Специалисты по машинному обучению из МФТИ разработали математическую модель, позволяющую наиболее эффективно анализировать большие массивы данных, поступающих от коры головного мозга на вживленный нейрочип. С ее помощью ученые надеются улучшить прогнозирование траектории движения руки парализованных людей на основе электрокортикограммы — совокупной электрической активности нейронов моторной (двигательной) коры. Помимо прочего, новая модель требует меньших объемов памяти и вычислений, что дает возможность совместить в нейрочипе процессор с датчиком и расположить его в черепной коробке, а также избежать вредного для нервной ткани перегрева устройства. Все вместе это приближает возможность создания полноценного экзоскелета для потерявших возможность самостоятельно передвигаться людей. Статья с описанием алгоритма опубликована в Expert Systems with Applications.
При повреждениях спинного мозга сигналы от головного мозга, управляющие движением конечностей, не доходят до мышц. Однако травмы могут произойти в разных отделах позвоночника, и чем выше они локализованы, тем большее количество мышц парализуется. Так, повреждение в районе поясницы лишает возможности контролировать ноги и таз, а разрыв в шейном отделе — дополнительно парализует туловище целиком и руки. Человек теряет возможность не только самостоятельно двигаться, но и элементарно себя обслуживать.
В настоящий момент разрабатывается несколько подходов к реабилитации таких пациентов, и наиболее многообещающими являются интерфейсы мозг-компьютер. Долгое время они были исключительно внешними: у перенесших травмы спинного мозга снимали электроэнцефалограмму с поверхности скальпа, ее обрабатывал переносной компьютер и передавал команды на стимулирующее мышцы устройство или экзоскелет. С помощью такой системы, например, научили ходить больного параплегией. Но наиболее эффективными себя показали вживляемые напрямую в мозг нейрочипы. С их помощью буквально за шесть дней удавалось вернуть подвижность задним лапам обезьян после экспериментальных травм спинного мозга в поясничном отделе.
Пример эксперимента, в котором пациенты перемещали три блока вдоль граней квадрата 25×25 см один за другим, при этом у них параллельно записывалась электрокортикограмма. Изображение: пресс-служба МФТИ
Нейроимпланты питаются от компактной батарейки c беспроводной зарядкой. В них есть процессор, обрабатывающий сигналы мозга, и радиопередатчик, транслирующий результаты их обработки. Так как мозг генерирует большое количество информации, устройство сильно нагревается в процессе работы, что делает его опасным в использовании для лечения людей. Поэтому специалисты из МФТИ решили оптимизировать алгоритм обработки данных, чтобы снизить требуемые вычислительные ресурсы.
Главная задача модели — восстановить ожидаемые движения конечностей по сигналам электрокортикограммы, например спрогнозировать траекторию движения руки, когда пациент мысленно представляет себе ее естественное действие. В этот момент датчики-электроды регистрируют электрическую активность нейронов. Она имеет определенную частоту и амплитуду, меняющуюся в каждый конкретный момент времени. На основании их количественных значений строится многомерное пространство, где по оси X откладывается момент времени, по оси Y — номер электрода, а по оси Z — частота, также отдельно учитывается и амплитуда сигнала. Таким образом формируется многомерный массив данных, пригодный для многопоточного анализа (multiway data analysis).
Для каждого электрода интервал снимаемого сигнала длительностью в одну секунду претерпевает преобразование и получает описание как признака в амплитудно-частотном пространстве (амплитуда показана цветом). Слева — траектория движения конечности, в центре сигналы с электродов, а справа — описание признаков. Изображение: пресс-служба МФТИ
Далее на массиве данных производится отбор наиболее значимых признаков, релевантных именно для того или иного движения рукой. К таковым относится история изменения сигнала электрокортикограммы по каждому электроду. Она также является временным рядом — вектором в линейном пространстве. Таким образом любой признак — это вектор. А прогноз траектории движения руки получается в виде линейной комбинации векторов-признаков, их взвешенной суммы. Для нахождения наилучших весов в модели, которые бы давали лучший прогноз, ученые предложили использовать квадратичное программирование (quadratic programming feature selection).
Каждая точка соответствует электроду. Цвет точки соответствует сходству сигнала электрода и траектории движения конечности. Траектория показана в трех проекциях на оси пространства физического эксперимента. Видно, что для каждой оси имеется свой набор электродов, с помощью которых восстанавливается траектория. Этот набор изменяется со временем. Изображение: пресс-служба МФТИ
С его помощью удалось решить главную проблему — снизить размерность пространства признаков и оптимизировать их набор. Теперь в модели учитываются только максимально попарно различные признаки, а их комбинация лучше всего приближает целевой вектор. Таким образом, учитывая взаимное расположение датчиков, авторы построили простую и устойчивую модель, потребляющую меньшее количество вычислительных ресурсов, но достаточно точную и сравнимую с альтернативами по качеству прогноза.
Каждый вектор на схеме соответствует признаку. Требуется спрогнозировать или приблизить целевой вектор Y в виде комбинации, взвешенной суммы, других векторов. Число векторов определяет сложность модели. Первый и второй векторы дают хорошее приближение, но такое решение неустойчиво, так как векторы похожи: угол между ними невелик. Пятый и шестой векторы находятся друг к другу под прямым углом и могут дать устойчивое решение, но они также находятся под прямым углом к целевому вектору, их комбинация не может приблизить целевой вектор. Третий и четвертый векторы различны, их комбинация дает устойчивое и точное приближение
Исследователи проверили свою модель на наборах данных, полученных в экспериментах с двумя макаками-резус, где в процессе кормления им активно приходилось делать разнообразные хватательные движения. Как и ожидалось, российский алгоритм оказался более экономичным, при сравнимой точности прогнозов траектории движения конечностей подопытных животных.
«В своей работе для прогнозирования траектории движения конечности мы обратились к линейной алгебре. Мы предпочли линейные модели нейросетям, поскольку параметры линейной модели оптимизируются за существенно меньшее число операций. Это соответствует ограничениям, которые накладывают невысокая производительность и малая память устройства. Мы решали задачу построения такой модели, которая была бы проста (имела бы относительно небольшое число параметров), устойчива (при незначительном изменении параметров качество прогноза существенно не меняется) и точна (прогнозируемое движение конечности должно адекватно приближать естественное физическое). Поэтому мы прогнозируем траекторию движения конечностей как линейную комбинацию признаковых описаний электрокортикограммы», — рассказывает главный научный сотрудник лаборатории машинного интеллекта МФТИ Вадим Стрижов.
Источник контента: nformio.ru
