Następna generacja internetu: Surfing mózg-komputer, ludzie na łańcuchu 🧠

AI obecnie rozwija się w szybkim tempie, jednak przełomy technologiczne są niewielkie. Aplikacje oparte na robotach jako oknach interakcji LLM kwitną, ale obszar AI wszedł w fazę masowej inżynierii i komercjalizacji, a na poziomie teoretycznym osiągnął stan stagnacji. Przyszłe aktywa i innowacyjne punkty zainteresowania z pewnością będą skupiać się na interfejsach mózg-komputer, materiałach alternatywnych dla energii odnawialnej i gospodarce kosmicznej.

Interfejs mózg-komputer (Brain-Computer Interface, BCI) to technologia umożliwiająca bezpośrednią interakcję między mózgiem a komputerem lub innymi zewnętrznymi urządzeniami poprzez rejestrowanie i dekodowanie aktywności mózgu. Jej głównym celem jest zapewnienie możliwości komunikacji i kontroli pacjentom z zaburzeniami ruchowymi, a także rozszerzenie zastosowania na zdrowe populacje (np. kontrola gier, monitorowanie uwagi itp.).

Kluczowe składniki BCI:

🧠 Zbieranie sygnałów

Inwazyjne: poprzez operacyjne wszczepienie elektrod (np. mikroeletrodowe matryce, ECoG), jakość sygnału jest wysoka, ale istnieje ryzyko zakażeń.

Nieinwazyjne: EEG (elektroencefalografia): rejestracja aktywności elektrycznej za pomocą elektrod umieszczonych na skórze głowy, niskie koszty, ale gorsza rozdzielczość przestrzenna. MEG (magnetoencefalografia): rejestracja sygnałów pola magnetycznego, wysoka rozdzielczość, ale drogi sprzęt. fMRI (funkcjonalne obrazowanie rezonansu magnetycznego): pośrednia ocena aktywności neuronów poprzez sygnały zależne od poziomu tlenu we krwi (BOLD). fNIRS (bliska spektroskopia podczerwieni): wykrywanie zmian poziomu tlenu we krwi za pomocą sygnałów świetlnych, przenośne, ale niska rozdzielczość czasowa.

🧠 Typy sygnałów

Potencjały wywołane zdarzeniami (ERP): np. P300 (pozytywny impuls pojawiający się po 300 ms), wykorzystywane w systemach pisania. Potencjały wywołane zmysłowo: np. potencjały wywołane wzrokowo (VEP), potencjały wywołane słuchowo (AEP). Sygnały wyobraźni ruchowej (SMR): generowane przez wyobrażenie sobie ruchu kończyn, używane do kontrolowania protez lub kursora.

🧠 Przetwarzanie sygnałów

Ekstrakcja cech: usuwanie szumów i wydobywanie użytecznych informacji, powszechnie stosowane metody obejmują: Wspólne wzorce przestrzenne (CSP): maksymalizacja różnicy wariancji między dwoma rodzajami sygnałów (wzór poniżej). Analiza niezależnych składników (ICA): separacja źródeł sygnału, usuwanie artefaktów (np. zakłócenia spowodowane mruganiem). Transformaty falkowe (WT): ekstrakcja cech czas-częstotliwość. Algorytmy klasyfikacji: mapowanie cech na polecenia kontrolne, powszechnie stosowane metody obejmują: Maszyny wektorów nośnych (SVM): separacja różnych klas za pomocą hiperpowierzchni. Sieci neuronowe (NN): np. wielowarstwowe perceptrony (MLP), konwolucyjne sieci neuronowe (CNN). Systemy rozumowania rozmytego (FIS): przetwarzanie sygnałów z niepewnością.

Przyszłe kierunki badań

1. Opracowanie niskokosztowych, wysokorozdzielczych urządzeń nieinwazyjnych (np. EEG o niskiej gęstości);

2. Połączenie wysokowydajnych algorytmów głębokiego uczenia (np. LSTM, Transformer) w celu zwiększenia dokładności klasyfikacji.

3. Optymalizacja algorytmów przetwarzania sygnałów w czasie rzeczywistym w celu zmniejszenia opóźnienia;

4. Rozszerzenie scenariuszy zastosowań (np. rozpoznawanie emocji, kontrola wirtualnej rzeczywistości).