تصور کنید رابط‌های مغز و رایانه (BCI) بدون نیاز به ساعت‌ها آموزش خسته‌کننده برای هر بیمار، در ۱۰ دقیقه آماده به کار شوند. این ادعایی است که اکنون با معرفی چارچوب CORTEG به واقعیت نزدیک‌تر شده است.
به نقل از مقاله‌ای که در ۱۱ مه ۲۰۲۶ در arXiv منتشر شد، این سیستم قادر است با بازکاربست مدل‌های بنیادی (Foundation Model) پیش‌آموزه در سطح پوست سر، عملکرد رمزگشایی سیگنال‌های درون‌جمجمه‌ای را به سطح رقابتی برساند، در حالی که به مقدار بسیار اندکی داده‌های اختصاصی بیمار برای کالیبراسیون نیاز دارد.
الکتروکورتیکوگرافی (ECoG) سیگنال‌هایی با کیفیت بسیار بالاتر از روش‌های غیرتهاجمی ارائه می‌دهد، اما به دلیل ماهیت تهاجمی جراحی و تفاوت‌های شدید فیزیولوژیک هر فرد، همواره با مشکل «داده‌های کوچک» دست‌وپنجه نرم کرده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بنیادی اشاره کردیم، راهکار غلبه بر کمبود داده، بهره‌گیری از الگوهای کلی است. CORTEG دقیقاً همین کار را می‌کند؛ این چارچوب شکاف میان الگوهای عمومی مغز و ایمپلنت‌های جراحی خاص هر فرد را پر می‌کند.
از نظر فنی، CORTEG از یک ستون فقرات مدل بنیادی EEG استفاده می‌کند که با یک تطبیق‌دهنده مکانی KNNSoftFourier برای مدیریت تفاوت‌های الکترودی جفت شده است. این سیستم همچنین از یک توکنایزر دو جریانی برای پردازش هم‌زمان فعالیت‌های فرکانس پایین و گامای بالا بهره می‌برد. طبق گزارش منتشر شده در ۱۲ مه ۲۰۲۶، این مدل در دو وظیفه رگرسیون اصلی مورد آزمایش قرار گرفت:
- رگرسیون مسیر انگشت (۹ شرکت‌کننده)
- رگرسیون پوش EEG صوتی (۱۶ شرکت‌کننده)
این مدل می‌تواند تنها با استفاده از یک GPU و در بازه زمانی ۱۰ تا ۳۰ دقیقه برای یک بیمار جدید کالیبره شود و در عین حال، نتایجی برابر یا بهتر از قوی‌ترین مدل‌های پایه (Baselines) متمرکز بر هر وظیفه ارائه دهد.
این تغییر، پارادایم داده‌های BCI را از «بیمار-محور» به «بین-بیماری» تغییر می‌دهد. با تبدیل EEG پوستی به یک مجموعه پیش‌آموزش جهانی، می‌توان از مراحل تدریس داده‌محور و خسته‌کننده‌ای که پذیرش بالینی این فناوری را محدود می‌کرد، عبور کرد.
گام بعدی شما
- بررسی استراتژی Leave-one-subject-out در مخزن arXiv برای درک نحوه ارزیابی مدل.
- دنبال کردن نتایج ادغام این مدل‌های بنیادی در آزمایشات بالینی بلادرنگ برای کنترل پروتزهای عصبی.
- مطالعه مستندات فنی تطبیق‌دهنده KNNSoftFourier برای پیاده‌سازی در پروژه‌های پردازش سیگنال.
اما تأثیر این رویکرد بر کاهش هزینه استنتاج در محیط‌های کلینیکی حتی چشمگیرتر است — به تحلیل ما درباره‌ی بهینه‌سازی سخت‌افزاری مدل‌های عصبی مراجعه کنید.
گفتگو