⚠️ KMI waarschuwing: Code oranje in Henegouwen Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Nieuwe GALA-methode verbetert nauwkeurigheid van EEG-beelddecodering bij nieuwe gebruikers

Nieuwe GALA-methode verbetert nauwkeurigheid van EEG-beelddecodering bij nieuwe gebruikers

Onderzoekers hebben een nieuwe techniek ontwikkeld die het mogelijk maakt om visuele ervaringen nauwkeuriger af te leiden uit hersengolven, zelfs bij personen die het systeem nog nooit eerder hebben gebruikt. De methode, genaamd GALA, overbrugt de kloof tussen individuele hersenpatronen zonder dat daarvoor handmatig gelabelde data nodig zijn.

Het decoderen van visuele ervaringen via elektro-encefalografie (EEG) is een complex proces. Hoewel bestaande systemen zeer effectief zijn wanneer ze worden getraind op een specifiek individu, kampen ze met grote problemen zodra ze worden toegepast op een nieuwe gebruiker. Volgens een recent onderzoekspublicatie op arxiv.org daalt de top-1 nauwkeurigheid op de standaard benchmark THINGS-EEG-2 van boven de 80% bij bekende subjecten naar ongeveer 32% bij een onbekend subject.

De barrière van gelabelde data

Een groot obstakel bij de implementatie van Brain-Computer Interfaces (BCI) is de noodzaak om pre-trained encoders aan te passen aan nieuwe gebruikers. Dit proces vereist doorgaans gelabelde data, wat betekent dat er tijdrovende verzamelprocessen nodig zijn voordat een apparaat praktisch inzetbaar is. In een realistische BCI-omgeving zijn de mogelijke uitkomsten echter vaak vooraf bekend; er is sprake van een 'galerij' met mogelijke kandidaten. Terwijl een gebruiker het apparaat bedient, verzamelt het systeem continu ongelabelde EEG-data.

Om dit proces te optimaliseren, stellen de auteurs van het onderzoek een nieuwe benadering voor: incremental transductive calibration. In deze setting wordt de decoder regelmatig gekalibreerd op basis van alle tot dan toe ontvangen ongelabelde EEG-signalen en de bekende galerij van beelden, volledig zonder gebruik van labels. Deze methode ligt dichter bij de werkelijke gebruiksomstandigheden van een BCI dan de huidige zero-shot of batch-evaluaties.

Werking van GALA

De voorgestelde methode, GALA (Gallery-Level Alignment), is een label-vrije kalibratietechniek. Volgens de beschrijving in het artikel op registreert GALA de ongelabelde EEG-embeddings op de galerij via een combinatie van verschillende technieken:
* Shrinkage whitening: om de data te normaliseren.
* Hubness correction: om structurele fouten in de data-ruimte te verminderen.
* Sinkhorn-Procrustes alignment: om de embeddings uit te lijnen met de galerij, waarbij de frequenties van de queries worden geschat vanuit een buffer en na elke query worden bijgewerkt.

Significante resultaten

De effectiviteit van GALA is getest met een protocol waarbij queries één voor één binnenkomen met onbekende en mogelijk ongelijke frequenties. De resultaten op de THINGS-EEG-2 dataset, met een galerij van 200 afbeeldingen, zijn opvallend. De top-1 nauwkeurigheid bij een nieuw subject steeg van 28% naar 67% gedurende een gebruiksperiode van 53 minuten, zoals vermeld in de publicatie op .

Bovendien is de methode uitgebreid getest over 60 verschillende evaluatie-instellingen. Hierbij varieerden de grootte van de galerij, de frequentie van de queries en het aantal herhalingen per query. In al deze scenario's bleek GALA de meest accurate label-vrije methode. Gemiddeld scoorde de techniek aan het einde van de datastroom 6,6 punten hoger dan de beste concurrerende methode, aldus de data van .

Het onderzoek is geschreven door een team van wetenschappers, waaronder Philippe Forest, Giulia Lioi, Mai Pham Quyen, Alix Lamouroux, Javen Shi en Adrien Merlini. De resultaten suggereren dat label-vrije kalibratie een levensvatbaar pad is om BCI-systemen toegankelijker en efficiënter te maken voor een breed publiek zonder dat daarvoor intensieve individuele trainingssessies nodig zijn.

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!