Kërkimet e reja të Apple sugjerojnë se si AirPods e së ardhmes mund të lexojnë sinjalet e trurit

Një studim i ri nga studiuesit e Apple paraqet një metodë që i lejon një modeli të inteligjencës artificiale të mësojë një aspekt të strukturës së aktivitetit elektrik të trurit pa asnjë të dhënë të shënuar.

Në një studim të ri të quajtur “ Mësimi i përbërjes relative të sinjaleve EEG duke përdorur para-trajnimin e zhvendosjes relative në çifte”, Apple prezanton PARS, që është shkurtim për PAirwise Relative Shift.

Modelet aktuale mbështeten shumë në të dhënat e shënuara nga njerëzit për aktivitetin e trurit, duke treguar se cilat segmente korrespondojnë me fazat e gjumit Zgjim, REM, Jo-REM1, Jo-REM2 dhe Jo-REM3, si dhe vendet e fillimit dhe të mbarimit të ngjarjeve të krizave e kështu me radhë.

Ajo që bëri Apple, me pak fjalë, ishte të merrte një model për të mësuar veten të parashikonte se sa larg në kohë ndodhin segmente të ndryshme të aktivitetit të trurit, bazuar në të dhëna të papërpunuara dhe të paetiketuara.

Nga studimi:

“Mësimi i vetë-mbikëqyrur (SSL) ofron një qasje premtuese për të mësuar përfaqësimet e elektroencefalografisë (EEG) nga të dhënat e paetiketuara, duke zvogëluar nevojën për shënime të shtrenjta për aplikime klinike si stadifikimi i gjumit dhe zbulimi i krizave. Ndërsa metodat aktuale të EEG SSL përdorin kryesisht strategji të maskuara të rindërtimit si autoenkoduesit e maskuar (MAE) që kapin modelet lokale kohore, para-trajnimi i parashikimit të pozicionit mbetet i paeksploruar pavarësisht potencialit të tij për të mësuar varësi afatgjata në sinjalet nervore. Ne prezantojmë para-trajnimin PAirwise Relative Shift ose PARS, një detyrë e re me pretekst që parashikon zhvendosjet relative kohore midis çifteve të dritareve EEG të marra rastësisht si mostra. Ndryshe nga metodat e bazuara në rindërtim që përqendrohen në rikuperimin e modelit lokal, PARS inkurajon enkoduesit të kapin përbërjen relative kohore dhe varësitë afatgjata të natyrshme në sinjalet nervore. Përmes një vlerësimi gjithëpërfshirës mbi detyra të ndryshme të dekodimit të EEG, ne demonstrojmë se transformatorët e para-trajnuar PARS i tejkalojnë vazhdimisht strategjitë ekzistuese të para-trajnimit në mjediset e të mësuarit me etiketë dhe transferim, duke krijuar një paradigmë të re për të mësuarit e përfaqësimit EEG të vetë-mbikëqyrur.”

Me fjalë të tjera, studiuesit panë se metodat ekzistuese kryesisht i trajnojnë modelet për të plotësuar boshllëqet e vogla në sinjal. Kështu që ata eksploruan nëse një inteligjencë artificiale mund ta mësonte strukturën më të gjerë të sinjaleve EEG direkt nga të dhënat e papërpunuara dhe të paetiketuara.

Siç rezulton, mundet.

Në punim, ata përshkruajnë një metodë të të mësuarit të vetë-mbikëqyrur për të parashikuar se si segmente të vogla të një sinjali EEG lidhen me njëra-tjetrën në kohë, gjë që mund të mundësojë performancë më të mirë në detyra të shumëfishta të analizës EEG, nga fazat e gjumit deri te zbulimi i krizave.

Rezultatet ishin premtuese, pasi modeli i para-trajnuar me PARS i tejkaloi ose u përputh me metodat e mëparshme në tre nga katër testet e ndryshme të EEG-së të testuara.

Këto ishin katër grupet e të dhënave të përdorura nga modeli i para-trajnuar me PARS:

Stadifikimi i Gjumit i Veshshëm (EESM17)
Zbulimi jonormal i EEG-së (TUAB)
Zbulimi i krizave (TUSZ)
Imazheria Motorike (PhysioNet-MI).
Në të dhënat e para, EESM17 i referohet Ear-EEG Sleep Monitoring 2017, i cili përmban “regjistrime gjatë natës nga 9 subjekte me një sistem EEG të veshshëm në vesh me 12 kanale dhe një sistem EEG të skalpit me 6 kanale”.

Ja se si duket një sistem EEG-je vesh-vesh:

Ndërsa EEG-ja e veshit përdor elektroda të ndryshme nga një sistem standard i kokës, ai prapëseprapë mund të kapë në mënyrë të pavarur shumë sinjale të trurit klinikisht të rëndësishme, siç janë fazat e gjumit dhe modele të caktuara që lidhen me krizat.

Dhe për shkak se të dhënat EESM17 u përdorën në një studim të bërë nga Apple, i cili ka përfshirë sensorë të shumtë shëndetësorë në pajisjet e tij të veshshme vitet e fundit, nuk është e vështirë të imagjinohet një botë ku AirPods do të kenë sensorë EEG, ashtu si AirPods Pro 3 së fundmi mori një sensor fotopletizmografi (PPG) për matjen e rrahjeve të zemrës.

Dhe ja ku është pika kyçe: në vitin 2023, Apple paraqiti një kërkesë për patentë për “një pajisje elektronike të veshshme për matjen e biosinjaleve të një përdoruesi”.

Patenta përmend pajisjet EEG të veshit në mënyrë të qartë si një alternativë ndaj një sistemi të kokës, ndërsa paraqet edhe kufizimet e tyre:

“Aktiviteti i trurit mund të monitorohet duke përdorur elektroda të vendosura në skalpin e përdoruesit. Elektrodat në disa raste mund të vendosen brenda ose rreth veshit të jashtëm të përdoruesit. Matja e aktivitetit të trurit duke përdorur elektroda të vendosura në ose rreth veshit të jashtëm mund të preferohet për shkak të përfitimeve të tilla si lëvizshmëria e zvogëluar e pajisjes dhe dukshmëria e zvogëluar e elektrodave në krahasim me pajisjet e tjera që kërkojnë që elektrodat të vendosen në zona të dukshme rreth skalpit të përdoruesit. Megjithatë, për matje të sakta të aktivitetit të trurit duke përdorur një pajisje elektroencefalografie veshi (EEG), pajisja vesh-EEG mund të duhet të personalizohet për veshin e përdoruesit (p.sh., ndoshta e personalizuar për konkën, kanalin e veshit, targusin, etj.) të përdoruesit, dhe mund të duhet të personalizohet ndryshe për përdorues të ndryshëm, në mënyrë që elektrodat e vendosura në pajisjen vesh-EEG të mund të mbeten në kontakt të vazhdueshëm me trupin e përdoruesit. Për shkak se madhësia dhe forma e një veshi ndryshojnë nga një përdorues në tjetrin, dhe për shkak se madhësia dhe forma e veshit të një përdoruesi të vetëm, dhe madhësia dhe forma e strukturave të tilla si kanali i veshit të një përdoruesi, mund të ndryshojnë me kalimin e kohës, edhe një pajisje vesh-EEG e personalizuar mund të mos arrijë të gjenerojë matje të sakta në…” herë (ose me kalimin e kohës). Përveç kësaj, një pajisje EEG e veshit e personalizuar mund të jetë e kushtueshme.”

Pastaj, patenta e Apple vazhdon të zgjidhë këto kufizime duke paketuar më shumë sensorë sesa nevojitet të shpërndarë rreth majave të veshëve të AirPods, dhe duke pasur një model AI që kap elektrodat me cilësinë më të mirë të sinjalit duke përdorur metrika si impedanca, niveli i zhurmës, cilësia e kontaktit me lëkurën dhe distanca midis elektrodave aktive dhe atyre referuese.

Më pas, i cakton pesha të ndryshme secilës elektrodë për të kombinuar të gjitha sinjalet në një formë vale të vetme dhe të optimizuar. Patenta madje përshkruan një gjest prekjeje ose shtrydhjeje që do të fillonte ose ndalonte matjet, si dhe alternativa të shumta projektimi dhe inxhinierie që do ta bënin të gjithë këtë të mundur.

Së fundmi, Apple thotë se “matjet e biosinjalit mund të përdoren për të informuar përdoruesin për raste të ndryshme përdorimi të nxitura nga biosinjali, siç është monitorimi i gjumit ose anomali të tjera, siç janë krizat”, të cilat në përgjithësi janë të njëjtat shembuj nga studimi i ri.

Por për të qenë të qartë: studimi i ri nuk përmend AirPods dhe nuk ka asnjë lidhje me kërkesën për patentë të vitit 2023. Është një hetim nëse një model mund të stërvitet vetë për të mësuar të parashikojë intervalet kohore midis valëve të trurit nga të dhëna të paetiketuara, duke përdorur matjet EEG të veshit si pjesë të të dhënave të tij.

Megjithatë, është interesante të shihet Apple duke hetuar harduerin për të mbledhur këto të dhëna, si dhe një model të inteligjencës artificiale që do të përmirësonte atë që ndodh me këto të dhëna pasi ato të mblidhen. Mbetet për t’u parë nëse kjo do të shndërrohet në një produkt apo veçori.