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  ให้ AI ทำงานควบคู่กับ Privacy ด้วยวิธี Federated Learning

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