Meta AI presenta Brain2qwerty: un nuevo modelo de aprendizaje profundo para decodificar las oraciones de la actividad cerebral con EEG o MEG, mientras que los participantes escribieron oraciones brevemente memorizadas en un teclado QWERTY

Las interfaces de computadoras cerebrales (BCIS) han visto un progreso significativo en los últimos años, ofreciendo soluciones de comunicación para individuos con discapacidades de habla o motores. Sin embargo, los BCI más efectivos dependen de métodos invasivos, como electrodos implantados, que plantean riesgos médicos, incluidas la infección y los problemas de mantenimiento a largo plazo. Se han explorado alternativas no invasivas, particularmente aquellas basadas en electroencefalografía (EEG), pero sufren de baja precisión debido a una mala resolución de la señal. Un desafío clave en este campo es mejorar la fiabilidad de los métodos no invasivos para el uso práctico. La investigación de Meta AI en Brain2qwerty presenta un paso para abordar este desafío.

Meta AI presenta Brain2qwertyuna red neuronal diseñada para decodificar oraciones de la actividad cerebral registrada utilizando EEG o magnetoencefalografía (MEG). Los participantes en el estudio escribieron oraciones memorizadas en un teclado Qwerty mientras se registró su actividad cerebral. A diferencia de los enfoques anteriores que requirieron que los usuarios se centraran en estímulos externos o movimientos imaginados, Brain2werty aprovecha los procesos motores naturales asociados con la escritura, ofreciendo una forma potencialmente más intuitiva de interpretar la actividad cerebral.

Arquitectura modelo y sus beneficios potenciales

Brain2qwerty es un red neuronal de tres etapas Diseñado para procesar señales cerebrales e inferir texto mecanografiado. La arquitectura consiste en:

1. Módulo convolucional: Extrae características temporales y espaciales de las señales EEG/MEG.
2. Módulo de transformador: Procesa secuencias para refinar representaciones y mejorar la comprensión contextual.
3. Módulo de modelo de idioma: Un modelo de lenguaje de nivel de carácter previo al carácter corrige y refina las predicciones.

Al integrar estos tres componentes, Brain2Qwerty logra una mejor precisión que los modelos anteriores, mejorando el rendimiento de decodificación y reduciendo los errores en la traducción del cerebro a texto.

Evaluar el rendimiento y los hallazgos clave

El estudio midió la efectividad de Brain2Qwerty utilizando Tasa de error de carácter (CER):

• Decodificación basada en EEG resultó en un 67% CERindicando una alta tasa de error.
• Decodificación basada en meg realizado significativamente mejor con un 32% CER.
• Los participantes más precisos logrados 19% CERdemostrando el potencial del modelo en condiciones óptimas.

Estos resultados resaltan las limitaciones de EEG para la decodificación de texto precisa al tiempo que muestran el potencial de Meg para aplicaciones de cerebro a texto no invasivas. El estudio también encontró que Brain2Qwerty podría corregir errores tipográficos cometidos por los participantes, lo que sugiere que captura los patrones motores y cognitivos asociados con la tipificación.

Consideraciones y direcciones futuras

Brain2qwerty representa el progreso en BCI no invasivos, pero quedan varios desafíos:

1. Implementación en tiempo real: El modelo actualmente procesa oraciones completas en lugar de pulsaciones de teclas individuales en tiempo real.
2. Accesibilidad de la tecnología MEG: Mientras MEG supera al EEG, requiere equipos especializados que aún no sean portátiles o ampliamente disponibles.
3. Aplicabilidad a las personas con discapacidad: El estudio se realizó con participantes sanos. Se necesita más investigación para determinar qué tan bien se generaliza a aquellos con trastornos motoros o del habla.

Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos Gorjeo y únete a nuestro Canal de telegrama y LinkedIn GRsalpicar. No olvides unirte a nuestro 75k+ ml de subreddit.

🚨 Plataforma de IA de código abierto recomendada: ‘Intellagent es un marco múltiple de código abierto para evaluar el complejo sistema de IA conversacional‘ _{(Promocionado)}