डीप लर्निंग ने ब्लाइंड व्यक्ति में बायोनिक विज़न को और अधिक सटीक बनाया

इस अध्ययन के लिए एक 27 वर्षीय व्यक्ति को चुना गया, जो एक दर्दनाक मस्तिष्क चोट (ट्रॉमैटिक ब्रेन इंजरी) के कारण अपनी दृष्टि खो चुका था। स्पेन के हॉस्पिटल IMED एल्चे में छह महीने के लिए उसके विज़ुअल कॉर्टेक्स (दिमाग का वह हिस्सा जो दृष्टि को प्रोसेस करता है) में अस्थायी रूप से 96 चैनलों वाला एक इलेक्ट्रोड एरे लगाया गया था। इस सेटअप ने शोधकर्ताओं को एक साथ दिमाग को उत्तेजित करने और उसकी प्रतिक्रिया रिकॉर्ड करने में सक्षम बनाया ।

AI द्वारा डिज़ाइन किए गए पैटर्न ने न केवल लक्षित मस्तिष्क गतिविधि को अधिक सटीकता से दोहराया, बल्कि पारंपरिक तरीकों की तुलना में कम विद्युत प्रवाह का उपयोग किया। यह एक महत्वपूर्ण खोज है क्योंकि इससे भविष्य के उपकरणों में साइड इफेक्ट्स कम हो सकते हैं और बैटरी की खपत भी घट सकती है ।

कैसे काम करता है यह डीप-लर्निंग मॉडल?

शोधकर्ताओं ने एक गहरे तंत्रिका नेटवर्क (डीप न्यूरल नेटवर्क) को प्रशिक्षित किया ताकि वह यह अनुमान लगा सके कि प्रतिभागी का विज़ुअल कॉर्टेक्स विभिन्न प्रकार की उत्तेजनाओं पर कैसे प्रतिक्रिया देगा ।

मॉडल की प्रमुख खासियतें:

• यह सिर्फ यह नहीं देखता था कि कौन से इलेक्ट्रोड सक्रिय हुए और कितना करंट दिया गया, बल्कि यह भी शामिल करता था कि उत्तेजना देने से ठीक पहले मस्तिष्क की विश्राम अवस्था (रेस्टिंग एक्टिविटी) क्या थी ।
• प्रशिक्षित होने के बाद, इस मॉडल का उल्टा उपयोग किया गया: यह केवल परिणामों की भविष्यवाणी नहीं करता था, बल्कि उन उत्तेजना सेटिंग्स की खोज करता था जो मस्तिष्क गतिविधि के वांछित पैटर्न को उत्पन्न करने की सबसे अधिक संभावना रखती हैं। इसे 'क्लोज्ड-लूप, मॉडल-बेस्ड कंट्रोल' दृष्टिकोण कहा जाता है ।

इस प्रकार, सिस्टम एक निश्चित फॉर्मूले का पालन करने के बजाय, मस्तिष्क की वर्तमान स्थिति के आधार पर अपने आउटपुट को लगातार अनुकूलित करता रहता था।

मस्तिष्क की प्रतिक्रिया बनाम सिर्फ उत्तेजना संकेत: क्या ज्यादा मायने रखता है?

इस अध्ययन का सबसे अहम निष्कर्ष यह है कि मस्तिष्क की रिकॉर्ड की गई गतिविधि यह बताने में अधिक सटीक थी कि प्रतिभागी वास्तव में क्या देख रहा है (जिसे फॉस्फीन यानी रोशनी के धब्बे, आकृतियां या रंग कहा जाता है), बजाय केवल स्टिमुलेशन सेटिंग्स के ।

इसका मतलब है कि सिर्फ यह जानना पर्याप्त नहीं है कि कौन से इलेक्ट्रोड सक्रिय हुए और कितना करंट दिया गया। मस्तिष्क की अपनी प्रतिक्रिया को मापा और समझा जाना चाहिए ताकि यह विश्वसनीय रूप से अनुमान लगाया जा सके कि वह क्या महसूस करेगा। यह न्यूरोप्रोस्थेटिक्स के सामने एक बड़ी चुनौती को उजागर करता है: मस्तिष्क में भेजा गया संकेत पूरी तरह से यह निर्धारित नहीं करता कि अंततः क्या अनुभव होगा । मस्तिष्क एक निष्क्रिय रिसीवर नहीं है; उसकी हर पल बदलती स्थिति सक्रिय रूप से हमारी दृष्टि को आकार देती है।

व्यक्तिगत दृष्टि कृत्रिम अंगों की ओर कदम

यह फ्रेमवर्क एक नई पीढ़ी के अनुकूलित और व्यक्तिगत (पर्सनलाइज़्ड) दृष्टि कृत्रिम अंगों के विकास का मार्ग प्रशस्त करता है । इसके कुछ प्रमुख निहितार्थ इस प्रकार हैं:

• डायनामिक रीकैलिब्रेशन: सिस्टम मस्तिष्क की आधारभूत स्थिति में बदलाव के अनुसार खुद को ढाल सकता है, जो पिछले, निश्चित-प्रोटोकॉल वाले इम्प्लांट्स की एक बड़ी समस्या का समाधान करता है ।
• कम बिजली और साइड इफेक्ट्स: AI द्वारा डिज़ाइन किए गए पैटर्न कम करंट का उपयोग करके अपना लक्ष्य हासिल करते हैं, जिससे भविष्य के उपकरण सुरक्षित हो सकते हैं और एक बार चार्ज करने पर लंबे समय तक चल सकते हैं ।
• व्यक्तिगत अनुकूलन: मुख्य शोधकर्ता माइकल बेयलर का कहना है, "एक उपयोगी दृष्टि कृत्रिम अंग एक निश्चित नुस्खे पर निर्भर नहीं रह सकता। अंततः, उपकरण को व्यक्ति के अनुकूल होना चाहिए, न कि इसके विपरीत।"
• नैदानिक राह: इस स्पेनिश व्यवहार्यता परीक्षण के अगले चरणों का उद्देश्य इन कॉर्टिकल प्रोस्थेसिस को प्रायोगिक प्रोटोटाइप से स्ट्रोक, न्यूरोडीजेनेरेटिव बीमारी या आघात के कारण अंधेपन के लिए व्यवहार्य नैदानिक उपचार में बदलना है ।

हालांकि इस अध्ययन में केवल एक प्रतिभागी शामिल था, यह एक मौलिक सिद्धांत को प्रदर्शित करता है जो बायोनिक विज़न सिस्टम को स्थिर उपकरणों से बुद्धिमान और सीखने वाले इंटरफेस में बदल सकता है, जो मस्तिष्क की प्राकृतिक गतिशीलता के साथ काम करते हैं।