Apple PARS: Näin Apple haluaa lukea aivotoimintaasi korvastasi.

Ajatus siitä, että kuulokkeet voivat Kuuntele musiikkiasi ja samalla "kuuntele" aivojasi Se vaikuttaa tieteiskirjallisuudelta, mutta Apple on jo raivaamassa tietä erittäin tehokkaalla yhdistelmällä: uusilla korvatunnistimilla ja edistyneillä malleilla. Inteligencia keinotekoinenKaiken tämän takana on menetelmä, jota kutsutaan PARS (PAIRWIDE-suhteellinen siirtymä), itseoppiva lähestymistapa, jonka avulla algoritmi voi ymmärtää aivojen sähköistä toimintaa ilman, että asiantuntijat tallentavat tietoja manuaalisesti.

Sen sijaan, että Apple keskittyisi tiettyyn laitteeseen, sen tutkimus keskittyy siihen, miten malli IA puede oppia EEG-signaalien ajallinen rakenne (elektroenkefalografia) ja soveltaa sitten tätä tietoa tehtäviin, kuten univaiheiden luokitteluun tai neurologisten poikkeavuuksien havaitsemiseen. Ja vaikka tutkimuksessa ei mainita suoraan AirPodeja, se lisää patentteja ja prototyyppejä, jotka viittaavat tulevaisuuteen, jossa yksinkertaisista kuulokkeista voisi tulla eräänlainen "minilaboratorio" aivojen seurantaan korvasta.

Mikä on Apple PARS (Pairwise Relative Shift) ja miksi se on niin tärkeä?

PARS-menetelmä sai alkunsa Applen tiimin ja akateemisten yhteistyökumppaneiden esittelemästä tutkimuksesta, joka hyväksyttiin ... NeurIPS 2025 Aivojen ja kehon perusmallit -työpajaTutkimus, jonka otsikko on "EEG-signaalien suhteellisen koostumuksen oppiminen parittaisen suhteellisen siirtymän esikoulutuksen avulla", ehdottaa erilaista tapaa kouluttaa malleja elektroenkefalografiasignaaleilla ilman ihmisen luokkien käyttöä.

Käytännössä PARS on tekniikka, joka itseohjattu oppiminen sovellettuna EEG:hen. Sen sijaan, että neurologeja pyydettäisiin manuaalisesti osoittamaan, mikä signaalisegmentti vastaa kutakin univaihetta tai epileptisen kohtauksen alkamista, mallia koulutetaan merkitsemättömällä datalla ja se pakotetaan ratkaisemaan keinotekoinen mutta erittäin hyödyllinen ongelma: ennustaa, mikä aikaetäisyys erottaa kaksi signaalifragmenttia.

Perusajatuksena on, että jos malli oppii arvioimaan kahden EEG-ikkunan välisen ajan, se lopulta ymmärtää globaali rakenne ja pitkän kantaman riippuvuudet aivotoimintaa. Tämä puolestaan ​​mahdollistaa sen paremman suorituskyvyn todellisissa kliinisissä tehtävissä, kuten unirytmien havaitsemisessa, epilepsian tunnistamisessa tai motoristen signaalien tunnistamisessa.

Kirjoittajat korostavat, että toisin kuin klassiset EEG-itseoppimismenetelmät, jotka keskittyvät ensisijaisesti rekonstruoi signaalin peitetyt osat (Kuten maskatut autoenkooderit, MAE, tekevät), PARS keskittyy suhteelliseen ajalliseen koostumukseen. Toisin sanoen se ei ainoastaan ​​täytä paikallisia "aukkoja", vaan tallentaa, miten signaalin erilliset fragmentit sopivat yhteen ajan kuluessa.

Suoritetuissa testeissä PARS-pohjaiset mallit osoittavat, että ne pystyvät vastaamaan tai ylittämään aiemmat strategiat useissa EEG-vertailuarvoissa, erityisesti silloin, kun saatavilla on vain vähän merkintöjä (hyvin yleinen skenaario lääketieteessä). Tämä tekee PARSista erittäin houkuttelevan vaihtoehdon mille tahansa järjestelmälle, joka haluaa hyödyntää suuria määriä aivosignaaleja ilman, että on turvauduttu kattaviin merkintöihin.

PARSin toimintaperiaate: tokenisoinnista suhteellisen siirtymän arviointiin

Soveltaakseen PARS-lähestymistapaa EEG:hen tutkijat suunnittelevat arkkitehtuurin, joka perustuu Muuntajat, joissa on useita keskeisiä vaiheitaKaikki alkaa signaalin esikäsittelystä ja sen muuntamisesta mallin helposti käsiteltäväksi esitykseksi.

Ensin EEG-signaali jaetaan väliaikaiset ikkunat tai "tokenit"Tämä tokenisointiprosessi mahdollistaa jokaisen signaalin esittämisen yksikkönä, jonka pohjalta muuntaja voi toimia, aivan kuten tekstiä tai kuvia käytetään. Nämä tokenit lisätään sitten... paikkasidonnaiset upotukset, vaikkakin tietyllä tavalla, koska PARS leikittelee juuri maskin ja näiden ajallisten sijaintien manipuloinnin kanssa.

Yksi menetelmän erottuvista ominaisuuksista on sen käyttö, maskattu positionaalinen upotusSen sijaan, että mallille annettaisiin tarkka sijaintitieto suoraan aika Jokaiselle tunnukselle tietyt sijaintitiedot piilotetaan tai niitä muutetaan. Tämä pakottaa kooderin päättele ajallinen rakenne sisällöstäilman pelkän indeksin tai eksplisiittisen aikaleiman varaan luottamista.

PARS-treenin ydin on parittainen suhteellisen siirtymän estimointiMalli vastaanottaa kaksi EEG-ikkunaa satunnaisesti samasta tallenteesta ja sen on ennustettava niiden välinen ajallinen etäisyys. Kyse ei ole vain arvailusta, ovatko ne lähellä vai kaukana toisistaan, vaan jatkuvan tai diskretisoidun kuvauksen oppimisesta, joka heijastaa suhteellista aikaväliä.

Tätä varten a dekooderi, jossa on ristihuomiomekanismejaTämä komponentti vertaa molempien ikkunoiden koodattuja tietoja ja oppii yhdistämään niiden sisäiset ominaisuudet päätelläkseen niiden välisen ajan. Tämän prosessin ansiosta muuntaja mallintaa pitkän aikavälin riippuvuuksia ja aivotoiminnan kehitysmalleja, jotka ulottuvat paljon muutaman millisekunnin paikallisen ympäristön ulkopuolelle.

Myöhemmissä vaiheissa mallia mukautetaan erilaisiin tehtäviin mm. monikanavainen hienosäätö ja erityinen arviointiTämä tarkoittaa, että kun se on esikoulutettu PARSilla erilaisilla EEG-tallenteilla (mukaan lukien monielektrodiasetukset), sitä voidaan hienosäätää tiettyjä tehtäviä, kuten unen luokittelu, poikkeavien EEG-tulosten tai epileptisten kohtausten havaitseminen.

Teknisessä artikkelissa käsitellään myös käytännön asioita, kuten käytetyt tietojoukot, enkooderin tarkka arkkitehtuuri, valittu dekooderin tyyppi, maski- ja patch-näytteenottomenetelmätsamoin käytetyt laskentaresurssitLisäksi eri arkkitehtuurivaihtoehtoja verrataan ablaatiotutkimuksiin sen määrittämiseksi, mitkä suunnitteluratkaisut tuottavat parhaan suorituskyvyn.

Vertailu muihin menetelmiin: MAE, MP3, DropPos ja muut

Tutkimus ei pelkästään kuvaile PARSia, vaan vertaa sitä EEG:n itseoppimisen vertailumenetelmätVertailtujen lähestymistapojen joukossa ovat mm. maskatut autoenkooderit (MAE), MP3 ja DropPos, joilla molemmilla on erilainen filosofia oppimisessa nimeämättömästä datasta.

MAE:t keskittyvät rekonstruoi signaalin peitetyt osatEsikoulutuksen aikana osa syötteestä piilotetaan, ja malli yrittää palauttaa ne kontekstista. Tämä pakottaa kooderin oppimaan merkityksellisiä esityksiä, mutta se on vahvasti suuntautunut paikallisiin malleihin – eli lähellä olevien "aukkojen" täyttämiseen pitkän aikavälin suhteiden ymmärtämisen sijaan.

MP3 ja muut vastaavat lähestymistavat tutkivat myös tekosyystrategioita rakenteellisen tiedon keräämiseksiTutkimuksen tulosten mukaan ne ovat kuitenkin edelleen PARSia tehottomampia mallintamaan signaalin eri segmenttien välisiä suhteellisia aikavälejä.

DropPos puolestaan ​​muokkaa tai poistaa muuntajassa olevia eksplisiittisiä sijaintitietoja ajatuksena tee mallista vankemman tarkassa asennossaVaikka tämäntyyppinen tekniikka auttaa verkkoja olemaan liian riippuvaisia ​​paikkasidonnaisista upotuksista, on osoitettu, että se yksinään ei riitä hyödyntämään EEG-signaalien ajallista rakennetta optimaalisesti.

Kokeelliset testit osoittavat, että mallit PARS-esikoulutus on yhtä hyvä tai parempi kuin nämä vaihtoehdot kolmessa neljästä käytetystä EEG-vertailuarvosta. Se loistaa parhaiten skenaarioissa, joissa etikettien tehokkuusEli silloin, kun vain murto-osa tallenteista on saatavilla. Tämä on ratkaisevan tärkeää kliinisessä ympäristössä, jossa EEG:n jokaisen minuutin tarkka merkitseminen on erittäin aikaa vievää ja vaatii erikoistuneita asiantuntijoita.

Teoksen liitteessä kuvataan yksityiskohtaisesti kunkin lähtötason konfiguraatio, testatut hyperparametrit, eri maskitasojen tai eri dekooderiarkkitehtuurien vaikutus ja lopulliset kvantitatiiviset tulokset. Selkeä viesti on, että EEG:ssä signaalifragmenttien välisen ajallisen suhteen eksplisiittinen oppiminen tarjoaa käytännön etua pelkkään rekonstruointiin tai peittämiseen verrattuna.

Käytetyt aineistot: korva-EEG-unesta epilepsian havaitsemiseen

PARSin validointiin Apple ja sen yhteistyökumppanit käyttivät neljä tunnettua EEG-tietojoukkoajotka kattavat erilaisia ​​käyttötilanteita: unen, patologiat, motorisen toiminnan ja jopa elektrodikonfiguraatiot korvassa.

Ensimmäinen tietojoukko on Puettava unen vaiheistus (EESM17), keskittyen unen seurantaan puettavilla laitteilla. Sisältää yhdeksän koehenkilön yöaikaisia ​​tallenteita unen seurantajärjestelmällä 12-kanavainen korva-EEG ja 6-kanavainen päänahan EEGTämä aineisto on erityisen mielenkiintoinen, koska se osoittaa, että korvaan asetetut elektrodit voivat tallentaa merkittävän osan aivotoiminnasta, joka on olennaista univaiheiden erottamisessa.

Toinen on TUAB (Temple Universityn epänormaali EEG-korpus), korpus, joka on suunniteltu epänormaali EEG-havaintoSe kerää normaaleiksi tai patologisiksi merkittyjä tietueita, mikä on hyödyllistä koulutusmalleissa, jotka havaitsevat yleisiä neurologisia muutoksia tietyn tilan lisäksi.

Kolmas, TUSZ (Temple University Seizure Corpus), keskittyy epileptisten kohtausten havaitseminenSe sisältää kohtausten alun ja lopun sekä kohtausten välisten segmenttien merkitseviä merkintöjä. Se on yksi epilepsian viiteaineistoista tekoälyalgoritmien arvioimiseksi.

Lopuksi neljäs tietojoukko on PhysioNet-MI, keskittynyt motorisia mielikuvitustehtäviäTässä tapauksessa osallistujat kuvittelevat liikkeitä (esimerkiksi käden liikuttamista) samalla kun EEG:tä tallennetaan, mikä mahdollistaa mallien kouluttamisen, jotka tunnistavat liiketarkoitukseen liittyviä kuvioita, mikä on avainasemassa aivojen ja koneiden rajapinnoissa.

PARS-esikoulutus suoritetaan näille ja muille teknisessä liitteessä kuvatuille tietojoukoille, kun taas hienosäätö räätälöidään kunkin tietojoukon sisällä olevien tiettyjen tehtävien mukaan. Tällaisten vaihtelevien vertailuarvojen valinta osoittaa lähestymistavan Se ei rajoitu yhteen käyttötapaukseen ja se voi toimia yleisenä perustana itseseurantaisille EEG-malleille.

Korva-EEG ja AirPodit: Miten PARS-tutkimus yhdistyy Applen kuulokkeisiin

Yksi erityisen silmiinpistävä näkökohta tässä koko aiheessa on ns. korva-EEG eli aivosignaalien sieppaus korvastaEESM17-aineistossa käytetään jo järjestelmiä, jotka sijoittavat elektrodit korvakäytävään ja korvaan päänahan sijaan, mikä vähentää huomattavasti visuaalista vaikutusta ja parantaa käyttömukavuutta.

Samaan aikaan julkiset asiakirjat ja Applen patentit osoittavat, että yritys on tutkinut asiaa jo jonkin aikaa kuulokkeet, jotka pystyvät mittaamaan biosignaaleja korvasta. Vuoden 2023 patenttihakemuksessa yritys kuvaa "puettavaa elektronista laitetta", joka on suunniteltu tallentamaan aivotoimintaa käyttämällä korvassa tai sen ympärillä sijaitsevat elektrodit, vähemmän näkyvänä vaihtoehtona klassisille päänahan EEG-järjestelmille.

Patentti itsessään myöntää, että perinteiset korva-EEG-ratkaisut vaativat tyypillisesti kullekin käyttäjälle räätälöidyt laitteet (korvan, korvakäytävän jne. kokoon ja muotoon mukautettu), mikä on kallista ja epäkäytännöllistä. Lisäksi jopa mittatilaustyönä tehty laite voi menettää kosketuksen ihoon ajan myötä, mikä heikentää signaalin laatua.

Näiden haasteiden ratkaisemiseksi Apple ehdottaa kyseisessä asiakirjassa ratkaisua, joka perustuu sijoittamiseen enemmän elektrodeja kuin on ehdottoman välttämätöntä, jaettuna korvaanja anna tekoälymallin määrittää, mitkä tarjoavat parhaan lukeman milläkin hetkellä. Tätä varten käytetään mittareita, kuten impedanssi, kohinataso, ihokontaktin laatu tai aktiivi- ja referenssielektrodien välinen etäisyys.

Kun nämä mittarit on laskettu, järjestelmä määrittää eri painot kullekin elektrodille ja yhdistää signaalinsa yhdeksi optimoiduksi aaltomuodoksi. Patentti sisältää jopa yksinkertaisia ​​eleitä, kuten korvakappaleen painamisen tai puristamisen, mittauksen aloittamiseksi tai lopettamiseksi, sekä erilaisia ​​suunnittelu- ja kokoonpanomuunnelmia, jotka tekisivät laitteisto.

Teoriasta tuotteeseen: AirPodien anturit ja aivojen jokapäiväinen seuranta

Tämän tutkimuslinjan yhdistäminen PARS-menetelmään tekee melko helpoksi kuvitella, AirPodit, joissa on anturit, jotka pystyvät mittaamaan EEG:tä korvakäytävästäItse asiassa tähän suuntaan on jo edistytty: AirPods Pro 3:ssa on fotopletysmografi (PPG) -anturi sykkeen mittaamiseksi, ja Apple on lisännyt terveysominaisuuksia puettaviin laitteisiinsa viime vuosina.

Jos tähän lisätään korva-EEG:n elektrodit ja itsemonitoroitu malli, kuten PARS, joka kykenee tulkitse signaaleja ilman pääaineita tietokannat huomattuTuloksena olisi laite, joka pystyisi havaitsemaan unen vaiheita, tarkkaavaisuuden muutoksia tai tiettyjen neurologisten patologioiden varhaisia ​​merkkejä, kaikki läpinäkyvästi käyttäjälle.

Tutkimuspaperissa kuvatuissa kokeissa PARS-algoritmi ottaa aivojen satunnaiset segmentit lähettävät signaaleja ja oppivat ennustamaan niiden välisen ajallisen etäisyydenTämän kyvyn perusteella malli kehittää rikastetumman ymmärryksen siitä, miten aivotoiminta kehittyy ajan myötä, mikä johtaa parempiin tuloksiin univaiheiden luokittelussa, epileptisten tapahtumien paikantamisessa tai normaalien ja poikkeavien EEG-käyrien erottamisessa.

Tämän lähestymistavan suuri vetovoima on siinä, että se toimii ympäristössä, jossa etikettejä on niukasti. Kaupallisessa tuotteessa tämä voisi tarkoittaa, että tällä teknologialla varustetut AirPodit pystyisivät mukautua jokaiseen käyttäjään hyvin vähällä valvotulla tiedollahyödyntäen valtavia määriä raakasignaalia, joka tallennetaan päivittäisen käytön aikana.

Tutkimustulosten mukaan PARS-tekniikalla esikoulutetut mallit ulottuvat vastaamaan tai ylittämään aiempien menetelmien tarkkuuden erilaisissa tehtävissä, ja tämä avaa oven kuluttajille suunnatuille laitteille, kuten kuulokkeille, alkaa tarjota mittauksia, jotka aiemmin olivat varattu vain kömpelöille ja erikoistuneille sairaalalaitteille.

Tähän kaikkeen liittyy tietenkin oikeutettuja kysymyksiä tietosuoja ja tietoturva ja eettisiä rajoja. Ajatus siitä, että tekoäly voisi tietää paitsi sykkeesi tai päivittäiset askeleesi, myös aivotoimintasi, herättää tiettyä huolta. Toistaiseksi sekä tutkimus että patentit ovat edelleen tutkimuksen ja konseptisuunnittelun puolella, eikä kaupalliselle tuotteelle ole tarkkaa päivämäärää.

Mahdollisia sovelluksia: terveys, hyvinvointi, ajaminen ja kognitiivinen suorituskyky

Jos PARS- ja korva-EEG-pohjainen teknologia toteutuu tulevaisuuden AirPodeissa tai muissa puettavissa laitteissa, sovellusten kirjo voi olla hyvin laaja. Ensinnäkin se olisi ihanteellinen seurata unta jatkuvasti ja mukavasti, luokittelee automaattisesti REM- ja NREM-vaiheet (NREM 1, NREM 2 ja NREM 3) ja tarjoaa yksityiskohtaista tietoa levon laadusta.

Lisäksi havaitseminen tarkkaavaisuustasot, stressijaksot tai valppaustilat Tämä olisi erittäin hyödyllistä esimerkiksi ajaessa, henkisesti vaativassa työssä tai opiskelussa. Laite, joka tunnistaa äkilliset tarkkaavaisuuden laskut, voisi varoittaa käyttäjää, kun hän on vaarassa nukahtaa rattiin tai tehdä vakavia virheitä väsymyksen vuoksi.

Kliinisessä ympäristössä huomaamaton ja jatkuva aivojen monitorointi voisi helpottaa häiriöiden, kuten epilepsian, unihäiriöiden tai neurodegeneratiivisten sairauksien, varhainen havaitseminenKyse ei ole neurologin tai sairaalan korvaamisesta, vaan arvokkaan tiedon tarjoamisesta, joka voi toimia varhaisena varoituksena tai täydentää diagnoosia.

Toinen mielenkiintoinen rivi on mielenterveyteen keskittyvä biopalauteJos laite pystyy yhdistämään tiettyjä EEG-käyriä rentoutumisen, syvän keskittymisen tai stressin tiloihin, se voisi ohjata käyttäjää hengitysharjoituksissa, meditaatiossa tai kognitiivisessa harjoittelussa ja tarjota reaaliaikaisia ​​indikaattoreita siitä, onko näillä käytännöillä haluttu vaikutus.

Se ei rajoittuisi vain aivoihin. Applen julkisissa dokumenteissa mainitaan mahdollinen lisääminen anturit veren määrän, kasvojen lihasten aktiivisuuden ja silmien liikkeiden mittaamiseen itse kuulokkeista. Yhdistettynä EEG-signaaliin ja käsiteltynä iPhone tai toisella laitteella, nämä tiedot voisivat syöttää tekoälymalleja, jotka pystyvät tarjoamaan erittäin kattavan kuvan käyttäjän fysiologisesta ja emotionaalisesta tilasta.

Kaikkiin näihin käyttötarkoituksiin olisi liitettävä tiukka valvonta suostumuksen, tiedonhallinnan ja kolmansien osapuolten pääsyn suhteenEsitetyissä esimerkeissä oletetaan, että tietoja voidaan jakaa terveydenhuollon ammattilaisten kanssa vain, jos käyttäjä antaa siihen luvan, ja että suuri osa käsittelystä tehdään paikallisesti riskien minimoimiseksi.

Käytännössä sekä PARS-tutkimus että patentit ja prototyypit osoittavat hyvin selkeän yhtymäkohdan: Apple tutkii toisaalta Paras tapa kerätä aivosignaaleja korvasta ja toisaalta paras tapa tulkita niitä tekoälyn avulla ilman ihmisten tekemiä merkintöjäJos molemmat osat sopivat yhteen, kuulokkeet voisivat lakata olemasta yksinkertaisia ​​äänisoittimia ja niistä voisi tulla edistyneitä terveys- ja suorituskykytyökaluja, edellyttäen, että eettiset ja yksityisyyden suojaan liittyvät näkökohdat hallitaan hyvin.

Kaikki viittaa siihen, että olemme uuden puettavien laitteiden sukupolven alussa, jossa menetelmät, kuten Apple PARS (Parwise Relative Shift) ja erilliset anturit, kuten korva-EEG Ne voivat mullistaa käsityksemme unesta, tarkkaavaisuudesta ja neurologisesta terveydestä, alkaen jostain niin arkipäiväisestä kuin AirPodseista.