Naukowcy wciąż walczą z jednym z największych problemów interfejsów mózg-komputer: modele sztucznej inteligencji wytrenowane na sygnałach EEG jednej osoby praktycznie nie działają, gdy spróbujemy ich użyć u kogoś innego. Nowy przegląd metod deep learning skupia się właśnie na tym wyzwaniu, które specjaliści nazywają cross-subject generalization. Chodzi o to, by stworzyć systemy zdolne do dekodowania mózgowych sygnałów elektrycznych u różnych ludzi, mimo że każdy mózg pracuje nieco inaczej. Problem jest na tyle poważny, że blokuje komercjalizację wielu technologii BCI - interfejsy, które mogą odczytywać intencje pacjenta czy osoby niepełnosprawnej, muszą działać niezawodnie u każdego użytkownika, nie tylko u tego, na którym testowaliśmy algorytm.
Autorzy przeglądu analizują techniki transferu wiedzy i adaptacji domenowej, czyli sposoby na to, by sieć neuronowa nauczyła się cechy wspólne dla wszystkich ludzi, a nie tylko memoryzowała specyficzne wzorce jednego pacjenta. W grę wchodzą tu różne strategie: od prostszych - gdzie trenujemy model na danych z wielu osób jednocześnie - po zaawansowane, opierające się na adversarial learning czy autoenkoderach, które wyłuskują uniwersalne reprezentacje aktywności mózgu. Każde podejście ma swoje wady i zalety, a wybór zależy od tego, ile danych mamy dostępne, jaki typ aktywności mózgu dekodujemy oraz jak tolerancyjny może być nasz system.
Przegląd pokazuje, że cross-subject EEG to wciąż otwarty problem badawczy. Naturalne różnice entre osobami - różne rozmiary czaszek, lokalizacja elektrod, nawet indywidualne tempo fal mózgowych - sprawiają, że proste rozwiązania nie działają. Dlatego właśnie metodologie łączące głębokie uczenie się z wiedzą neuronaukową mogą być kluczem do przełomu. Jeśli naukowcom uda się to rozwiązać, interfejsy mózg-komputer będą mogły wejść do codziennego użytku - w neurorehabilitacji, diagnostyce, czy wspomaganiu osób z deficytami motorycznymi.