Application of Data Analytics in Neuroscience : คอมพิวเตอร์เข้าใจมนุษย์ด้วยข้อมูลจากสมอง? นักประสาทวิทยาเขาทำยังไง?


Share this article

ในปัจจุบันงานวิจัยและเทคโนโลยีที่ส่งเสริมการพัฒนาระบบติดต่อสื่อสารระหว่างสมองและเครื่องจักร หรือ Brain-Computer Interface (BCI) กำลังเป็นที่จับตามองจากคนทั้งในภาควิชาการ ธุรกิจ การแพทย์ การศึกษา และอุตสาหกรรม เนื่องจากสามารถนำมาประยุกต์ใช้ให้เป็นประโยชน์ได้ในหลายแขนง ทั้งด้านการแพทย์ (เช่น ช่วยพัฒนาคุณภาพชีวิตของผู้สูงอายุ และคนพิการ) ธุรกิจอุตสาหกรรม (เช่น ช่วยเพิ่มประสิทธิภาพการทำงานของพนักงาน) และการศึกษา (เช่น ช่วยในการประเมินความสนใจในห้องเรียนและเพิ่มประสิทธิภาพในการเรียนรู้)  ด้วยเหตุผลดังกล่าวบริษัทยักษ์ใหญ่อาทิเช่น Neuralink และ Google DeepMind ได้ลงทุนจำนวนมหาศาลในการสร้างงานวิจัยและนวัตกรรมด้าน BCI และปัญญาประดิษฐ์ หรือ artificial intelligence (AI) อีกทั้งยังมีบริษัทสตาร์ทอัพทั่วโลก ทั้งในประเทศไทยและประเทศอื่น ๆ ในอาเซียนที่มุ่งเติบโตในตลาดโลกด้วยการผลิตสินค้าใหม่ๆที่เกิดจากการผสมผสานระหว่าง BCI และเทคโนโลยีสวมใส่ (wearable technology)

หัวข้อการวิจัยในเรื่องของ BCI นั้นมีหลากหลาย ตั้งแต่เรื่องพื้นฐานเช่นการคาดคะเนว่าสมองของเรากำลังจดจ่อกับสิ่งใดสิ่งหนึ่งอยู่หรือไม่ ไปจนถึงกำลังจดจ่ออยู่ที่ตำแหน่งใด หากสามารถคาดคะเนตำแหน่งที่จดจ่ออยู่ได้ ก็จะช่วยในการเลือกตำแหน่งที่จะป้อนคำสั่งในการควบคุมคอมพิวเตอร์ เครื่องจักร และ อุปกรณ์ต่างๆ ได้

การวัดคลื่นสมองนั้นมีมาตั้งแต่ในอดีต แต่จะเป็นการที่จะต้องนำแท่งอิเล็กโทรด เสียบลงไปยังสมองโดยตรง ในสมัยก่อนจึงมีเพียงการวัดคลื่นสมองในลิง ซึ่งมีลักษณะทางกายภาพใกล้เคียงกับมนุษย์มากที่สุด แต่ในปัจจุบัน มีการพัฒนาวิธีการวัดคลื่นสมองขึ้นมาหลากลายวิธีที่ไม่จัดเป็นต้องฝังอะไรลงไปในร่างกาย จึงได้มีการทดลองในมนุษย์ขึ้นมากมาย มีวิธีการที่เป็นที่นิยมมากที่สุดอยู่ 2 วิธี คือ การบันทึกคลื่นไฟฟ้าในสมอง (Electroencephalography (EEG)) และ การสร้างภาพกิจกรรมสมองด้วยเรโซแนนซ์แม่เหล็ก (Functional magnetic resonance imaging (fMRI))

EEG เป็นการตรวจวัดคลื่นไฟฟ้าสมอง โดยใช้เจลกับอิเล็กโทรด ติดลงบนศีรษะ  โดยทั่วไปจะใช้แบบ 64 อิเล็กโทรด วิธีการนี้สามารถบ่งบอกถึงการทำงานของสมองซึ่งสัมพันธ์กับเวลา ณ ขณะนั้นเป็นหน่วย milisecond ได้ ส่วนการตรวจวัดด้วย fMRI นั้นมีหลักการทำงานคล้ายๆ กับ MRI ที่วัดคลื่นแม่เหล็กของอนุภาคในนิวเคลียส โดยที่ผู้เข้าร่วมทดลองจะต้องนอนลง และใช้อุปกรณ์ MRI สแกนที่ส่วนศีรษะ ซึ่งโดยปกติ MRI จะสามารถแสดงภาพโครงสร้างของสมองได้ สำหรับ fMRI จะพิเศษกว่าคือสามารถบ่งบอกได้ถึงการไหลเวียนของเลือดรวมถึงการเปลี่ยนแปลงของปริมาณออกซิเจนในสมองแต่ละขณะได้อีกด้วย

ระหว่างที่ทำการวัดคลื่นสมอง ผู้เข้าร่วมการทดลองจะได้รับ task หรือการทดลองบางอย่างเช่นการจดจ่อไปยังวัตถุบนจอคอมพิวเตอร์ที่ตำแหน่งต่างๆ แล้วกดปุ่มเมื่อพบการเปลี่ยนแปลง เช่น สี หรือความเข้มของแสง ในขณะที่สแกน ผู้เข้าร่วมจะต้องกะพริบตาให้น้อยที่สุด และไม่เลื่อนลูกตาหรือทำกิจกรรมอื่นๆนอกจาก task ที่ตนได้รับมองหมาย เพื่อให้คลื่นที่วัดมีสัญญาณรบกวนน้อยที่สุด

เมื่อได้ข้อมูลคลื่นสมองมาแล้ว ผู้วิจัยจะต้องทำการ preprocess data หรือทำการจัดการข้อมูลให้สามารถนำมาใช้ในการวิเคราะห์ต่อไปได้ ขั้นตอนเหล่านี้ประกอบไปด้วยการกำจัด artifact หรือสัญญาณที่ผิดปกติระหว่างการเก็บข้อมูล กำจัดคลื่นขณะที่ผู้ทดลองกะพริบตาและเลื่อนลูกตา เลือกช่องสัญญาณที่สามารถนำมาใช้ในการวิเคราะห์ได้ และการทำ filter ต่างๆ

เซลล์สมองมักจะถูกจัดเรียงเป็นกลุ่มหน่วยประสาท (neural population) ที่ทำหน้าที่ร่วมกันเพื่อสร้างความเข้าใจข้อมูลที่เข้ามา ยกตัวอย่างเช่น กลุ่มหน่วยประสาทในสมองกลีบท้ายทอย และสมองกลีบหลัง (occipital and parietal cortex) ซึ่งเป็นส่วนย่อยของสมองที่มีความสำคัญมากในการทำความเข้าใจว่าเรากำลังจดจ่อกับตำแหน่งของวัตถุ กลุ่มหน่วยประสาทนี้มีหน้าที่ในการสร้าง retinotopy หรือแผนที่ของเรตินา เช่น เวลาเราขับรถแล้วเราทราบว่ามีวัตถุอยู่ทางซ้ายมือ เราอาจจะพยายามจดจ่อกับตำแหน่งวัตถุนั้น (โดยที่ตายังมองไปยังทางข้างหน้า) ภาพวัตถุนั้นตกจะอยู่บนส่วนซ้ายมือของเรตินา กลุ่มหน่วยประสาทที่รับผิดชอบส่วนซ้ายมือของเรตินาก็จะตอบสนองในระดับที่สูงกว่ากลุ่มหน่วยประสาทที่รับผิดชอบตำแหน่งอื่นๆ

มีงานวิจัยทางด้านประสาทวิทยาศาสตร์หลายชิ้นที่ศึกษาความสัมพันธ์ระหว่างความคิดและสัญญาณจากสัญญาณสมอง มุ่งเน้นไปที่ retinotopy บน occipital and parietal cortex โดยใช้โมเดลทางคณิตศาสตร์และหลักการเรียนรู้ของเครื่อง หรือ machine learning (ML) เพื่อที่จะเรียนรู้รูปแบบการกระจายตัวของคลื่นสมองที่วัดได้บนกะโหลก ถ้าเราเข้าใจความสัมพันธ์นี้ในเชิงคณิตศาสตร์ อาจจะนำไปสู่การคาดคะเนว่าสมองของคนคนนี้กำลังจดจ่อกับวัตถุที่ตำแหน่งใด โดยดูจากแค่คลื่นสมองอย่างเดียว ไม่จำเป็นต้องถามเจ้าตัว โดยมีการทำความพยายามทำโมเดลอยู่สองรูปแบบคือ encoding models (ใช้สิ่งเร้าในการทำนายรูปแบบของคลื่นสมอง) และ decoding (ใช้รูปแบบของคลื่นสมองในการทำนายสิ่งเร้า)

encoding models ตั้งอยู่บนสมมุติฐานทางประสาทวิทยาศาสตร์ที่ว่า ในสมองของเรานั้นจะมีตำแหน่งเฉพาะที่จะตอบสนองต่อสิ่งเร้าในตำแหน่งบน retina เมื่อทราบว่าสิ่งเร้าอยู่ที่ตำแหน่งใด ก็น่าจะสามารถทำนายได้ว่า neural population กลุ่มไหนจะทำงาน

ส่วน decoding models มีสมมุติฐานว่ารูปแบบการกระจายตัวของคลื่นสมองที่ตอบสนองกับความสนใจจดจ่อที่ตำแหน่งต่าง ๆ อาจจะไม่มีรูปแบบที่ชัดเจน ไม่มีรูปแบบหรือตำแหน่งเชิงกายภาพที่สัมพันธ์สามารถตีความได้ง่ายๆ ตราบใดเราสามารถทำนายตำแหน่งวัตถุ ด้วยสัญญาณจาก neural population ที่เราสนใจได้ ก็เพียงพอแล้ว ซึ่งโมเดลที่ถูกนำมาทำ decoding ในปัจจุบันนี้อย่างแพร่หลาย จะเป็นโมเดลประเภท SVM ซึ่งยังไม่สามารถทำนายสิ่งที่มีความซับซ้อนมากๆออกมาได้ดีเท่าไรนัก จึงมีการนำ deep learning เข้ามาใช้ในการทำ model ด้านนี้กันมากขึ้น เช่น Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), หรือการนำทั้งสองโมเดลมาใช้ร่วมกัน เป็นต้น

จะเห็นว่าศาสตร์ของการอ่านใจคนจากคลื่นสมองนั้นยังมีเรื่องให้ศึกษาอีกยาวไกล และยังเป็นเรื่องที่นักวิทยาศาสตร์กำลังศึกษากันอย่างจริงจังในห้องแล็บ แต่ Neuroscience ช่วยให้เราเข้าใจสมองคน พอนำไปประกบกับ Machine Learning ทำให้เราเข้าใจสมองคน ด้วยความช่วยเหลือของสมองกลได้ น่าสนใจใช่ไหมล่ะ

Reference:

Sprague, T.C., Adam, K.C., Foster, J.J., Rahmati, M., Sutterer, D.W. and Vo, V.A., 2018. Inverted encoding models assay population-level stimulus representations, not single-unit neural tuning. Eneuro5(3).

READ  Data-Driven Ship Design using ELK stacks beat approach

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]
Tel: 097-941-9889

ABOUT

SERVICES