מה אתם מרוויחים מלמידת מכונה (ML) ולמידה עמוקה (DL)

מדעי הנתונים נכנסו לעידן של "נתוני עתק" (big data), שבו ההזדמנויות להתקדמות ולתגליות מדעיות מוגבלות פחות על ידי יכולות אחסון ושיתוף נתונים. במקום זאת, חדשנות טכנולוגית ומדעית מוגבלת בעיקר על ידי היכולת שלנו להשתמש בנתונים הזמינים האלה בשפע בצורה יעילה ומהירה. במובן הזה, מערכות מודלים של בינה מלאכותית, שהופכות ליציבות ומתוחכמות יותר ויותר, מוכיחות שאפילו את קובצי הנתונים המורכבים ביותר ניתן לתרגם לאלגוריתמים מתוחכמים באמצעות יכולות עיבוד נתונים בזמן אמת.

מדעי המוח ובינה מלאכותית

אלגוריתמים ומודלים אלו מתגלים כשימושיים במיוחד עבור מדעני מוח וחוקרים המקווים להבין טוב יותר את התהליכים המנטליים של בני האדם ולהגיב אליהם בצורה יעילה יותר.

היישומים הם אינסופיים. השימושיות נעה החל משיווק וחוויית משתמש משופרים באמצעות טכנולוגיות זיהוי פנים, ועד לשיפור היעילות של אנשים בניהול עומסי העבודה הקוגניטיביים שלהם.

בפרט, חברת חקר המוח וה-EEG בשם Emotiv הדגימה את העוצמה של ML ו-DL על ידי הורדת עלויות ביצוע מחקרי המוח הללו, תוך הגברת היעילות באיסוף נתונים וניתוחם. בתורו, הדבר שיפר באופן דרמטי את התועלת של EEG עבור אנשים פרטיים, קהילות חינוכיות ואקדמיות, ותאגידים הבוחנים מקרי בוחן למחקרי צרכנים, בין היתר.

בינה מלאכותית, למידת מכונה ולמידה עמוקה

לאט אך בבטחה, הבינה המלאכותית מפלסת את דרכה לתוך יישומים שדורות קודמים לא יכלו אפילו לדמיין, תוך הורדת חסמי העלויות למחקר וסלילת נתיב מהיר יותר לחידושים הטכנולוגיים של המחר.

אין מקום שבו זה ברור יותר מאשר בתחום טכנולוגיית ה-EEG. על ידי שילוב של מודלים מתקדמים של ML ו-DL, מדעני מוח פותחים פוטנציאל עצום בכמה תחומים, במיוחד במערכות BCI (ממשק מוח-מחשב) וזיהוי רגשות.

כדי להבין את המצב הנוכחי של מודלי בינה מלאכותית בפענוח נתוני EEG, יש להבחין מושגית בין כמה אלמנטים. למרות שלעיתים קרובות משתמשים במונחים כמו "בינה מלאכותית", "למידת מכונה" ו-"למידה עמוקה" באופן נרדף, ישנם הבדלים דקים וחשובים המאפיינים כל אחד מהם.

בינה מלאכותית

כאשר מוחות יצירתיים הבינו לראשונה שניתן ללמד מכונות לחשוב כמו בני אדם יום אחד, נולד המונח בינה מלאכותית (AI). בינה מלאכותית מקיפה כמה תת-תחומים, כולל למידת מכונה ולמידה עמוקה.

למידת מכונה

למידת מכונה היא תת-תחום, או ענף, של בינה מלאכותית, אשר מאומן באמצעות מאגרי נתונים כדי לפתח אלגוריתמים מורכבים. לאחר מכן ניתן להשתמש באלגוריתמים אלו כדי לבצע תחזיות מדויקות לגבי נתונים חדשים או מדגמיים, לפתח מערכות סיווג מדויקות ביותר עבור נתונים, ובתהליך זה, לעזור לחשוף דפוסים ותובנות שלא היו מעשיים עבור מדענים ללא שימוש במכונות אלו.

למידה עמוקה

למידה עמוקה לוקחת את למידת המכונה צעד אחד קדימה על ידי אוטומציה של היבטים נוספים של תהליך הלמידה והאימון. אלגוריתמים של למידה עמוקה יכולים לפענח קובצי נתונים בלתי מובנים, כגון טקסט או תמונות, וכך הם דורשים הרבה פחות התערבות אנושית. מסיבה זו, למידה עמוקה תוארה כ-"למידת מכונה ניתנת להרחבה".

מגבלות ואתגרים היסטוריים של EEG: הצורך בבינה מלאכותית

המוח האנושי מכיל בערך 100 מיליארד נוירונים. הבנה מלאה של היחסים המורכבים בין נוירונים אלו והקשרים הסינפטיים שלהם דורשת יכולת לבחון כמויות עצומות של נתוני מוח באופן הוליסטי. במשך עשרות שנים, היכולת לבודד דפוסים ברמת המטא של רשתות עצביות מתוך נתוני EEG ייצגה את השלב העיקרי המגביל את התועלת של קריאות EEG.

טכנולוגיית ה-EEG עצמה אינה יקרה. רישומי גלי המוח הראשונים של EEG הופקו בסוף המאה ה-19, והתהליך לאיסוף קריאות EEG הוא לא פולשני ופשוט יחסית.

עם זאת, העלויות הטמונות באיסוף וניתוח נתוני EEG יוחסו בעיקר לעבודה הסיזיפית של סינון ידני של הפרעות רקע (ארטיפקטים) חיצוניות שנקלטו על ידי ה-EEG, אשר מתאפיין ביחס אות לרעש נמוך. נתוני EEG הם מורכבים ונושאים היבטים לא ליניאריים ולא סטציונריים כאחד. יש להם גם גורמים המשתנים באופן ייחודי מאדם לאדם.

חוקרים נאלצו לבצע עיבוד מקדים של כמויות עצומות של נתונים באופן ידני כדי להסיר את הרעש המיותר ולקחת בחשבון את כל המשתנים השונים. לכן, במשך זמן רב לא היה זה מעשי או אפשרי להשתמש ב-EEG למשימות מתוחכמות יותר כמו זיהוי רגשות. ובכל זאת, החוקרים ניסו.

כדי לייעל את האיסוף והניתוח של נתוני מוח מ-EEG ולהפחית את מחסום עלות-תועלת עבור חוקרים, מדעני מוח פיתחו פייפליין לעיבוד וסיווג EEG כדי לפרק את השלבים שלהם, לחדד אסטרטגיות וטכניקות בהתאמה, ולשפר את היישומים של EEG.

פייפליין 5 השלבים הכללי לסיווג EEG

1. עיבוד מקדים של הנתונים.

2. אתחול הליך הסיווג.

3. פיצול קובץ הנתונים עבור המסווג.

4. חיזוי המחלקה של הנתונים החדשים.

5. הערכת מודל הסיווג עבור קובץ נתוני הבדיקה.

למרות ש-EEG היא כיום עדיין אחת השיטות החסכוניות והאינפורמטיביות ביותר ללכידת פעילות המוח, התועלת של נתוני EEG ממשיכה להיות מוגבלת על ידי מידת האמינות שבה מדענים יכולים לרשום נתוני מוח ולעבד ביעילות את רישומי ה-EEG הללו.

עתיד ה-EEG: עליית הבינה המלאכותית ויכולות נתוני העתק

המונח "נתוני עתק" (big data) מתייחס לנפחים, למהירויות ולמגוון ההולכים וגדלים שבהם הטכנולוגיה המודרנית מאפשרת לנו לאסוף ולעבד נתונים. נתוני עתק משנים באופן דרמטי את הנוף הנוירו-מדעי. במילים פשוטות, כיום אנו מצוידים טוב יותר מאי פעם כדי לעשות שימוש בכמויות העצומות של הנתונים שאנו אוספים.

משימות סיווג, במיוחד אלו העוסקות בזיהוי מצבים רגשיים, מנוהלות יותר ויותר על ידי תהליכי סיווג בינאריים ורב-תוויתיים. אלגוריתמים של ML תחת פיקוח לומדים מנתוני אימון, מפתחים מודלים ופרמטרים נלמדים, ואז מיישמים אותם על נתונים חדשים כדי להקצות לכל קובץ נתונים את תוויות הסיווג המתאימות לו. תהליך זה מבטל את הצורך של בני אדם להקדיש זמן לקבלת החלטות חוזרות ונשנות הגוזלות זמן רב.

קל לשמוע מונחים כמו "בינה מלאכותית" או "למידת מכונה" ולחשוב על עולמות עתידניים שנחזו בתרבות הפופולרית, כמו בסרט "שליחות קטלנית" משנת 1984. אתם עשויים להניח שטכנולוגיות אלו מורכבות מדי להבנה או לשימוש במשימות היומיומיות הפשוטות המרכיבות את חייכם.

אל תיפלו במלכודת הזו

הבינה המלאכותית הרבה פחות מתוחכמת ממה שתואר במקור בלהיטי קופות או בקלאסיקות מדע בדיוני מפורסמות כמו הרומן של אייזק אסימוב משנת 1950, אני, רובוט. אפילו אנשים מחוץ לתחום חקר הבינה המלאכותית יכולים להבין את מודלי ה-AI הנוכחיים ולהשתמש במודלים הזמינים במחקרים שלהם.

יישומים בזמן אמת של ML ו-DL בספרות המחקרית של EEG

השימוש באלגוריתמים של ML ו-DL לפענוח נתוני מוח גדל באופן משמעותי בשנים האחרונות, כפי שמעידה סקירה שיטתית שפורסמה בשנת 2021 אשר זיהתה מחקרים שעברו ביקורת עמיתים ומטרתם לפתח ולחדד אלגוריתמים לעיבוד EEG. כ-63% מהמאמרים שנכללו בסקירה זו פורסמו בשלוש השנים האחרונות, מה שמרמז כי השימוש במודלים אלו במערכות BCI עתידיות ובמחקר זיהוי רגשות (ER) צפוי לגדול.

במאמר שפרסם לוקאס גיימן "אבחון פתולוגיית EEG מבוסס למידת מכונה", הוא וצוותו חקרו שיטות ML ואת היכולת שלהן לאוטומציה של ניתוח EEG קליני. על ידי סיווג מודלי ה-EEG האוטומטיים לגישות מבוססות-תכונות או גישות מקצה לקצה, הם "יישמו את מסגרת העבודה המוצעת מבוססת-התכונות ורשתות עצביות עמוקות—רשת קונבולוציה זמנית מותאמת ל-EEG (TCN)". הם מצאו כי רמות הדיוק בשתי הגישות היו קרובות באופן מפתיע, ונעו בין 81% ל-86%. התוצאות מראות כי למסגרת הפענוח המוצעת מבוססת-התכונות יש דיוק דומה לרשתות עצביות עמוקות.

מאמרם של יאניק רוי ואחרים ב-Journal of Neuroengineering דן כיצד הוא וצוותו סקרו 154 מאמרים המיישמים DL על EEG, אשר פורסמו בין ינואר 2010 ליולי 2018. מאמרים אלו הקיפו "תחומי יישום שונים כגון אפילפסיה, שינה, ממשק מוח-מחשב, וניטור קוגניטיבי ורגשי". הם מצאו כי כמות נתוני ה-EEG שבהם נעשה שימוש השתנתה באורך הזמן מכמה דקות למספר שעות. עם זאת, מספר הדגימות שנצפו במהלך אימון מודל הלמידה העמוקה נע בין כמה עשרות למספר מיליונים. בתוך כל הנתונים הללו, הם מצאו שגישות הלמידה העמוקה היו מדויקות יותר מקווי הבסיס המסורתיים בכל המחקרים שעשו בהן שימוש.

הדמיות וניתוחים הצביעו על כך ששתי הגישות השתמשו בהיבטים דומים של הנתונים, למשל, עוצמת רצועת דלתא ותטא במיקומי אלקטרודות זמניות. יאניק רוי ואחרים טוענים כי רמות הדיוק של מפענחי פתולוגיית EEG בינאריים נוכחיים יכולות להגיע לכמעט 90% בשל הסכמה לא מושלמת בין המעריכים השונים של התוויות הקליניות, וכי מפענחים כאלה כבר שימושיים מבחינה קלינית, למשל באזורים שבהם מומחי EEG קליניים הם נדירים. הם הציעו שמסגרת העבודה מבוססת-התכונות תהיה זמינה כקוד פתוח, ותציע כלי חדש למחקר למידת מכונה ב-EEG.

ב-DL נרשמה עלייה מעריכית בפרסומים, המשקפת עניין גובר בסוג זה של עיבוד בקרב הקהילה המדעית.

מה ייחודי בנתוני המוח ובמכשירי ה-EEG של Emotiv?

מודלים של ML ו-DL מניבים פריצות דרך פורצות דרך בטכנולוגיות EEG. בכל הנוגע למכשירי ה-EEG התחרותיים והחדשניים ביותר בשוק, שום חברה אינה פורצת את הגבולות יותר מאשר Emotiv.

Emotiv היא חברת ביואינפורמטיקה וחלוצה בהעצמת קהילת מדעי המוח באמצעות שימוש ב-EEG. החידושים של Emotiv נכללים תחת המטרייה של BCI, המכונה גם "ממשק מחשב-מוח", "ממשק עצבי ישיר" ו-"ממשק מוח-מכונה". טכנולוגיות אלו משמשות כבר למעלה מעשור למעקב אחר ביצועים קוגניטיביים, ניטור רגשות ושליטה באובייקטים וירטואליים ופיזיים באמצעות למידת מכונה ופקודות מנטליות מאומנות.

מכשירי ה-EEG של Emotiv כוללים את Emotiv Epoc X (EEG של 14 ערוצים), Emotiv Insight 2.0 (EEG של 5 ערוצים) ו-Epoc X (EEG של 14 ערוצים). האלגוריתמים הייחודיים שלהם מזהים:

• תסכול

• עניין

• רגיעה

• התרגשות

• מעורבות

• לחץ

• קשב

Emotiv מקדמת הרבה יותר מאשר רק מכשירי EEG לחבישה על הראש. הם עזרו לטפח אקוסיסטם של כלים ותכונות שיכולים לשמש אקדמאים, מפתחי אתרים ואפילו אנשים סקרנים ללא רקע בנוירוביולוגיה.

EmotivLABS

EmotivLABS מסייעת לקרב בין משתמשים בודדים לחוקרים, ומאפשרת הזדמנויות למימון המונים של נתוני מוח של Emotiv.

Emotiv Cortex

עם Emotiv Cortex, חוקרים יכולים לפתח יישומים מותאמים אישית המציעים למשתמשים את הכלים ליצירת חוויות והפעלות מותאמות אישית באמצעות נתוני מוח בזמן אמת.

EmotivPRO

חוקרים ומוסדות יכולים לצמד את מכשירי ה-Emotiv שלהם ל-EmotivPRO, המסייע בבנייה, פרסום, רכישה וניתוח של נתוני EEG.

EmotivPRO מציע ניתוח משולב של נתונים לאחר העיבוד באמצעות מנתח מובנה מבוסס-ענן של Emotiv, דבר המבטל את הצורך של חוקרים לייצא את הרישומים שלהם.

מכיוון שצינור העיבוד מתבצע בשרתי הענן של Emotiv, הדבר מפחית את העומס על המערכת שלכם ומאפשר לכם לחסוך במשאבים. עם טכנולוגיית ה-AI וה-ML הזו של EEG, לא רק שאתם חוסכים טוב יותר במשאבים, אלא שאתם נהנים מניתוח נתונים מורכב בזמן אמת. השיגו יותר במחקרים שלכם על ידי רתימת התועלת של טכנולוגיות ענן המעבות ימי עבודה לתוך דקות ספורות ומשלימות משימות הדורשות זמן רב.

באמצעות מכשירי ה-EEG והאפליקציות שלה, Emotiv קידמה את משימת החברה על ידי העצמת אנשים לפתוח את פעולת המוח הפנימית שלהם ולהאיץ את חקר המוח העולמי.

מוסדות מחקר מגלים את טכנולוגיות ה-EEG המרוחקות והזולות של Emotiv. באופן דומה, חוקרי מדעי המוח בחברות ובתאגידים הבוחנים מקרי בוחן למחקרי צרכנים וחדשנות צרכנית מגלים את השימושיות של מכשירים ואפליקציות ה-EEG של Emotiv עבור מספר יישומים קריטיים לעסק.

רוצים לדעת עוד על Emotiv? לחצו כאן כדי לבקר באתר או לבקש הדגמה.