Derin Öğrenme İle Desteklenen Nöroprostetikler

Nöroprostetik, Omurilik hastalarına işlevselliği geri kazandırmak için cihazlar yapmayı amaçlayan biyomedikal mühendisliğinin bir alt disiplinidir. Nöral protezler büyük olasılıkla Beyin Bilgisayar Interphases (BCI) olarak düşünülür. BCI’ler beyin ve harici bir cihaz arasında bir iletişim yolu oluşturma eğiliminde olsa da, aksine sinirsel protezler, bazı yaralanmalar nedeniyle sinir sisteminin bir bileşenine kaybolan işlevselliği geri kazandırmayı amaçlamaktadır. Özünde, sinir sisteminde herhangi bir yaralanma olmayan sağlıklı bir birey, bir cihazla iletişim kurmak için bir BCI kullanabilir, ancak böyle bir kişinin sinirsel protezler kullanmasına gerek yoktur. Daha çok tekerlekli sandalye kullanmaya çalışan, uzuvları sağlam bir insan gibi. Yapılabilir ama klinik bir fayda sağlanamaz.

Nöroprostetik alanı, birçok invaziv rehabilitasyon tıbbı araştırma çözümünün karşılaştığı zorluk söz konusu olduğunda dışlanmaz: biyouyumluluk. Bir araştırma ürününü klinik kullanım için laboratuvardan çevirmek her zaman zordur. İnvaziv olmayan yapay zekâ, klinik çözümü bile sınıflandırma ve tahmin etmede doğruluk becerisine ulaşmasına rağmen, anlamlı bir klinik müdahale veya azaltmada çok kullanışlı değildir. Bir cihazın insan vücudunda uzun ve etkisiz kalmasını sağlarken, önemli ölçüde en yüksek performansı elde etmek zor bir iştir. Bununla birlikte etik de gelir. Örneğin, bir yapay zeka modelinden yanlış bir çıktının neden olduğu zararlardan sorumlu olan kimdir? Geliştiriciler mi?

İlk olarak, sinirlerden elde edilen veriler bir Scorpius neural interface (biyoelektronik algılama cihazı) aracılığıyla elde edilir. Bu sensörler, parmak hareketleri için gerekli olan iki sinirden sinyal toplamak için ampute bireye cerrahi olarak yerleştirilir. Çoğu tıbbi verinin yapılandırılmamış olduğunu, bu nedenle sinyaller, görüntüler şeklinde geldiklerini ve hatta metin olabileceklerini belirtmek gerekir. Hasta özelliği matrisinin aksine, sinyaller çok yapılandırılmamıştır. Scorpius sinirsel arayüzünün görevi, bu ölçülen sinyalleri bir bilgisayarın anlayacağı bir formata çevirmektir. NVIDIA Jetson Nano’nun görevi bu sinyalleri işlemekti, bu yüzden sinyallere herhangi bir anlam verilmeden önce ilk etapta neyle beslendiğini anlaması çok önemliydi. Bu engel aşıldıktan sonra, sinyallerin bilgisayarlı formatı daha sonra üzerinde eğitimli bir derin öğrenme modeli bulunan NVIDIA Jetson Nano’yla beslendi. Bu ağ, eğitim sırasındaki önceki deneyimlerinden, sinyali çevirir ve bir çıktı verir.

Ama yolculuk bununla bitmemektedir. Bu çıktıyı uygulamak için bir sistem oluşturmak gerekir. Bu nedenle, sistem her parmak için ağın çıkışını uygulayan mikrodenetleyicilerle çalışan bir el denetleyicisine sahiptir.

Şöyle bir soru akla gelebilir, ağ tam olarak nasıl eğitildi? Tıpkı bir bebeğin yön bulmayı öğrenmesi gibi, ağ da etiketli birkaç veriyle beslendi. Ağı ‘öğretmek’ için veriler, yansıtılmış ikili paradigma kullanılarak elde edildi. Kesilmiş uzuvdaki cerrahi implantlara ek olarak, denek diğer yandan bir veri eldiveni verir. Böylece, parmakların her esnemesi sırasında, veri eldiveni proksimal falanks parmaklarının metakarpal kemikle yaptığı açıları kaydeder.

Yetenekli katılımcılardan da veri elde edildi. Örneğin, ampute bireye her seansta yaklaşık 2 saniye boyunca yumruğunu 10 kez kapatması söylendiğinde, toplanan sinyaller (11111) olarak etiketlenmiştir. Her parmak için her sayı. Yumruk için ilk 1, yumruğun meşgul olduğu anlamına gelir. diğer dört sayı kalan dört parmaklar meşgul olduğu anlamına da gelir.Başka bir örnek, (10111) olarak etiketlenmiş işaret etme eylemidir. Burada, işaret parmağı uzanır ve kalan dört geriye doğru uzanır. Bu verileri aldıktan sonra, modelin görevi (sinyallere dayanarak) 0-1 arasında bir olasılık çıkararak hangi parmakların hareket ettirileceğini tahmin etmektir. Örneğin, model çıkışları (0.98 0.1 0.95 0.90 0.91) olan bu gibi değerler (10111)’e diğer kombinasyonlardan daha yakın olduğu için bir işaret tahmin etmeye çalıştığını söyleyebiliriz. İlk başta model ‘kötü’ öğrenmeyle başlar, ancak birkaç örnek verildiği için zaman ile (tahmininin etiketten ne kadar uzak olduğunu kontrol ederek ve daha sonra bu ‘mesafeyi’ azaltmaya çalışarak) geliştirir. Sonra bebek yeterince ‘öğrendikten’ sonra, kendi başına bazı sorumluluklar alacak bir pozisyona gelir.

Yine bu büyük başarı ile bile klinik uygulamalar gerçekleştirmenin zor olduğunu belirtmek gerekir. Derin öğrenme modellerini klinik olarak taşınabilir cihazlarda çalıştırmak daha iyi işlemciler ve daha az güç tüketimi gerektirir. Yani sinir sinyallerini işleyen modeli barındırmak için altyapıyı küçültmek bir zorluktur. Bu nedenle, çevresiyle isteyerek etkileşime girmek isteyen bir ampute bireyin etrafta ekstra GPU ve güç bankaları taşıması klinik olarak mümkün olmayacaktır. Mevcut sistemlerin işlem gücünü, boyutunu ve güç tüketimini artırma çabaları devam ederken, araştırmacılar, sonucun klinik olarak yararlı olması durumunda daha az bilgi işlem gücü gerektiren model mimarisinin kullanılacağına inanıyorlar.

 

Benjamin ATADANA

 

 

REFERANSLAR

AboutAuthor

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir