← Новости

Смогут ли локальные LLM ускорить нейроинтерфейсы вне лабораторий?

Смогут ли локальные LLM ускорить нейроинтерфейсы вне лабораторий?
Иллюстрация: The Value Engineering, ИИ

Система под названием ChatBCI-Assist воспроизводит предложения почти в два раза быстрее традиционных предиктивных интерфейсов на базе словарей благодаря переходу от посимвольного ввода к предсказанию фраз на основе намерений. Разработанный инженерами Ратгерского университета неинвазивный интерфейс «мозг — компьютер» переводит электрические сигналы кожи головы в готовые фразы без хирургического вмешательства или инвазивных датчиков. Архитектура устраняет медленный посимвольный набор, характерный для стандартных ассистивных клавиатур, однако ее практическая ценность упирается в нерешенный вопрос: сохранится ли зафиксированная в лаборатории скорость передачи данных в условиях реальной клиники?

Ответ зависит от того, как именно система справляется с задержками нейросигналов и прогнозированием намерений. Неинвазивные интерфейсы «мозг — компьютер» используют шапочку с внешними датчиками, фиксирующими колебания электрических потенциалов на поверхности скальпа. Классические экранные клавиатуры заставляют пользователя выбирать каждый символ по отдельности, что резко ограничивает пропускную способность даже при составлении базовых запросов вроде просьбы принести воды. ChatBCI-Assist перекладывает эту вычислительную нагрузку на большую языковую модель, позволяя активировать полные, релевантные контексту фразы вместо посимвольной сборки текста.

Локальный инференс и волна P300

Интерфейс опирается на четкий физиологический маркер, а не на прямое декодирование абстрактных мыслей. Перед пользователем последовательно подсвечиваются строки и столбцы на экране. Когда визуальный стимул совпадает с целевым элементом, который человек намерен выбрать, мозг генерирует электрический всплеск — потенциал P300. Этот вызванный потенциал проявляется примерно через 300 миллисекунд после распознавания значимого стимула. Встроенные в шапочку электроды фиксируют скачок напряжения, позволяя управляющему компьютеру сопоставить временную метку сигнала с мерцающей сеткой интерфейса.

Чтобы свести задержки к минимуму и исключить зависимость от внешней сетевой инфраструктуры, языковая модель работает полностью локально на клиентском компьютере.

«Наша работа открывает путь к более быстрой и доступной коммуникации с помощью неинвазивных интерфейсов "мозг — компьютер"», — заявила Наджафизаде.

Проект возглавила Лале Наджафизаде, профессор кафедры электротехники и вычислительной техники Инженерной школы Ратгерского университета и руководитель Лаборатории интегрированных систем и нейровизуализации, совместно с постдоком Вэйнанем Ваном. Ведущий автор разработки Цзячжэнь Хун, защитивший докторскую диссертацию в Ратгерском университете, реализовал проект вместе с аспирантом Прадьюмной Рао. Детальное описание архитектуры опубликовано в журнале IEEE Transactions on Biomedical Engineering. Инженеры адаптировали языковую модель с помощью специализированных диалоговых сценариев, ориентированных на повседневные коммуникативные потребности пациентов с тяжелыми двигательными нарушениями.

Способна ли такая модель предиктивного ввода функционировать за пределами жестких лабораторных параметров?

Клиническая эффективность решения пока не доказана: вся текущая статистика собрана исключительно на здоровых испытателях. Эксплуатация ассистивного комплекса в контролируемой лаборатории принципиально отличается от повседневного использования пациентами с нейродегенеративными изменениями. Главный вопрос к проекту сейчас — выдержит ли заявленный прирост скорости столкновение с физиологической реальностью нервно-мышечных патологий.

Клиническая валидация и мобильность пациентов

Переход прототипа к стадии клинических испытаний — это рубеж, отделяющий академический концепт от функционального медицинского продукта. Лале Наджафизаде в партнерстве с Шань Чэнем, врачом-исследователем и медицинским директором междисциплинарной клиники БАС Медицинской школы Роберта Вуда Джонсона при Ратгерском университете, готовится протестировать систему на пациентах с боковым амиотрофическим склерозом. Это заболевание разрушает моторные нейроны, управляющие произвольными мышечными сокращениями, что со временем лишает человека речи и подвижности конечностей при сохранении когнитивных функций.

Традиционные ассистивные комплексы базируются на оптических системах айтрекинга, отслеживающих движение зрачка по экрану. Прогрессирующая деградация мышц нарушает стабильную фиксацию взгляда, делая такие окулографические интерфейсы ненадежными. Неинвазивные нейрошлемы снимают проблему контроля взгляда, но создают эксплуатационные барьеры: сложность длительного ношения, нестабильность расположения электродов и помехи от случайных движений пациента.

«Стремительное развитие AI-технологий в медицине открывает новые возможности для наших пациентов с БАС», — подчеркнул Чэнь.

Клинические испытания на базе отделения неврологии Медицинской школы Роберта Вуда Джонсона и Университетской больницы Роберта Вуда Джонсона (сеть RWJBarnabas Health) находятся на этапе подготовки. Предстоящие тесты покажут, способен ли локальный предиктивный инференс поддерживать высокую скорость передачи информации без ущерба для комфорта пациента при длительном мониторинге — именно эти метрики определят экономическую и практическую целесообразность внедрения технологии в клиническую практику.

В чём смысл

Всплеск потенциала P300 проявляется на коже головы примерно через 300 миллисекунд после нужной подсветки на экране — именно в это физиологическое бутылочное горлышко и упираются неинвазивные интерфейсы. Инженеры из Ратгерского университета перенесли задачу с медленной посимвольной печати на автономные предсказания целых реплик с помощью локальной языковой модели. По сути, система ChatBCI-Assist компенсирует слабость внешних датчиков алгоритмической догадкой, разгружая пользователя от рутинного перебора букв.

Источник: Tech Xplore (AI)