Beyin-bilgisayar arayüzleri (BBA) insanın nöral aktivitelerini ölçen, bu nöral aktiviteleri çıktı komutlarına dönüştüren ve bu sayede bilgisayar imleci gibi dijital araçları kontrol etmeye yarayan bir teknolojidir. Bu teknoloji kullanılarak protez kol, protez bacak gibi araçlar da hareket ettirilebilir. BBA’lar günümüzde genellikle motor disfonksiyonlu, paralize ve “locked-in” sendromlu hastalarda kullanılmaktadır ancak bu teknolojinin gelecekte çok daha geniş bir kullanım alanına ulaşacağı, sağlıklı insanların da hayatlarının birer parçası haline geleceği tahmin edilmektedir. Bunun sağlanabilmesi için ise bu sistemlerin gerçek hayatın hızına yetişebilmesi, çok daha etkili bir şekilde çalışabilmesi gereklidir. BBA’ların etkili bir şekilde çalışabilmesi için kullanıcıdan birçok veri almaları ve bu verileri uzun süre çalışarak, öğrenerek, kalibre ederek işlemeleri gereklidir. Locked-in sendromlu hastaların bu nöral girdileri yeterli sayıda ve efektif olarak üretememeleri nedeniyle BBA’ların verimliliği düşmektedir.
İşte tam da bu noktada çoğu insanın genellikle kötü amaçlar için kullanıldığını düşündüğü “deepfake” kullanılarak bir çözüm üretilebilir. Gerçek nöral girdiler yerine bilgisayarlar tarafından üretilen yapay sinyaller kullanılarak sistemin etkinliği artırılabilir mi? “Deepfake” oluşturmalarıyla tanınan GAN’lar (generative adversarial networks), deneme yanılma sürecinden geçerek neredeyse sınırsız sayıda yeni, benzer görüntü oluşturabilir. Bu bilgiden yola çıkarak araştırmacılar GNA’ların aynı zamanda gerçek dünyadaki verilerden ayırt edilemeyen sentetik nöral girdiler oluşturulmasında kullanılıp kullanılamayacağını sorguladılar.
Maymun kullanarak bir deney düzeneği tasarladılar. Maymunlardan biri yalnızca gerçek hayattan elde ettiği nöral girdileri kullanarak BBA kullandı, diğeri ise az miktarda gerçek hayat verisi ile GNA’lar tarafından oluşturulan sentetik verilerle BBA kullandı. Sonuç olarak sentetik verilerin kullanıldığı BBA sisteminin neredeyse 20 kat daha verimli çalıştığı ortaya çıktı. Araştırmacılardan Wen “1 dakikadan daha az gerçek veri ve sentetik verinin birlikte kullanımı en az 20 dakikalık gerçek verinin kullanımı ile eşdeğer etkinlikte çalışıyor.” dedi. Araştırmacı ayrıca bunun BBA’ların gelişiminde önemli bir kilometre taşı olduğunu belirtti. Ek olarak, bir deneysel oturumda eğitimden sonra, sistem sınırlı ek nöral veri kullanarak yeni oturumlara veya konulara hızla adapte oldu.
BBA’ların ötesinde, GAN tarafından oluşturulan sentetik veriler, eğitimi hızlandırarak ve performansı artırarak yapay zekanın veriye aç diğer alanlarında atılımlara yol açabilir.
(çeviridir)
Kaynakça:
1- https://www.sciencedaily.com/releases/2021/11/211118203621.htm
2- Wen, S., Yin, A., Furlanello, T., Perich, M. C., Miller, L. E. ve Itti, L. (2021). Rapid adaptation of brain–computer interfaces to new neuronal ensembles or participants via generative modelling. Nature Biomedical Engineering
Görseller:
1- https://robohub.org/long-term-control-of-brain-computer-interfaces-by-users-with-locked-in-syndrome/
2- https://www.als.org/blog/bringing-brain-computer-interfaces-home
3- https://www.hackster.io/news/deepfake-style-gan-tech-could-prove-key-to-improving-brain-computer-interface-training-cea42e8b1846
Yazar: Ahmet Şimşek
