[論文レビュー] In the realm of hybrid Brain: Human Brain and AI

Hoda Fares, Margherita Ronchini+3 more|arXiv (Cornell University)|Oct 4, 2022

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本論文は、スパikingニューラルネットワーク（SNNs）と埋め込み型ニューモルフィックハードウェアを統合することで、低消費電力でリアルタイムにマルチモーダルな神経信号を復号・フィードバック可能な脳にインspiredされた脳-コンピュータインターフェース（BI-BCI）を提案する。脳にインスパイアされたAIとクローズドループ神経インターフェースを活用することで、神経障害および精神的疾患の診断・治療のための、BCIの安定性、効率性、および深部脳構造へのアクセスが向上する。

ABSTRACT

With the recent developments in neuroscience and engineering, it is now possible to record brain signals and decode them. Also, a growing number of stimulation methods have emerged to modulate and influence brain activity. Current brain-computer interface (BCI) technology is mainly on therapeutic outcomes, it already demonstrated its efficiency as assistive and rehabilitative technology for patients with severe motor impairments. Recently, artificial intelligence (AI) and machine learning (ML) technologies have been used to decode brain signals. Beyond this progress, combining AI with advanced BCIs in the form of implantable neurotechnologies grants new possibilities for the diagnosis, prediction, and treatment of neurological and psychiatric disorders. In this context, we envision the development of closed loop, intelligent, low-power, and miniaturized neural interfaces that will use brain inspired AI techniques with neuromorphic hardware to process the data from the brain. This will be referred to as Brain Inspired Brain Computer Interfaces (BI-BCIs). Such neural interfaces would offer access to deeper brain regions and better understanding for brain's functions and working mechanism, which improves BCIs operative stability and system's efficiency. On one hand, brain inspired AI algorithms represented by spiking neural networks (SNNs) would be used to interpret the multimodal neural signals in the BCI system. On the other hand, due to the ability of SNNs to capture rich dynamics of biological neurons and to represent and integrate different information dimensions such as time, frequency, and phase, it would be used to model and encode complex information processing in the brain and to provide feedback to the users. This paper provides an overview of the different methods to interface with the brain, presents future applications and discusses the merger of AI and BCIs.

研究の動機と目的

• より良い脳-コンピュータ相互作用を実現するための、クローズドループ型で知能的かつ低消費電力で小型化された神経インターフェースの開発。
• 特にスパikingニューラルネットワーク（SNNs）を含む脳にインスパイアされた人工知能を、先進的な脳-コンピュータインターフェース（BCIs）と統合すること。
• ニューモルフィックハードウェアとSNNベースの処理を活用することで、脳領域への深部アクセスを可能にし、神経動態の理解を向上させること。
• ハイブリッド人間脳-AIシステムを用いて、神経疾患および精神的疾患の診断・予測・治療能力を強化すること。
• マルチモーダル神経信号の解釈と動的フィードバックメカニズムを通じて、BCIの安定性とシステム効率を向上させること。

提案手法

• リアルタイムで複雑なマルチモーダル神経信号を解釈するためにスパikingニューラルネットワーク（SNNs）を活用する。
• 生物学的神経計算を低消費電力環境で模倣するため、神経データを効率的に処理するニューモルフィックハードウェアを用いる。
• 復号された神経活動とSNN駆動モデルに基づいた動的フィードバックを提供するクローズドループシステムを設計する。
• SNNを用いて時間的、周波数的、位相的次元を神経信号処理に統合し、生物学的ニューロンのダイナミクスを捉える。
• インプラント可能な神経技術とAIを統合し、長期的で安定的かつ高分解能な脳信号モニタリングおよび変調を可能にする。
• 脳にインスパイアされたAI技術を活用して、脳における複雑な情報処理のモデリングと符号化を実現し、BCI性能の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 スパikingニューラルネットワーク（SNNs）は、脳-コンピュータインターフェースにおけるマルチモーダル神経信号の復号・解釈にどのように効果的に活用できるか？
• RQ2 SNNsと併用するニューモルフィックハードウェアが、低消費電力でリアルタイムの神経信号処理を実現する上で持つ利点は何か？
• RQ3 クローズドループ型で知的な神経インターフェースは、臨床応用におけるBCIの安定性と効率性をどのように向上させるか？
• RQ4 脳にインスパイアされたAI技術は、神経インターフェースシステムにおける深部脳構造へのアクセスと理解をどのように向上させるか？
• RQ5 SNNsは、BCIフィードバックのための生物学的神経系における動的で時間に敏感な情報処理をどのようにモデル化するか？

主な発見

• スパikingニューラルネットワーク（SNNs）とニューモルフィックハードウェアの統合により、複雑な神経信号の効率的で低消費電力な処理が可能になる。
• SNNsは生物学的ニューロンの時間的・周波数的・位相的ダイナミクスを効果的に捉え、神経信号解釈の忠実性が向上する。
• SNNsを用いたクローズドループ型BI-BCIシステムは、従来のBCIアーキテクチャと比較して、運用の安定性とシステム効率が向上している。
• 提案されたBI-BCIフレームワークにより、皮質下脳領域へのより深いアクセスが可能となり、神経疾患および精神的疾患の診断的・治療的潜在能力が拡大する。
• 脳にインスパイアされたAI技術、特にSNNsは、マルチモーダル神経情報の符号化と統合にスケーラブルで生物学的に妥当な方法を提供する。
• AIとインプラント可能なBCIの融合により、知能的で適応的かつ最小侵襲的な神経インターフェースの実現が可能となり、リアルタイムフィードバック機能が実現する。