Tether Evo, la divisione tecnologica di Tether dedicata alla ricerca tra intelligenza artificiale e biologia, ha annunciato che tre nuovi studi sottoposti a revisione paritaria sono stati accettati per la pubblicazione su Journal of Neural Engineering, Imaging Neuroscience e Neural Networks. Due delle ricerche sono state realizzate in collaborazione con l’Università di Roma Tor Vergata.
I tre lavori affrontano un problema centrale nello sviluppo delle Brain-Computer Interface (BCI): i segnali prodotti dal cervello non sono identici da una persona all’altra. Questo rende spesso necessario addestrare e calibrare un sistema separatamente per ogni individuo. La ricerca di Tether Evo punta invece a dimostrare che un singolo modello di intelligenza artificiale può imparare a interpretare l’attività cerebrale di persone diverse attraverso opportune tecniche di allineamento.
Gli esperimenti riguardano tre ambiti distinti: linguaggio, visione e musica.
Un unico modello per interpretare più cervelli
Uno degli studi, intitolato Cross-subject decoding of human neural data for speech brain computer interfaces, è stato accettato dal Journal of Neural Engineering e analizza la possibilità di utilizzare le BCI per aiutare persone che hanno perso la capacità di parlare a causa di SLA, ictus o lesioni cerebrali.
I sistemi attuali devono generalmente essere adattati al singolo paziente perché la rappresentazione neurale del linguaggio può cambiare in base alla posizione degli impianti, all’attività delle diverse aree cerebrali e al percorso di apprendimento della persona.
La ricerca propone invece un modello di decodifica neurale da segnali cerebrali a fonemi addestrato utilizzando registrazioni invasive provenienti da più partecipanti. L’idea è individuare schemi comuni tra i diversi cervelli e utilizzare queste informazioni per creare un decoder condiviso.
Per rendere confrontabili i segnali provenienti da persone differenti, i ricercatori utilizzano un processo matematico di riallineamento che porta le attività neurali in uno spazio comune. Il sistema viene poi adattato al nuovo individuo con una quantità relativamente ridotta di calibrazione.
Secondo i risultati riportati da Tether Evo, l’approccio può raggiungere prestazioni comparabili o superiori rispetto ai sistemi addestrati su un singolo paziente, riducendo inoltre sensibilmente il tempo necessario per adattare il modello a una nuova persona.
Ricostruire ciò che vede il cervello
La seconda ricerca, realizzata da Tether Evo e Università di Roma Tor Vergata e accettata da Imaging Neuroscience, si concentra invece sulla decodifica visiva.
I ricercatori hanno registrato l’attività cerebrale di macachi mentre osservavano migliaia di immagini. Successivamente hanno utilizzato queste informazioni per cercare di identificare e ricostruire ciò che gli animali stavano osservando.
Secondo i risultati dello studio, utilizzando appena 200 millisecondi di dati neurali, il modello è riuscito a individuare l’immagine corretta tra migliaia di alternative con un’accuratezza del 70%. Il sistema è stato inoltre capace di generare ricostruzioni plausibili delle immagini, mantenendone elementi come forma, colore e contenuto.
La ricerca potrebbe contribuire allo sviluppo futuro di protesi visive corticali e di BCI a circuito chiuso, anche se eventuali applicazioni cliniche sull’uomo richiederanno ulteriori studi.
L’intelligenza artificiale prova a leggere anche la musica
Il terzo lavoro, R&B – rhythm and brain: Cross subject decoding of music from human brain activity, è stato accettato da Neural Networks e affronta un’altra forma di percezione: la musica.
In questo caso i ricercatori hanno utilizzato scansioni fMRI di cinque persone mentre ascoltavano 540 canzoni appartenenti a 10 generi musicali. L’obiettivo era collegare l’attività cerebrale a una rappresentazione generata dall’intelligenza artificiale della musica ascoltata.
Anche in questo esperimento è stata utilizzata una tecnica per allineare i pattern cerebrali di persone diverse. Il modello è riuscito a riconoscere il genere musicale corretto circa il 61% delle volte, rispetto al 10% che ci si aspetterebbe casualmente. Nel tentativo di identificare una canzone precisa tra 60 possibili brani, il sistema ha raggiunto circa il 25% di accuratezza, contro meno del 2% ottenibile per caso.
L’analisi ha inoltre evidenziato il coinvolgimento delle aree cerebrali associate alla percezione uditiva. Classica e jazz hanno prodotto le firme neurali più distintive, mentre generi come metal e disco sono risultati più facilmente confondibili.
Una possibile svolta per le BCI
Il risultato più interessante dei tre studi non riguarda quindi soltanto la capacità dell’AI di interpretare parole, immagini o musica, ma soprattutto la possibilità di trasferire ciò che il modello ha imparato da una persona a un’altra.
La calibrazione rappresenta infatti uno dei principali ostacoli alla diffusione delle BCI. Se un modello addestrato su un gruppo di persone può essere adattato rapidamente a un nuovo individuo anziché essere addestrato completamente da zero, lo sviluppo di queste tecnologie potrebbe diventare più veloce e scalabile.
Per le applicazioni legate alla comunicazione, questo potrebbe essere particolarmente importante: un sistema capace di interpretare l’attività cerebrale e trasformarla in testo potrebbe, in futuro, offrire nuove possibilità alle persone che hanno perso la capacità di parlare.
Tether Evo collega infine questa ricerca alla propria filosofia sul controllo e sulla privacy dei dati personali. La divisione tecnologica sta sviluppando anche soluzioni di AI eseguita localmente sul dispositivo, con l’obiettivo di mantenere l’elaborazione delle informazioni il più possibile privata e sotto il controllo dell’utente.
È importante sottolineare che questi risultati rappresentano ricerca sperimentale e non una tecnologia medica già disponibile. Tuttavia, dimostrare che un modello può generalizzare tra cervelli differenti potrebbe rappresentare un passo significativo verso BCI più semplici da calibrare e potenzialmente più accessibili in futuro.
