สิ่งที่คุณจะได้รับจาก Machine Learning (ML) และ Deep Learning (DL)

เราได้เข้าสู่ยุคของ "ข้อมูลขนาดใหญ่" (big data) ที่ความก้าวหน้าและการค้นพบทางวิทยาศาสตร์มีข้อจำกัดน้อยลงในเรื่องของความจุในการจัดเก็บและการแบ่งปันข้อมูล แต่ในทางกลับกัน นวัตกรรมทางเทคโนโลยีและวิทยาศาสตร์กลับถูกจำกัดด้วยความสามารถของเราในการใช้ประโยชน์จากข้อมูลที่มีอยู่อย่างล้นหลามนี้ได้อย่างรวดเร็วและมีประสิทธิภาพ ในแง่นี้ ระบบการสร้างแบบจำลอง AI ที่มีความแข็งแกร่งและซับซ้อนยิ่งขึ้นช่วยพิสูจน์ว่า แม้แต่ชุดข้อมูลที่ซับซ้อนที่สุดก็สามารถกลั่นกรองออกมาเป็นอัลกอริทึมที่ซับซ้อนได้โดยใช้ความสามารถในการประมวลผลข้อมูลแบบเรียลไทม์

ประสาทวิทยาศาสตร์และ AI

อัลกอริทึมและแบบจำลองเหล่านี้ได้รับการพิสูจน์แล้วว่ามีประโยชน์อย่างยิ่งสำหรับนักประสาทวิทยาและนักวิจัยที่หวังจะทำความเข้าใจและตอบสนองต่อกระบวนการทางจิตใจของมนุษย์ได้ดียิ่งขึ้น

การนำไปใช้งานนั้นไม่มีที่สิ้นสุด ประโยชน์ใช้งานมีตั้งแต่การตลาดและประสบการณ์ของผู้ใช้ที่ดีขึ้นผ่านเทคโนโลยีการจดจำใบหน้า ไปจนถึงการเพิ่มประสิทธิภาพสำหรับแต่ละบุคคลในการจัดการกับภาระงานทางปัญญาของตนเอง

โดยเฉพาะอย่างยิ่ง Emotiv บริษัทวิจัยสมองและ EEG ได้แสดงให้เห็นถึงพลังของ ML และ DL โดยการลดต้นทุนในการทำวิจัยสมองในขณะที่เพิ่มประสิทธิภาพในการรวบรวมและวิเคราะห์ข้อมูล ซึ่งในทางกลับกัน สิ่งนี้ได้เพิ่มประโยชน์ใช้สอยของ EEG อย่างมากสำหรับบุคคลทั่วไป ชุมชนการศึกษาและวิชาการ ตลอดจนองค์กรต่าง ๆ ที่กำลังสำรวจกรณีการใช้งานสำหรับการวิจัยผู้บริโภค และอื่น ๆ

ปัญญาประดิษฐ์, Machine Learning, และ Deep Learning

AI กำลังค่อย ๆ แทรกซึมเข้าไปในแอปพลิเคชันต่าง ๆ ที่คนรุ่นก่อนคาดไม่ถึงอย่างแน่นอน ช่วยลดอุปสรรคด้านต้นทุนในการวิจัย และปูทางที่เร็วขึ้นสู่นวัตกรรมทางเทคโนโลยีในอนาคต

ไม่มีที่ใดจะเห็นภาพได้ชัดเจนไปกว่าในขอบเขตของเทคโนโลยี EEG การรวมการสร้างแบบจำลอง ML และ DL ที่ก้าวหน้าทำให้นักประสาทวิทยาสามารถปลดล็อกศักยภาพอันมหาศาลในหลาย ๆ ด้าน โดยเฉพาะอย่างยิ่งระบบเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์ (BCI) และการจดจำอารมณ์

เพื่อที่จะเข้าใจสถานะปัจจุบันของแบบจำลอง AI ในการทำความเข้าใจข้อมูล EEG จะต้องแยกแยะองค์ประกอบบางประการออกจากกันในเชิงแนวคิด แม้ว่าคำต่าง ๆ เช่น "ปัญญาประดิษฐ์" "machine learning" และ "deep learning" มักจะถูกใช้แทนกันบ่อยครั้ง แต่ก็มีจุดต่างที่สำคัญที่ทำให้คำเหล่านี้แตกต่างกัน

ปัญญาประดิษฐ์

เมื่อผู้มีความคิดสร้างสรรค์เข้าใจเป็นครั้งแรกว่าวันหนึ่งเครื่องจักรสามารถถูกสอนให้คิดเหมือนมนุษย์ได้ คำว่า ปัญญาประดิษฐ์ (Artificial Intelligence) ก็ถือกำเนิดขึ้น AI ครอบคลุมสาขาย่อยหลายสาขา รวมถึง machine learning และ deep learning

Machine Learning

Machine learning คือสาขาย่อยหรือสาขาหนึ่งของ AI ที่ถูกฝึกฝนโดยใช้คลังข้อมูลเพื่อพัฒนาอัลกอริทึมที่ซับซ้อน อัลกอริทึมเหล่านี้สามารถนำไปใช้เพื่อทำการคาดการณ์ที่แม่นยำเกี่ยวกับข้อมูลใหม่หรือข้อมูลตัวอย่าง พัฒนาระบบการจำแนกประเภทข้อมูลที่มีความแม่นยำสูง และในกระบวนการนี้ ยังช่วยค้นพบรูปแบบและข้อมูลเชิงลึกที่นักวิทยาศาสตร์ไม่สามารถทำได้จริงหากปราศจากการใช้เครื่องจักรเหล่านี้

Deep Learning

Deep learning ก้าวไปอีกขั้นกว่า machine learning โดยการเพิ่มความเป็นอัตโนมัติในหลาย ๆ ด้านของกระบวนการเรียนรู้และการฝึกฝน อัลกอริทึม deep learning สามารถถอดรหัสชุดข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความหรือรูปภาพ จึงทำให้ต้องพึ่งพาการแทรกแซงจากมนุษย์น้อยลง ด้วยเหตุนี้ deep learning จึงถูกอธิบายว่าเป็น "machine learning ที่สามารถขยายขอบเขตได้"

ข้อจำกัดและความท้าทายในอดีตของ EEG: ความจำเป็นในระบบ AI

สมองของมนุษย์มีเซลล์ประสาทอยู่ประมาณ 1 แสนล้านเซลล์ การจะเข้าใจความสัมพันธ์อันซับซ้อนระหว่างเซลล์ประสาทเหล่านี้รวมถึงการเชื่อมต่อของไซแนปส์อย่างถ่องแท้นั้น จำเป็นต้องมีความสามารถในการมองข้อมูลสมองจำนวนมหาศาลในภาพรวม เป็นเวลาหลายทศวรรษมาแล้วที่ความสามารถในการแยกรูปแบบระดับเมตาของวงจรประสาทออกจากข้อมูล EEG ถือเป็นขั้นตอนหลักที่จำกัดประสิทธิภาพและประโยชน์ของการอ่านค่า EEG

ตัวเทคโนโลยี EEG เองนั้นมีราคาไม่แพง การบันทึกคลื่นสมอง EEG ครั้งแรกเกิดขึ้นในช่วงปลายทศวรรษ 1800 และกระบวนการรวบรวมการอ่านค่า EEG นั้นไม่รุกล้ำร่างกายและค่อนข้างเรียบง่าย

อย่างไรก็ตาม ค่าใช้จ่ายที่เกิดขึ้นจริงในการเก็บรวบรวมและการวิเคราะห์ข้อมูล EEG ส่วนใหญ่มาจากงานที่ต้องใช้แรงงานคนในการคัดแยกสัญญาณรบกวนภายนอกที่ปะปนเข้ามา เนื่องจาก EEG มีอัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำ ข้อมูล EEG มีความซับซ้อนและมีลักษณะเฉพาะตัวที่ทั้งไม่เป็นเชิงเส้นและมีความไม่คงที่ นอกจากนี้ยังมีปัจจัยที่แตกต่างกันไปในแต่ละบุคคลอย่างเฉพาะเจาะจงอีกด้วย

นักวิจัยถูกบังคับให้ต้องประมวลผลข้อมูลล่วงหน้าจำนวนมหาศาลด้วยตนเองเพื่อกำจัดสัญญาณรบกวนที่ไม่จำเป็นและเพื่อพิจารณาตัวแปรที่แตกต่างกันทั้งหมด ดังนั้น จึงเป็นเรื่องที่ทำได้ยากและไม่สามารถทำได้จริงเป็นเวลานานในการใช้ EEG สำหรับงานที่ซับซ้อนขึ้นอย่างการจดจำอารมณ์ แต่ถึงอย่างนั้น นักวิจัยก็ยังพยายาม

เพื่อปรับปรุงการรวบรวมและการวิเคราะห์ข้อมูลสมอง EEG ให้มีประสิทธิภาพ และลดอุปสรรคด้านต้นทุนและผลประโยชน์สำหรับนักวิจัย นักประสาทวิทยาจึงได้พัฒนากระบวนการจำแนกประเภท EEG เพื่อแยกย่อยขั้นตอน ปรับปรุงกลยุทธ์และเทคนิคต่าง ๆ และส่งเสริมการใช้งาน EEG

กระบวนการจำแนกประเภท EEG ทั่วไป 5 ขั้นตอน

1. การเตรียมข้อมูลล่วงหน้า (Data pre-processing)

2. การเริ่มต้นขั้นตอนการจำแนกประเภท

3. การแบ่งชุดข้อมูลสำหรับตัวจำแนกประเภท

4. การคาดการณ์ประเภทของข้อมูลใหม่

5. การประเมินแบบจำลองการจำแนกประเภทสำหรับชุดข้อมูลทดสอบ

แม้ว่าปัจจุบัน EEG จะยังคงเป็นหนึ่งในวิธีการที่คุ้มค่าและให้ข้อมูลมากที่สุดในการจับภาพกิจกรรมของสมอง แต่ประโยชน์ของข้อมูล EEG ก็ยังคงถูกจำกัดด้วยความน่าเชื่อถือที่นักวิทยาศาสตร์จะสามารถบันทึกข้อมูลสมองและประมวลผลการบันทึก EEG เหล่านั้นได้อย่างมีประสิทธิภาพเพียงใด

อนาคตของ EEG: การเติบโตของขีดความสามารถด้าน AI และข้อมูลขนาดใหญ่

คำว่า "ข้อมูลขนาดใหญ่" หมายถึงปริมาณ ความเร็ว และความหลากหลายที่เพิ่มขึ้นซึ่งเทคโนโลยีสมัยใหม่ช่วยให้เราสามารถรวบรวมและประมวลผลข้อมูลได้ ข้อมูลขนาดใหญ่กำลังเปลี่ยนโฉมหน้าของประสาทวิทยาศาสตร์อย่างมาก พูดง่าย ๆ ก็คือ ปัจจุบันเรามีความพร้อมมากกว่าที่เคยในการนำข้อมูลจำนวนมหาศาลที่เรากำลังรวบรวมอยู่นี้มาใช้ประโยชน์ได้ดียิ่งขึ้น

งานจำแนกประเภท โดยเฉพาะงานที่เกี่ยวข้องกับการตรวจจับสถานะทางอารมณ์ ได้ถูกจัดการมากขึ้นเรื่อย ๆ ด้วยกระบวนการจำแนกประเภทแบบสองคลาสและแบบหลายป้ายกำกับ อัลกอริทึม ML แบบมีผู้สอนจะเรียนรู้จากข้อมูลที่ใช้ฝึก พัฒนาแบบจำลองและพารามิเตอร์ที่เรียนรู้ จากนั้นนำไปใช้กับข้อมูลใหม่เพื่อกำหนดป้ายกำกับประเภทให้กับชุดข้อมูลแต่ละชุด กระบวนการนี้ช่วยขจัดความจำเป็นที่มนุษย์ต้องเสียเวลาในการตัดสินใจซ้ำซากและใช้เวลานาน

มันเป็นเรื่องง่ายที่จะได้ยินคำต่าง ๆ เช่น "ปัญญาประดิษฐ์" หรือ "machine learning" แล้วนึกถึงโลกอนาคตที่จินตนาการไว้ในภาพยนตร์ยอดนิยมอย่างเรื่อง The Terminator ในปี 1984 คุณอาจเดาว่าเทคโนโลยีเหล่านี้ซับซ้อนเกินกว่าจะเข้าใจหรือไม่มีคุณค่าในงานทั่วไปที่อยู่เบื้องหลังชีวิตประจำวันของคุณ

อย่าตกหลุมพรางนั้น

AI ไม่ได้ซับซ้อนขนาดนั้นเมื่อเทียบกับที่เคยแสดงในภาพยนตร์ฟอร์มยักษ์ หรือนิยายวิทยาศาสตร์คลาสสิกชื่อดังอย่าง I, Robot นวนิยายปี 1950 ของ Isaac Asimov แม้แต่บุคคลภายนอกที่ไม่ได้ศึกษาเรื่อง AI ก็สามารถเข้าใจการสร้างแบบจำลอง AI ในปัจจุบันและสามารถใช้แบบจำลองที่มีอยู่ในการวิจัยของตนเองได้

การนำ ML และ DL แบบเรียลไทม์ไปใช้ในเอกสารงานวิจัย EEG

การใช้อัลกอริทึม ML และ DL เพื่อทำความเข้าใจข้อมูลสมองมีการเติบโตขึ้นอย่างมากในช่วงไม่กี่ปีที่ผ่านมา ดังจะเห็นได้จากการทบทวนอย่างเป็นระบบที่ตีพิมพ์ในปี 2021 ซึ่งระบุงานวิจัยที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิที่มุ่งพัฒนาและปรับปรุงอัลกอริทึมการประมวลผล EEG บทความประมาณ 63% ที่ครอบคลุมในการทบทวนนี้ตีพิมพ์ในช่วงสามปีที่ผ่านมา ซึ่งบ่งชี้ว่าการนำแบบจำลองเหล่านี้ไปใช้ในระบบ BCI และการวิจัย ER ในอนาคตน่าจะมีแนวโน้มเติบโตขึ้นอย่างต่อเนื่อง

ในบทความที่ได้รับการตีพิมพ์ของ Lukas Geimen หัวข้อ "Machine-learning-based diagnostics of EEG pathology" เขาและทีมงานได้เปลี่ยนมาใช้วิธี ML และความสามารถในการวิเคราะห์ EEG ทางคลินิกแบบอัตโนมัติ โดยการแบ่งประเภทแบบจำลอง EEG อัตโนมัติออกเป็นแนวทางที่เน้นคุณลักษณะ (feature-based) หรือแนวทางแบบต้นจนจบ (end-to-end) พวกเขาได้ "ประยุกต์ใช้กรอบงานที่เน้นคุณลักษณะที่นำเสนอและโครงข่ายประสาทเทียมแบบลึก ซึ่งเป็นโครงข่ายประสาทแบบคอนโวลูชันชั่วคราวที่ปรับให้เหมาะกับ EEG (TCN)" พวกเขาพบว่าความแม่นยำของทั้งสองแนวทางมีความใกล้เคียงกันอย่างน่าประหลาดใจ โดยอยู่ในช่วง 81% ถึง 86% ผลลัพธ์แสดงให้เห็นว่ากรอบการถอดรหัสตามคุณลักษณะที่นำเสนอมีประสิทธิภาพความแม่นยำใกล้เคียงกับโครงข่ายประสาทเทียมแบบลึก

บทความของ Yannick Roy และคณะใน Journal of Neuroengineering ได้อภิปรายถึงการที่เขาและทีมงานได้ทบทวนเอกสารจำนวน 154 ฉบับที่ประยุกต์ใช้ DL กับ EEG ซึ่งตีพิมพ์ระหว่างเดือนมกราคม 2553 ถึงกรกฎาคม 2561 เอกสารเหล่านี้ครอบคลุม "ขอบเขตการใช้งานที่แตกต่างกัน เช่น โรคลมบ้าหมู การนอนหลับ การเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์ และการติดตามการทำงานของสมองและอารมณ์" พวกเขาพบว่าปริมาณข้อมูล EEG ที่ใช้นั้นมีระยะเวลาแตกต่างกันตั้งแต่ไม่กี่นาทีไปจนถึงหลายชั่วโมง อย่างไรก็ตาม จำนวนตัวอย่างที่ตรวจพบระหว่างการฝึกแบบจำลอง deep learning แตกต่างกันไปตั้งแต่ไม่กี่โหลไปจนถึงหลายล้านตัวอย่าง ภายในข้อมูลทั้งหมดนี้ พวกเขาพบว่าแนวทาง deep learning มีความแม่นยำมากกว่าเกณฑ์พื้นฐานดั้งเดิมในทุกการศึกษาที่นำสิ่งนี้มาใช้

การแสดงภาพและการวิเคราะห์บ่งชี้ว่าทั้งสองแนวทางใช้ข้อมูลในส่วนที่คล้ายกัน เช่น พลังคลื่นช่วงเดลต้าและเธต้าที่ตำแหน่งอิเล็กโทรดขมับ Yannick Roy และคณะแย้งว่าความแม่นยำของตัวถอดรหัสพยาธิวิทยา EEG แบบสองประเภทในปัจจุบันอาจอิ่มตัวเกือบ 90% เนื่องจากข้อตกลงระหว่างผู้ประเมินที่ไม่สมบูรณ์ของฉลากทางคลินิก และตัวถอดรหัสดังกล่าวมีประโยชน์ทางคลินิกอยู่แล้ว เช่น ในพื้นที่ที่ผู้เชี่ยวชาญด้าน EEG ทางคลินิกมีน้อย พวกเขาได้เสนอกรอบการทำงานตามคุณลักษณะนี้ในรูปแบบโอเพนซอร์ส เพื่อเป็นเครื่องมือใหม่สำหรับการวิจัย machine learning ของ EEG

DL มีการตีพิมพ์เผยแพร่เพิ่มขึ้นอย่างรวดเร็ว สะท้อนให้เห็นถึงความสนใจที่เพิ่มขึ้นในการประมวลผลประเภทนี้ในหมู่ชุมชนวิทยาศาสตร์

ความพิเศษของข้อมูลสมองและอุปกรณ์ EEG ของ Emotiv คืออะไร?

แบบจำลอง ML และ DL กำลังสร้างความก้าวหน้าครั้งสำคัญในเทคโนโลยี EEG เมื่อพูดถึงอุปกรณ์ EEG ยุคใหม่ที่มีการแข่งขันสูงที่สุดในตลาด ไม่มีบริษัทใดที่ก้าวข้ามขีดจำกัดได้มากกว่า Emotiv

Emotiv เป็นบริษัทข้อมูลชีวสารสนเทศและเป็นผู้บุกเบิกในการเสริมสร้างศักยภาพให้กับชุมชนประสาทวิทยาศาสตร์ผ่านการใช้ EEG นวัตกรรมของ Emotiv อยู่ภายใต้ร่มเงาของ BCI ซึ่งเรียกอีกอย่างว่า "Mind Machine Interface", "Direct Neural Interface" และ "Brain-Machine Interface" เทคโนโลยีเหล่านี้ถูกนำมาใช้เป็นเวลากว่าทศวรรษเพื่อติดตามประสิทธิภาพการทำงานของสมอง ตรวจสอบอารมณ์ และควบคุมวัตถุเสมือนจริงและวัตถุทางกายภาพผ่าน machine learning และคำสั่งทางจิตที่ผ่านการฝึกฝนมาแล้ว