[[436236]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

GAN這回玩了票大的，把手伸向了“人腦思維”。

沒錯，直接就是一個“合成思維”——生成用來喂給腦機接口的那種大腦活動數(shù)據(jù)。

作者表示，這是AI首次在該領(lǐng)域被應(yīng)用。

并且這項技術(shù)一舉把訓(xùn)練腦機接口系統(tǒng)提取、分析大腦信號的時間，提高了整整20倍。

此項研究來自南加大華人博士溫士賢團隊。

論文已發(fā)表在Nature子刊上。

而在我們與作者溫士賢的深入交談中，他表示會繼續(xù)推進相關(guān)研究：

這項研究成果未來可以用于諸多神經(jīng)解碼問題上，自己也會繼續(xù)在失眠、自閉癥、多動癥、阿茲海默癥等疾病的個性化的干預(yù)和阻斷上進行研究。

首次用AI合成“思維”

可是問題就來了，為什么要用AI去“偽造”神經(jīng)活動數(shù)據(jù)呢？

直接用人類的不好嗎？

還真不一定好。

比如，今年5月份登上Nature封面的意念打字研究，這位代號T5，全身癱瘓的老爺子是唯一的受試者：

模型所需的訓(xùn)練數(shù)據(jù)，就是這位老爺子在腦中一筆一畫“寫”出來的字母：

在腦海中想象文字的軌跡和手動書寫本來就難度不同，而模型需要的還不僅是幾個字母，而是大量重復(fù)的書寫數(shù)據(jù)。

要讓一位殘疾人每天花幾個小時去做重復(fù)任務(wù)，不僅辛苦，數(shù)據(jù)收集的速度和數(shù)據(jù)集最終的大小自然都非常有限。

而在要讓算法解讀神經(jīng)活動信號的腦機接口，本身也是一個機器學(xué)習(xí)問題。

因此，算法效果當(dāng)然會依賴于巨量訓(xùn)練數(shù)據(jù)的支撐，而在實際實驗中，真不一定弄得到那么多數(shù)據(jù)。

就算有充足的可用數(shù)據(jù)，不同受試對象的神經(jīng)元信號也存在差異。

一個人的數(shù)據(jù)訓(xùn)練出來的解碼算法要應(yīng)用到另一個人身上，就必須重頭再來。

除此之外，就算是同主體上的解碼算法的效果，也會隨著時間推移而變差，需要定期重新校準(zhǔn)。

更何況，有些最需要腦機接口幫助的殘障人士，因神經(jīng)系統(tǒng)損壞已經(jīng)無法發(fā)送相應(yīng)的信號了。

那么，要如何解決或者改善上面這些問題呢？

溫士賢博士表示：

GAN就完事兒了。

讓猴子玩貪吃蛇

這次研究的被試者是兩只小猴子，它們需要完成的任務(wù)很簡單。

屏幕上會有物體在隨機位置出現(xiàn)，小猴子要用搖桿控制屏幕上的光標(biāo)去接觸這個物體。

結(jié)合論文的配圖一看，大概類似于貪吃蛇？

小猴子手臂處植入的電極陣列會采集神經(jīng)的運動控制（Motor Control）信號。

初級運動皮層的神經(jīng)元會以1-2毫秒間隔釋放100毫伏左右的間歇性脈沖，神經(jīng)元每次激發(fā)就會產(chǎn)生一個峰值。

這種活動模式被叫做峰電位序列 （Spike Train）。

研究人員先用雙向LSTM網(wǎng)絡(luò)設(shè)計了GAN中的生成器和鑒別器，用采集到的神經(jīng)數(shù)據(jù)加上隨機高斯噪聲來合成新的數(shù)據(jù)。

研究要解決的關(guān)鍵問題，是如何只用少量真實采集的數(shù)據(jù)來生產(chǎn)可用的合成數(shù)據(jù)。

對于神經(jīng)信號來說，合成數(shù)據(jù)的可用性面臨兩個問題：

不同個體產(chǎn)生的信號有不同模式，就連同一個體在不同時間的神經(jīng)信號也會不同。

而之前的步驟就相當(dāng)于預(yù)訓(xùn)練，下一步就是針對這些情況來微調(diào)。

結(jié)合另一只猴子或同一只猴子在不同時間采集的數(shù)據(jù)來作微調(diào)，最終產(chǎn)生大量可適用于不同情況的峰電位序列。

最后一步就是驗證用少量真實數(shù)據(jù)+大量合成的數(shù)據(jù)訓(xùn)練腦機接口解碼器，以驗證效果。

最終他們只用不到1分鐘的真實數(shù)據(jù)加上合成數(shù)據(jù)，就能當(dāng)20分鐘的真實數(shù)據(jù)用。

論文最后提到，雖然這次研究只實驗了猴子的運動控制信號，不過研究所用的方法是純數(shù)據(jù)驅(qū)動的，不對運動控制問題有額外的設(shè)計。

換句話說，這篇論文提出的方法是通用的，如果用于其他神經(jīng)的編碼解碼問題，只需要做最小限度的修改即可。

論文第一作者溫士賢在與杜克大學(xué)腦機接口專家Miguel Nicolelis合作的另一項研究中還做了讓小猴子玩跑步機的實驗。

溫士賢表示，這是AI第一次用于合成思維或運動信號，能推進腦機接口技術(shù)的進一步應(yīng)用落地。

不過還有最后一個問題，以猴子為實驗對象做出來的方法能不能遷移到人類身上？

在與量子位的交流中，溫士賢認(rèn)為僅從解碼算法的角度來看問題不大，研究中已經(jīng)考慮到了這一點。

更多的問題是腦機接口硬件和材料的設(shè)計問題，比如設(shè)備和人類生物細(xì)胞的兼容度，還有采集芯片怎么快速和安全地植入到正確的位置等。

“腦機接口的重點還是科學(xué)”

論文的一作溫士賢本科畢業(yè)于北京交通大學(xué)，現(xiàn)在是一名南加州大學(xué)維特比工程學(xué)院的博士生，就讀于計算機系，主要研究方向是AI和神經(jīng)科學(xué)。

而他的導(dǎo)師是南加州大學(xué)的計算機科學(xué)，心理學(xué)和神經(jīng)科學(xué)的教授，CS系副主任Laurent Itti。

Laurent Itti主要研究視覺注意、場景理解、眼球運動控制等領(lǐng)域，同時也是多個開源的神經(jīng)形態(tài)視覺軟件工具包的開發(fā)者。

腦機接口其實并不是導(dǎo)師Itti的主要研究方向，神經(jīng)科學(xué)一開始只是溫士賢自己的興趣。

在研究生期間，又一次他看到杜克大學(xué)腦機接口專家Miguel Nicolelis教授著名的TED演講，介紹了他們?nèi)绾斡媚X機接口幫助一個癱瘓青年用意念在巴西足球世界杯上開了第一球。

后來更是有機會到Nicolelis教授的實驗室實習(xí)。

這算是我第一次和腦機接口“結(jié)緣”。

而這次的論文是溫士賢自己拉來日內(nèi)瓦大學(xué)和美國西北大學(xué)的研究者一起合作完成。

現(xiàn)在，溫士賢即將博士畢業(yè)，而他也選擇繼續(xù)在AI+神經(jīng)科學(xué)的方向從業(yè)。

目前他已經(jīng)面試了一些國內(nèi)的大學(xué)和研究機構(gòu)，以及當(dāng)紅的腦機接口公司，已經(jīng)拿到一些不錯的Offer。

而關(guān)于腦機接口，神經(jīng)科學(xué)的行業(yè)現(xiàn)狀和趨勢，溫士賢表示：

腦科學(xué)的市場本身有巨大的需求，比如Neuralink的腦疾病治療、Apple的mental health評估、Meta的Ctrl lab在元宇宙中改善人機交互的硬件等等。

所以它的重點還是科學(xué)，而不是比誰的市場化做得更好。

因此，這種商業(yè)模式是最有利于我們這種科研人員創(chuàng)業(yè)的。

論文地址：
https://www.nature.com/articles/s41551-021-00811-z