Wat u wint bij Machine Learning (ML) en Deep Learning (DL)

We zijn het tijdperk van "big data" binnengetreden, waarin kansen op wetenschappelijke vooruitgang en ontdekkingen minder worden beperkt door capaciteiten voor gegevensopslag en -deling. In plaats daarvan worden technologische en wetenschappelijke innovaties meer beperkt door ons vermogen om deze overvloedig beschikbare gegevens snel en effectief te gebruiken. In die zin bewijzen steeds robuustere en geavanceerdere AI-modelleringssystemen dat zelfs de meest complexe datasets kunnen worden gedestilleerd in geavanceerde algoritmen met behulp van realtime gegevensverwerkingsmogelijkheden.

Neurowetenschap en AI

Deze algoritmen en modellen blijken vooral nuttig te zijn voor neurowetenschappers en onderzoekers die menselijke mentale processen willen begrijpen en er beter op willen reageren.

De toepassingen zijn eindeloos. De bruikbaarheid strekt zich uit van betere marketing en gebruikerservaringen via gezichtsherkenningstechnologieën tot verbeterde efficiëntie voor individuen bij het combineren van hun cognitieve werklast.

In het bijzonder heeft EEG- en hersenonderzoeksbedrijf Emotiv de kracht van ML en DL aangetoond door de kosten van het uitvoeren van dit hersenonderzoek te verlagen en tegelijkertijd de efficiëntie bij het verzamelen en analyseren van gegevens te verhogen. Dit heeft op zijn beurt het nut van EEG drastisch verbeterd voor individuen, educatieve en academische gemeenschappen, en ondernemingen die onder andere use cases voor consumentenonderzoek verkennen.

Kunstmatige intelligentie, Machine Learning en Deep Learning

Langzaam maar zeker vindt AI zijn weg naar toepassingen die vorige generaties zich niet hadden kunnen voorstellen, waardoor de kostendrempels voor onderzoek worden verlaagd en de weg naar de technologische innovaties van morgen sneller wordt geëffend.

Nergens is dat duidelijker dan op het gebied van EEG-technologie. Door geavanceerde ML- en DL-modellering te integreren, ontsluiten neurowetenschappers enorme mogelijkheden op verschillende gebieden, met name systemen met een brein-computerinterface en emotionele herkenning.

Om de huidige status van AI-modellen bij het begrijpen van EEG-gegevens te begrijpen, moeten een paar elementen conceptueel van elkaar worden onderscheiden. Hoewel termen als "kunstmatige intelligentie", "machine learning" en "deep learning" vaak door elkaar worden gebruikt, zijn er belangrijke nuances die ze van elkaar onderscheiden.

Kunstmatige intelligentie

Toen creatieve geesten voor het eerst begrepen dat machines op een dag konden worden geleerd om als mensen te denken, werd de term Kunstmatige Intelligentie geboren. AI omvat verschillende subgebieden, waaronder machine learning en deep learning.

Machine Learning

Machine learning is een subgebied, of tak, van AI, dat is getraind met behulp van databanken om complexe algoritmen te ontwikkelen. Deze algoritmen kunnen vervolgens worden gebruikt om nauwkeurige voorspellingen te doen over nieuwe of voorbeeldgegevens, uiterst nauwkeurige classificatiesystemen voor gegevens te ontwikkelen en in het proces patronen en inzichten te ontdekken die voor wetenschappers zonder het gebruik van deze machines niet praktisch zouden zijn.

Deep Learning

Deep learning gaat nog een stap verder met machine learning door meer aspecten van het leer- en trainingsproces te automatiseren. Deep learning-algoritmen kunnen ongestructureerde datasets, zoals tekst of afbeeldingen, decoderen, waardoor er veel minder menselijke tussenkomst nodig is. Om deze reden is deep learning beschreven als "schaalbare machine learning".

Historische beperkingen en uitdagingen van EEG: de behoefte aan AI

Het menselijk brein bevat ongeveer 100 miljard neuronen. Om de complexe relaties tussen deze neuronen en hun respectieve synaptische verbindingen volledig te begrijpen, is het nodig om holistisch naar enorme hoeveelheden hersengegevens te kijken. Al decennialang was het vermogen om patronen op metaniveau van neurale circuits uit EEG-gegevens te isoleren de belangrijkste snelheidsbeperkende stap in het nut van EEG-metingen.

EEG-technologie zelf is goedkoop. De eerste EEG-hersengolfmetingen werden eind 19e eeuw gegenereerd, en het proces voor het verzamelen van EEG-metingen is niet-invasief en relatief ongecompliceerd.

De kosten die inherent zijn aan het verzamelen en analyseren van EEG-gegevens zijn echter voornamelijk toe te schrijven aan de handmatige arbeid van het handmatig uitfilteren van externe artefacten die door EEG worden opgevangen, dat een lage signaal-ruisverhouding heeft. EEG-gegevens zijn complex en bevatten zowel niet-lineaire als niet-stationaire aspecten. Het heeft ook factoren die uniek van persoon tot persoon verschillen.

Onderzoekers waren genoodzaakt om enorme hoeveelheden gegevens handmatig voor te verwerken om de onnodige ruis te verwijderen en rekening te houden met alle verschillende variabelen. Daarom was het geruime tijd onpraktisch en onhaalbaar om EEG te gebruiken bij complexere taken zoals emotionele herkenning. Toch probeerden onderzoekers het.

Om het verzamelen en analyseren van EEG-hersengegevens te stroomlijnen en de kosten-batenbarrière voor onderzoekers te verminderen, ontwikkelden neurowetenschappers een EEG-classificatieverwerkingspipeline om hun stappen op te splitsen, respectieve strategieën en technieken te verfijnen, en de toepassingen van EEG te stimuleren.

De algemene EEG-classificatiepipeline in 5 stappen

1. Gegevensvoorverwerking.

2. De classificatieprocedure initialiseren.

3. De dataset splitsen voor de classifier.

4. De klasse van nieuwe gegevens voorspellen.

5. Het classificatiemodel voor de testdataset evalueren.

Hoewel EEG momenteel nog steeds een van de meest kosteneffectieve en informatieve methoden is om hersenactiviteit vast te leggen, blijft het nut van EEG-gegevens beperkt door de betrouwbaarheid waarmee wetenschappers hersengegevens kunnen registreren en die EEG-metingen efficiënt kunnen verwerken.

De toekomst of EEG: de opkomst van AI en Big Data-mogelijkheden

De term "big data" verwijst naar de toenemende volumes, snelheden en variëteiten waarmee moderne technologie ons in staat stelt gegevens te verzamelen en te verwerken. Big data verandert het neurowetenschappelijke landschap drastisch. Simpel gezegd zijn we nu, meer dan ooit, beter toegerust om gebruik te maken van de enorme hoeveelheden gegevens die we verzamelen.

Classificatietaken, vooral die welke betrekking hebben op het detecteren van emotionele toestanden, worden in toenemende mate afgehandeld door binaire en multi-label classificatieprocessen. Onder toezicht staande ML-algoritmen leren trainingsgegevens, ontwikkelen modellen en geleerde parameters, en passen deze vervolgens toe op nieuwe gegevens om elke dataset de respectieve klassenlabels toe te wijzen. Dit proces elimineert de noodzaak voor mensen om tijd te besteden aan het nemen van repetitieve, tijdrovende beslissingen.

Het is gemakkelijk om termen als "kunstmatige intelligentie" of "machine learning" te horen en te denken aan futuristische werelden die worden voorgesteld in populaire cultuuruitingen zoals de film The Terminator uit 1984. U zou kunnen aannemen dat deze technologieën te complex zijn om begrepen te worden of waardevol te zijn in de alomtegenwoordige taken die aan uw dagelijkse leven ten grondslag liggen.

Trap niet in die valkuil

AI is veel minder geavanceerd dan oorspronkelijk werd uitgewerkt in kaskrakers of gevierde sciencefictionklassiekers zoals de roman I, Robot van Isaac Asimov uit 1950. Zelfs individuen buiten de studie van AI kunnen de huidige AI-modellering begrijpen en beschikbare modellen gebruiken in hun eigen onderzoek.

Realtime ML- en DL-toepassingen in EEG-onderzoeksliteratuur

Het gebruik van ML- en DL-algoritmen om hersengegevens te begrijpen is de afgelopen jaren aanzienlijk gegroeid, zoals blijkt uit een systematische review die in 2021 is gepubliceerd en waarin peer-reviewed onderzoek is geïdentificeerd dat is gericht op het ontwikkelen en verfijnen van EEG-verwerkingsalgoritmen. Ongeveer 63% of de artikelen die in deze review worden behandeld, zijn in de afgelopen drie jaar gepubliceerd, wat suggereert dat het gebruik van deze modellen in toekomstige BCI-systemen en ER-onderzoek naar verwachting zal groeien.

In het gepubliceerde artikel "Machine-learning-based diagnostics of EEG pathology" van Lukas Geimen onderzochten hij en zijn team ML-methoden en hun capaciteit om klinische EEG-analyse te automatiseren. Door de geautomatiseerde EEG-modellen in te delen in op kenmerken gebaseerde of end-to-end benaderingen, "pasten ze het voorgestelde op kenmerken gebaseerde kader en diepe neurale netwerken toe op een voor EEG geoptimaliseerd temporeel convolutioneel netwerk (TCN)". Ze ontdekten dat de nauwkeurigheid van beide benaderingen verrassend dicht bij elkaar lag, variërend van 81% tot 86%. De resultaten tonen aan dat het voorgestelde op kenmerken gebaseerde decoderingskader een vergelijkbare nauwkeurigheid heeft als diepe neurale netwerken.

Het artikel van Yannick Roy et al in het Journal of Neuroengineering bespreekt hoe hij en zijn team 154 papers hebben beoordeeld die DL toepassen op EEG, gepubliceerd tussen januari 2010 en juli 2018. Deze papers bestreken "verschillende toepassingsdomeinen zoals epilepsie, slaap, brein-computerinterfaces en cognitieve en affectieve monitoring". Ze ontdekten dat de hoeveelheid gebruikte EEG-gegevens varieerde in tijdsduur van een paar minuten tot enkele uren. Het aantal monsters dat tijdens de training van het deep learning-model werd gezien, varieerde echter van een paar dozijn tot enkele miljoenen. Binnen al deze gegevens ontdekten ze dat de deep learning-benaderingen nauwkeuriger waren dan de traditionele uitgangswaarden in alle onderzoeken waarin deze werden gebruikt.

Visualisaties en analyses gaven aan dat beide benaderingen vergelijkbare aspecten van de gegevens gebruikten, bijvoorbeeld delta- en theta-bandvermogen op temporele elektrodelocaties. Yannick Roy et al betogen dat de nauwkeurigheid van de huidige binaire EEG-pathologiedecoders bijna 90% zou kunnen verzadigen vanwege de onvolmaakte overeenstemming tussen beoordelaars van de klinische labels en dat dergelijke decoders al klinisch nuttig zijn, zoals in gebieden waar klinische EEG-experts zeldzaam zijn. Ze hebben voorgesteld dat het op kenmerken gebaseerde kader beschikbaar is als open source, wat een nieuw hulpmiddel biedt voor EEG-machine learning-onderzoek.

DL heeft een exponentiële toename van het aantal publicaties gezien, wat een toenemende belangstelling voor dit type verwerking binnen de wetenschappelijke gemeenschap weerspiegelt.

Wat is er uniek aan Emotiv hersengegevens en EEG-apparaten?

ML- en DL-modellen leiden tot baanbrekende vooruitgang in EEG-technologieën. Als het gaat om de meest concurrerende, moderne EEG-apparaten op de markt, verlegt geen enkel bedrijf de grenzen meer dan Emotiv.

Emotiv is een bio-informaticabedrijf en pionier in het versterken van de neurowetenschappelijke gemeenschap door het gebruik van EEG. De innovaties van Emotiv vallen onder de paraplu van BCI's, ook wel aangeduid als "Mind Machine Interface", "Direct Neural Interface" en "Brain-Machine Interface". Deze technologieën worden al meer dan tien jaar gebruikt om cognitieve prestaties te volgen, emoties te monitoren en virtuele en fysieke objecten te besturen via machine learning en getrainde mentale commando's.

Emotiv EEG-headsets omvatten Emotiv EPOC FLEX (32-kanaals EEG), Emotiv INSIGHT 2.0 (5-kanaals EEG) en EPOC X (14-kanaals EEG). Hun unieke algoritmen detecteren:

• Frustratie

• Interesse

• Ontspanning

• Opwinding

• Betrokkenheid

• Stress

• Aandacht

Emotiv ontwikkelt veel meer dan EEG-headsets. Ze hebben geholpen bij het opzetten van een ecosysteem van tools en functies die kunnen worden gebruikt door academici, webontwikkelaers en zelfs nieuwsgierige individuen zonder neurowetenschappelijke achtergrond.

EmotivLABS

EmotivLABS helpt individuele gebruikers samen te brengen met onderzoekers, waardoor mogelijkheden ontstaan om Emotiv hersengegevens te crowdsourcen.

Emotiv Cortex

Met Emotiv Cortex kunnen onderzoekers aangepaste toepassingen ontwikkelen die gebruikers de tools bieden om gepersonaliseerde ervaringen en activaties te creëren met behulp van realtime hersengegevens.

EmotivPRO

Onderzoekers en instellingen kunnen hun Emotiv-apparaten koppelen met EmotivPRO, wat helpt bij het bouwen, publiceren, verkrijgen en analyseren van EEG-gegevens.

EmotivPRO biedt een geïntegreerde analyse van nagewerkte gegevens met behulp van de eigen, cloudgebaseerde analyzer van Emotiv, waardoor onderzoekers hun metingen niet hoeven te exporteren.

Omdat de verwerkingspipeline op de cloudservers van Emotiv wordt uitgevoerd, vermindert dit de belasting van uw systeem en kunt u middelen besparen. Met deze AI- en ML EEG-technologie bespaart u niet alleen beter op uw middelen, maar profiteert u ook van complexe, realtime analyses van gegevens. Bereik meer met uw onderzoeken door gebruik te maken van het nut van cloudtechnologieën die dagen werk in een paar minuten condenseren en tijdrovende taken voltooien.

Met zijn EEG-headsets en -toepassingen heeft Emotiv de missie van het bedrijf verder uitgebreid door individuen in staat te stellen de innerlijke werking van hun geest te ontsluiten en wereldwijd hersenonderzoek te versnellen.

Onderzoeksinstituten ontdekken de goedkope, externe EEG-technologieën van Emotiv. Op dezelfde manier ontdekken neurowetenschappelijke onderzoekers bij bedrijven en ondernemingen die use cases voor consumentenonderzoek en consumenteninnovatie verkennen, het nut van de EEG-headsets en -toepassingen van Emotiv voor verschillende bedrijfskritische toepassingen.

Wilt u meer weten over Emotiv? Klik hier om de website te bezoeken of een demo aan te vragen.