Pembelajaran Mendalam Meningkatkan Ketepatan Penglihatan Bionik pada Peserta Buta

Apa yang Dicapai oleh Penyelidik

Pencapaian utama ialah sistem gelung tertutup yang bukan sekadar merangsang otak dengan corak tetap, tetapi belajar daripada tindak balas otak itu sendiri dan melaraskan outputnya secara masa nyata. Kajian ini melibatkan seorang lelaki berusia 27 tahun yang kehilangan penglihatan akibat kecederaan otak trauma. Beliau mempunyai tatasusunan elektrod 96 saluran yang ditanam sementara di korteks visualnya selama enam bulan di Hospital IMED Elche di Sepanyol, membolehkan pasukan merangsang dan merakam dari otak secara serentak .

Menggunakan persediaan ini, corak yang direka AI menghasilkan semula aktiviti otak sasaran dengan lebih tepat dan menggunakan arus elektrik yang lebih rendah berbanding kaedah perbandingan—penemuan yang boleh mengurangkan kesan sampingan dan penggunaan kuasa dalam peranti masa depan .

Bagaimana Model Pembelajaran Mendalam Berfungsi

Rangkaian saraf dalam dilatih untuk meramal bagaimana korteks visual peserta akan bertindak balas terhadap pelbagai kombinasi parameter rangsangan. Yang penting, model ini mengambil kira lebih daripada sekadar elektrod mana yang diaktifkan dan pada tahap arus apa—ia juga memasukkan aktiviti rehat otak sejurus sebelum setiap peristiwa rangsangan .

Setelah dilatih, model digunakan secara terbalik: daripada hanya meramal hasil, ia mencari tetapan rangsangan yang paling mungkin menghasilkan corak aktiviti saraf yang dikehendaki. Ini dikenali sebagai pendekatan kawalan berasaskan model gelung tertutup . Daripada menggunakan resipi rangsangan satu-saiz-untuk-semua, sistem ini secara berterusan menyesuaikan outputnya berdasarkan keadaan semasa otak.

Tindak Balas Otak vs. Isyarat Rangsangan Sahaja

Penemuan paling penting dalam kajian ini ialah aktiviti saraf yang dirakam adalah peramal yang lebih tepat tentang apa yang sebenarnya dilihat oleh peserta (fosfen—kelipan, bentuk, dan warna) berbanding tetapan rangsangan sahaja . Ini bermakna mengetahui elektrod mana yang diaktifkan dan berapa banyak arus yang dihantar tidak sepenuhnya menentukan pengalaman visual. Tindak balas otak itu sendiri perlu diukur dan ditafsir untuk meramal persepsi dengan pasti.

Hasil ini menonjolkan cabaran utama dalam neuroprostetik: isyarat yang dihantar ke otak tidak sepenuhnya menentukan persepsi yang muncul daripadanya . Otak bukan penerima pasif; keadaan semasanya secara aktif membentuk apa yang kita lihat.

Laluan ke Arah Prostesis Visual Peribadi

Rangka kerja ini menunjuk ke arah generasi baru prostesis visual adaptif dan diperibadikan yang secara berterusan belajar dinamik saraf setiap pengguna dan melaraskan rangsangan dalam masa nyata . Implikasi utama termasuk:

• Penentukuran semula dinamik: Sistem boleh menyesuaikan diri apabila keadaan asas otak berubah-ubah, menangani cabaran kebolehpercayaan utama yang telah membelenggu implan protokol tetap sebelumnya .
• Kuasa dan kesan sampingan yang lebih rendah: Oleh kerana corak yang direka AI mencapai matlamat mereka dengan arus elektrik yang lebih sedikit, peranti masa depan boleh menjadi lebih selamat dan bertahan lebih lama dengan sekali cas bateri .
• Penyesuaian peribadi: Ketua penyelidik Michael Beyeler menyatakan: "Prostesis visual yang berguna tidak boleh bergantung pada resipi tetap. Akhirnya, peranti harus menyesuaikan diri dengan orang itu, bukan sebaliknya."
• Trajektori klinikal: Fasa seterusnya percubaan kebolehlaksanaan Sepanyol bertujuan untuk menggerakkan prostesis kortikal ini daripada prototaip eksperimen ke arah rawatan klinikal yang berdaya maju untuk buta yang disebabkan oleh strok, penyakit neurodegeneratif, atau trauma .

Walaupun kajian ini hanya melibatkan seorang peserta, ia menunjukkan prinsip asas yang boleh mengubah cara sistem penglihatan bionik direka—daripada perangsang statik kepada antara muka pembelajaran pintar yang berfungsi dengan dinamik semula jadi otak.