Исследователи из Apple представили революционный подход к анализу электрической активности мозга, который может найти применение в будущих поколениях наушников AirPods. Об этом сообщает 9to5mac.com.
Новая разработка, получившая название PARS (PAirwise Relative Shift), позволяет искусственному интеллекту обучаться структуре сигналов мозга без необходимости в дорогостоящей ручной разметке данных.
Существующие модели для анализа электроэнцефалограммы (ЭЭГ) в значительной степени полагаются на информацию, предоставленную человеком. Это включает в себя указание на то, какие участки сигнала соответствуют различным стадиям сна (бодрствование, REM, Non-REM1, Non-REM2, Non-REM3), а также на моменты начала и окончания приступов эпилепсии. Такой процесс аннотирования является трудоемким и дорогостоящим, что ограничивает широкое применение технологий анализа ЭЭГ в клинических и потребительских целях.
Суть метода PARS заключается в том, что модель самообучается предсказывать временные интервалы между различными сегментами активности мозга, используя при этом только необработанные, неразмеченные данные. Вместо того чтобы пытаться восстановить пропущенные участки сигнала, как это делают многие существующие методы самообучения, PARS фокусируется на предсказании относительных временных сдвигов между парами случайно выбранных фрагментов ЭЭГ. Этот подход побуждает модель улавливать не только локальные закономерности, но и долгосрочные зависимости, присутствующие в нейронных сигналах.
В опубликованном исследовании под названием “Learning the relative composition of EEG signals using pairwise relative shift pretraining” команда Apple описывает, как PARS, будучи новой предварительной задачей, успешно предсказывает относительные временные сдвиги. Это отличает его от методов, основанных на восстановлении, которые концентрируются на локальных паттернах. Эксперты отмечают, что PARS способствует обучению энкодеров, способных захватывать относительную временную композицию и долгосрочные зависимости в нейронных сигналах.
Проведенные исследования показали, что трансформеры, предварительно обученные с помощью PARS, демонстрируют превосходные результаты по сравнению с существующими стратегиями предварительного обучения. Это особенно заметно в сценариях, требующих минимального количества размеченных данных (label-efficient) и при переносе знаний на новые задачи (transfer learning). Таким образом, PARS предлагает новый подход к обучению представлений ЭЭГ с помощью самоконтролируемого обучения, открывая путь к более доступным и эффективным инструментам анализа мозговой активности, в том числе и для носимых устройств, таких как будущие AirPods.