Skip to main content

Yapay Sinir Ağları Düşünceleri Nasıl Okur – Felçli Bacaklara Hareketi Nasıl Geri Getirir

2010 yılında Kuzey Carolina kıyılarından arkadaşlarıyla Atlantik Okyanusu’na dalarken, o zaman bir üniversite öğrencisi olan Ian Burkhart, göğüs hizasından aşağısını felce uğratacak yıkıcı bir omurilik yaralanması geçirdi.

Ancak sinir ağları ile güçlendirilmiş bir beyin-bilgisayar arayüzü ile artık sağ elini kullanarak nesneleri toplayıp, herhangi bir bardağa sıvı doldurabiliyor ve Guitar Hero oynayabilir.

Burkhart, Ohio State Üniversitesi ve yakınlardaki bağımsız bir araştırma ve geliştirme kuruluşu olan Battelle tarafından yürütülen klinik bir araştırmaya katılan ilk kişi.

Ian Burkhart, Ohio State Üniversitesi’nin Wexner Tıp Merkezi’nde bir gitar oyunu oynuyor.

Burkhart’ın beynine yerleştirilen bir Blackrock Microsystems mikroçipi, Battelle’de geliştirilen algoritmalarla çalışan bir bilgisayara bağlanıyor. Algoritmalar sinirsel aktivitesini yorumlayıp sağ elindeki bir elektrot kılıfına sinyal gönderiyor. Battelle’de de bulunan kola takılan bu kılıf, kolundaki sinirleri ve kasları belirli bir el hareketini ortaya çıkarmak için uyarıyor.

Şimdilik, Burkhart sadece NeuroLife adındaki sistemi, Ohio Eyaletinde bulunan bir laboratuardayken kullanabiliyor. Ancak nihai amaç, NeuroLife’ın kullanıcının, kendi evinde rahatça kullanacak kadar taşınabilir hale gelmesidir.

Battelle’deki kıdemli araştırma istatistikçisi ve yazar Nature Medicine’de yayınlanan son makalelerinde “Evdeki insanlar NeuroLife sistemini yemek yemek, dişlerini fırçalamak ve giyinmek gibi günlük işler için kullanabilirlerse bu, bağımsız yaşama yetenekleri üzerinde büyük bir etki yaratacaktır” dedi.

“Kullanıcının ve bakıcısının ayarlayabileceği ve her şeyin çalışmasını sağlamak için odada bir sürü doktora ve mühendise gerek kalmayacak kadar kolay hale getirmek istiyoruz” dedi.

Yapay Sinir Ağları Sinir Sinyallerini Okuyor

Yapay Zeka ile protez ellerden işitme cihazlarına kadar çok çeşitli yardımcı teknoloji araçları geliştirilmektedir. Derin öğrenme modelleri, konuşma bozukluğu olan bireyler için sentezlenmiş bir ses sağlayabilir, görme engellilerin görmesine yardımcı olabilir ve işaret dilini metne çevirebilir.

Yardımcı cihaz geliştiricilerin derin öğrenmeye dönmesinin bir nedeni, gürültülü sinyalleri – beyindeki elektriksel aktiviteyi deşifre etmekte başarılı sonuçlar vermesidir.

Bir NVIDIA Quadro GPU kullanarak, derinlemesine bir sinirsel kod çözücü – sinirsel aktiviteyi amaçlanan komut sinyallerine dönüştüren algoritma – özel el hareketlerini yapmayı düşünmesi istenen Burkhart ile senaryo halindeki oturumlarda beyin sinyalleri üzerinde eğitildi. Sinir ağı, hangi beyin sinyallerinin hangi hareketlere karşılık geldiğini öğrendi.

Bununla birlikte, güçlü sinirsel kod çözme sistemleri yaratmada önemli bir zorluk beyin sinyallerinin günden güne değişmesidir. Battelle’nin ileri düzey analitik grubundaki en önemli araştırma istatistikçilerinden Michael Schwemmer, “Bir gün yorgunsanız veya dikkatiniz dağılmışsa bu durum farklı hareketleri kontrol etmek için gereken sinirsel aktivite modellerini etkileyebilir” dedi.

Sinir ağını yeniden kalibre etmek için Burkhart elini belirli şekillerde hareket ettirmeyi düşünmelidir. Eylül 2018’deki bu görüntüde Ohio State Üniversitesi’nin Wexner Tıp Merkezi’nde çalışıyor.

Böylelikle Burkhart haftada iki kez laboratuvara girdiğinde, her bir seans sinir kod çözücüsünün 15-30 dakikalık bir yeniden kalibrasyonu ile başladı – bu sırada elinin farklı kısımlarını hareket ettirmeyi nasıl düşüneceğine dair yazılmış senaryolara çalıştı.

İki haftada bir yapılan bu oturumlar, iki sinir ağını güncellemek için kullanılan yeni beyin verileri üretti. Biri denetimli öğrenme için etiketlenmiş veriyi, diğeri denetimsiz öğrenmeyi kullandı.

Birlikte, bu ağlar Burkhart’ın beyin sinyallerinin kodunu çözmede ve hakkında düşündüğü hareketleri öngörmede yüzde 90’ın üzerinde doğruluk elde etti. Denetimsiz model, bu doğruluk seviyesini bir yıldan fazla sürdürdü ve açık bir şekilde yeniden kalibrasyon gerektirmedi.

Derin öğrenmenin kullanılması, bir kullanıcının beyin sinyallerini işlemek ve elektrot kılıfına göndermek için NeuroLife sisteminin harcadığı zamanı da azalttı. Tepki süresindeki gecikme, önceki yöntemlere göre yüzde 11’lik bir iyileştirme ile 0.8 saniyeye düşürüldü.

“Bir bardak su almaya çalışıyorsanız, düşünmek ister ve hareket edersiniz. Uzun bir gecikme istemezsiniz” dedi Friedenberg. “Bu, dikkatlice ölçtüğümüz bir şey.”

Kaynak: NVIDIA Blog

Bir Cevap Yazın

Bu site, istenmeyenleri azaltmak için Akismet kullanıyor. Yorum verilerinizin nasıl işlendiği hakkında daha fazla bilgi edinin.

%d