fuori del set di addestramento.”

Negli esperimenti del team, il modello è stato in grado di prevedere i caratteri digitati dai partecipanti con maggiore precisione a partire dalle registrazioni MEG rispetto a quelle EEG. Per alcuni partecipanti, il sistema è riuscito a prevedere i caratteri digitati con un tasso di errore del 18%, un risultato preliminare promettente.

Aumentare la sicurezza delle tecnologie di comunicazione cervello-testo

Questo studio evidenzia il potenziale delle interfacce cervello-computer (BCI) emergenti, potenziate dall’intelligenza artificiale, che non richiedono l’impianto chirurgico di elettrodi. In futuro, l’algoritmo di deep learning del team potrebbe essere ulteriormente migliorato per tradurre l’attività cerebrale in testo scritto con tassi di errore ancora più bassi.

“Nel complesso, questi risultati riducono il divario tra metodi invasivi e non invasivi e aprono quindi la strada allo sviluppo di interfacce cervello-computer sicure per pazienti non in grado di comunicare”, hanno scritto gli autori.

In definitiva, il recente lavoro di Lévy e dei suoi colleghi potrebbe contribuire alla creazione di tecnologie assistive più sicure che consentano alle persone con disabilità motorie di comunicare con gli altri o di utilizzare dispositivi digitali. I loro sforzi potrebbero anche ispirare lo sviluppo di ulteriori sistemi di intelligenza artificiale in grado di tradurre l’attività cerebrale registrata in modo non invasivo in testo scritto e, potenzialmente, in comandi per protesi o altre tecnologie assistive.

Abstract

Le moderne neuroprotesi possono oggi ripristinare la comunicazione nei pazienti che hanno perso la capacità di parlare o muoversi. Tuttavia, l’impianto di questi dispositivi invasivi comporta rischi intrinseci alla neurochirurgia. In questo studio presentiamo un metodo non invasivo per decodificare la produzione di frasi dall’attività cerebrale e ne dimostriamo l’efficacia in una coorte di 35 volontari sani. A tal fine, presentiamo Brain2Qwerty, una nuova architettura di deep learning addestrata per decodificare frasi da dati elettroencefalografici o magnetoencefalografici, mentre i partecipanti digitavano brevemente frasi memorizzate su una tastiera QWERTY. Con la magnetoencefalografia, Brain2Qwerty raggiunge, in media, un tasso di errore sui caratteri del 29% e supera di gran lunga l’elettroencefalografia (tasso di errore sui caratteri: 65%). Per i partecipanti più performanti, il modello raggiunge un tasso di errore sui caratteri del 18% ed è in grado di decodificare perfettamente una varietà di frasi al di fuori del set di addestramento. Nel complesso, questi risultati riducono il divario tra metodi invasivi e non invasivi e aprono quindi la strada allo sviluppo di interfacce cervello-computer sicure per pazienti non comunicativi.

by