Des chercheurs ont généré des signaux synthétiques d’activité cérébrale à l’aide des GAN pour améliorer les interfaces cerveau-machine.
Les réseaux antagonistes génératifs (GAN) sont utilisés pour créer des données réalistes, dont les deepfake. Des chercheurs de l’Université de Caroline du Sud ont utilisé cette technologie pour améliorer les interfaces cerveau-machine (ICM) destinées aux personnes handicapées.
ICM : la technologie au service des personnes handicapées
Les ICM ou interfaces cerveau-machine permettent à leurs utilisateurs de contrôler des appareils numériques par la pensée. Pour ce faire, elles analysent les signaux cérébraux d’une personne pour traduire l’activité neuronale en commandes.
Entre autres utilités, ces dispositifs apportent un grand soutien aux personnes handicapées. Nous pouvons notamment citer les patients qui souffrent de paralysie ou qui sont atteints du syndrome d’enfermement. Dans le deuxième cas, les patients sont entièrement conscients, mais sont incapables de bouger ni de communiquer.
Certaines interfaces cerveau-machine mesurent les signaux cérébraux tandis que d’autres correspondent à des dispositifs implantés dans les tissus cérébraux. Outre l’assistance aux personnes handicapées, ils sont également utilisés pour la neuroréhabilitation ou pour traiter la dépression.
Mais d’une manière générale, pour fonctionner efficacement dans le monde réel, ces systèmes doivent être plus rapides qu’ils ne le sont actuellement. C’est ainsi que les chercheurs ont utilisé les GAN pour améliorer les interfaces cerveau-machine de manière à produire de plus grandes quantités de données d’entraînement.
Utiliser les GAN pour améliorer les interfaces cerveau machines
Afin de comprendre et traiter les entrées, c’est-à-dire les signaux cérébraux, les ICM doivent s’entraîner longuement sur des données neuronales. Toutefois, les algorithmes qui alimentent ces dispositifs nécessitent une quantité massive de données que les personnes handicapées ne sont pas toujours en mesure de produire.
Maintenant, les GAN peuvent améliorer la génération de données d’entraînement. En effet, ils sont capables de créer des données similaires à la réalité. Les chercheurs ont donc généré des données neurologiques synthétiques à l’aide des réseaux antagonistes génératifs.
Ils ont ensuite entraîné des interfaces cerveau-machine en combinant les données générées par les GAN avec de nouvelles données réelles. L’étude a dévoilé que le système fonctionne beaucoup plus rapidement (20 fois plus vite) que les méthodes actuelles.
Selon les chercheurs, ce serait la première fois que l’IA a permis de générer le fonctionnement de la pensée par la création de traits de pointes synthétiques.
- Partager l'article :
