[논문 리뷰] In the realm of hybrid Brain: Human Brain and AI

Hoda Fares, Margherita Ronchini외 3명|arXiv (Cornell University)|2022. 10. 04.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 논문은 뇌에 영감을 받은 뇌-컴퓨터 인터페이스(BI-BCIs)를 제안하며, 자극성 신경망(SNNs)과 이식 가능한 뉴모르픽 하드웨어를 통합하여 저전력, 실시간 다중 모odal 신경 신호 복원 및 피드백을 가능하게 한다. 뇌에 영감을 받은 인공지능과 피드백 루프 신경 인터페이스를 활용함으로써, BCI의 안정성, 효율성 향상과 함께 뇌의 깊은 구조에 대한 접근성을 높여 신경계 및 정신질환의 진단 및 치료에 기여한다.

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.

연구 동기 및 목표

• 더 나은 뇌-컴퓨터 상호작용을 위한 피드백 루프, 지능형, 저전력, 소형화된 신경 인터페이스 개발
• 특히 자극성 신경망(SNNs)을 포함한 뇌에 영감을 받은 인공지능을 고급 뇌-컴퓨터 인터페이스(BCIs)와 통합하기
• 뉴모르픽 하드웨어와 SNN 기반 처리를 통해 뇌의 깊은 영역에 대한 접근성 향상 및 뉴런 역학에 대한 이해 심화
• 하이브리드 인간 뇌-AI 시스템을 통해 신경계 및 정신질환의 진단, 예측 및 치료 능력 향상
• 다중 모달 신경 신호 해석 및 동적 피드백 메커니즘을 통해 BCI의 안정성 및 시스템 효율성 향상

제안 방법

• 실시간으로 복잡한 다중 모달 신경 신호를 해석하기 위해 자극성 신경망(SNNs) 활용
• 생물학적 신경 계산 방식을 모방하는 저전력 환경에서 효율적인 신경 데이터 처리를 위한 뉴모르픽 하드웨어 활용
• 해석된 신경 활동과 SNN 기반 모델에 기반한 동적 피드백을 제공하는 피드백 루프 시스템 설계
• SNNs를 활용해 시간, 주파수, 위상 차원을 신경 신호 처리에 통합하여 생물학적 뉴런 역학 반영
• 이식 가능한 뉴로테크놀로지와 AI를 융합하여 장기적이고 안정적이며 고해상도의 뇌 신호 모니터링 및 조절 기능 구현
• 뇌에 영감을 받은 인공지능 기법을 활용해 뇌 내 복잡한 정보 처리를 모델링하고 인코딩하여 BCI 성능 향상

실험 결과

연구 질문

• RQ1 자극성 신경망(SNNs)은 뇌-컴퓨터 인터페이스에서 다중 모달 신경 신호를 효과적으로 복원하고 해석하는 데 어떻게 활용될 수 있는가?
• RQ2 SNNs와 함께 뉴모르픽 하드웨어를 사용할 경우 저전력, 실시간 신경 신호 처리에 어떤 이점이 있는가?
• RQ3 피드백 루프, 지능형 신경 인터페이스는 임상 적용을 위한 BCI의 안정성과 효율성을 어떻게 향상시킬 수 있는가?
• RQ4 뇌에 영감을 받은 인공지능 기법은 신경 인터페이스 시스템에서 깊은 뇌 구조에 대한 접근성과 이해를 어떻게 향상시킬 수 있는가?
• RQ5 SNNs는 생물학적 신경계에서 정보의 동적이고 시간에 민감한 처리를 모델링하는 데 어떤 역할을 하는가?

주요 결과

• 자극성 신경망(SNNs)과 뉴모르픽 하드웨어의 통합은 복잡한 신경 신호의 효율적이고 저전력 처리를 가능하게 한다.
• SNNs는 생물학적 뉴런의 시간적, 주파수적, 위상적 역학을 효과적으로 포착하여 신경 신호 해석의 정밀도를 향상시킨다.
• SNNs를 활용한 피드백 루프 BI-BCI 시스템은 전통적인 BCI 아키텍처에 비해 운영 안정성과 시스템 효율성이 향상됨을 입증하였다.
• 제안된 BI-BCI 프레임워크는 고유수의 뇌 영역에 대한 더 깊은 접근을 가능하게 하여 신경계 및 정신질환의 진단 및 치료 잠재력 확장
• 특히 SNNs를 포함한 뇌에 영감을 받은 인공지능 기법은 다중 모달 신경 정보의 인코딩 및 통합을 위한 확장 가능하고 생물학적으로 타당한 방법을 제공한다.
• AI와 이식 가능한 BCIs의 융합은 실시간 피드백 기능을 갖춘 지능적이고 적응형이며 최소 침습적인 신경 인터페이스의 길을 열어 놓았다.