Apple PARS: Beginilah cara Apple ingin membaca aktivitas otak Anda dari telinga Anda.

Ide bahwa headphone bisa Dengarkan musik Anda dan, pada saat yang sama, "dengarkan" otak Anda Ini mungkin terdengar seperti sesuatu yang berasal dari fiksi ilmiah, tetapi Apple sudah membuka jalan dengan kombinasi yang sangat kuat: sensor in-ear baru dan model headphone canggih. kecerdasan buatanDi balik semua ini ada sebuah metode yang disebut PARS (Pergeseran Relatif Berpasangan), pendekatan pembelajaran mandiri yang memungkinkan algoritma memahami aktivitas listrik otak tanpa bergantung pada spesialis yang merekam data secara manual.

Alih-alih berfokus pada gadget tertentu, penelitian Apple berfokus pada bagaimana model IA bisa pelajari struktur temporal sinyal EEG (elektroensefalografi) dan kemudian menerapkan pengetahuan tersebut untuk tugas-tugas seperti mengklasifikasikan tahapan tidur atau mendeteksi kelainan neurologis. Meskipun studi ini tidak secara langsung menyebutkan AirPods, studi ini menambahkan paten dan prototipe yang menunjukkan masa depan di mana headphone sederhana dapat menjadi semacam "laboratorium mini" untuk pemantauan otak dari telinga.

Apa itu Apple PARS (Pairwise Relative Shift) dan mengapa itu begitu relevan?

Metode PARS berasal dari penelitian yang dipresentasikan oleh tim dari Apple dan kolaborator akademis, dalam sebuah makalah yang diterima di Lokakarya Model Dasar NeurIPS 2025 untuk Otak dan TubuhPenelitian yang berjudul "Mempelajari komposisi relatif sinyal EEG menggunakan pra-pelatihan pergeseran relatif berpasangan," mengusulkan cara berbeda untuk melatih model dengan sinyal elektroensefalografi tanpa menggunakan label manusia.

Dalam praktiknya, PARS adalah teknik pembelajaran mandiri diterapkan pada EEG. Alih-alih meminta ahli saraf untuk secara manual menunjukkan segmen sinyal mana yang sesuai dengan setiap fase tidur atau awal kejang epilepsi, model ini dilatih dengan data tanpa anotasi dan dipaksa untuk memecahkan masalah buatan namun sangat berguna: memprediksi jarak waktu yang memisahkan dua fragmen sinyal.

Ide dasarnya adalah jika model belajar memperkirakan berapa banyak waktu antara dua jendela EEG, pada akhirnya ia akan memahami struktur global dan ketergantungan jangka panjang aktivitas otak. Hal ini kemudian memungkinkannya untuk bekerja lebih baik dalam tugas-tugas klinis nyata, seperti mendeteksi pola tidur, mengidentifikasi epilepsi, atau mengenali sinyal motorik.

Para penulis menekankan bahwa, berbeda dengan metode pembelajaran mandiri EEG klasik, yang berfokus terutama pada merekonstruksi bagian sinyal yang tertutup (seperti yang dilakukan oleh masked autoencoder, MAE), PARS berfokus pada komposisi temporal relatif. Artinya, PARS tidak hanya mengisi "celah" lokal, tetapi juga menangkap bagaimana fragmen-fragmen sinyal yang terpisah saling terhubung seiring waktu.

Dalam pengujian yang dilakukan, model berbasis PARS menunjukkan bahwa mereka mampu untuk menyamai atau melampaui strategi sebelumnya dalam berbagai tolok ukur EEG, terutama ketika label yang tersedia terbatas (skenario yang sangat umum dalam dunia kedokteran). Hal ini menjadikan PARS pilihan yang sangat menarik bagi sistem apa pun yang ingin memanfaatkan sinyal otak dalam jumlah besar tanpa bergantung pada anotasi yang lengkap.

Cara kerja PARS: dari tokenisasi hingga estimasi perpindahan relatif

Untuk menerapkan pendekatan PARS pada EEG, para peneliti merancang arsitektur berdasarkan Transformator dengan beberapa langkah kunciSemuanya dimulai dengan prapemrosesan sinyal dan mengubahnya menjadi representasi yang dapat ditangani dengan mudah oleh model.

Pertama, sinyal EEG dibagi menjadi jendela sementara atau “token”Proses tokenisasi ini memungkinkan setiap bagian sinyal direpresentasikan sebagai unit yang dapat dioperasikan oleh transformator, mirip seperti penggunaan teks atau gambar. Token-token ini kemudian ditambahkan... penempatan posisi, meskipun dengan cara tertentu, karena PARS bermain tepat dengan topeng dan manipulasi posisi temporal ini.

Salah satu komponen khas dari metode ini adalah penggunaan penyematan posisi bertopengDaripada memberikan model informasi posisi yang tepat secara langsung di el tiempo Untuk setiap token, data posisi tertentu disembunyikan atau diubah. Hal ini memaksa encoder untuk menyimpulkan struktur temporal dari kontentanpa bergantung hanya pada indeks atau cap waktu yang eksplisit.

Inti dari latihan pra-PARS adalah tugas estimasi pergeseran relatif berpasanganModel menerima dua jendela EEG yang diekstraksi secara acak dari rekaman yang sama dan harus memprediksi jarak temporal di antara keduanya. Ini bukan hanya tentang menebak apakah keduanya dekat atau jauh, tetapi tentang mempelajari pemetaan kontinu atau terdiskritisasi yang mencerminkan interval waktu relatif.

Untuk ini, a dekoder dengan mekanisme perhatian silangKomponen ini melakukan referensi silang terhadap informasi yang dikodekan dari kedua jendela dan belajar menghubungkan karakteristik internalnya untuk menyimpulkan waktu yang memisahkannya. Berkat proses ini, transformator akhirnya memodelkan ketergantungan jangka panjang dan pola evolusi aktivitas otak yang jauh melampaui lingkungan lokal dalam hitungan beberapa milidetik.

Pada fase selanjutnya, model ini diadaptasi untuk berbagai tugas melalui penyempurnaan multi-saluran dan evaluasi spesifikArtinya, setelah dilatih terlebih dahulu dengan PARS pada berbagai rekaman EEG (termasuk pengaturan multi-elektroda), alat ini akan disesuaikan untuk tugas-tugas tertentu seperti klasifikasi tidur, deteksi EEG abnormal atau kejang epilepsi.

Artikel teknis juga merinci aspek praktis seperti dataset yang digunakan, arsitektur encoder yang tepat, jenis decoder yang dipilih, skema pengambilan sampel mask dan patch, serta sumber daya komputasi yang digunakanSelain itu, berbagai varian arsitektur dibandingkan dengan studi ablasi untuk menentukan keputusan desain mana yang menghasilkan kinerja terbaik.

Perbandingan dengan metode lain: MAE, MP3, DropPos dan lainnya

Penelitian ini tidak hanya menggambarkan PARS, tetapi juga membandingkannya dengan Metode referensi dalam pembelajaran mandiri untuk EEGDi antara pendekatan yang dibandingkan adalah autoencoder bertopeng (MAE), MP3 dan DropPos, masing-masing dengan filosofi berbeda dalam hal belajar dari data yang tidak berlabel.

MAE fokus pada merekonstruksi bagian sinyal yang tertutupSelama pra-pelatihan, sebagian masukan disembunyikan, dan model mencoba memulihkannya dari konteks. Hal ini memaksa encoder untuk mempelajari representasi yang bermakna, tetapi lebih berorientasi pada pola lokal—yaitu, mengisi "celah" di sekitar daripada memahami hubungan jangka panjang.

MP3 dan pendekatan serupa lainnya juga mengeksplorasi strategi dalih untuk menangkap informasi strukturalNamun, menurut hasil penelitian tersebut, metode tersebut masih kurang efektif dibandingkan PARS dalam memodelkan interval waktu relatif antara segmen sinyal yang berjauhan.

DropPos, pada bagiannya, memodifikasi atau menghapus informasi posisi eksplisit dalam transformator dengan gagasan membuat model lebih kuat pada posisi yang tepatMeskipun jenis teknik ini membantu jaringan agar tidak terlalu bergantung pada penempatan posisi, telah ditunjukkan bahwa, dengan sendirinya, hal ini tidak cukup untuk memanfaatkan struktur temporal sinyal EEG secara optimal.

Uji coba eksperimental menunjukkan bahwa model dilatih sebelumnya dengan PARS yang setara atau melampaui alternatif ini dalam tiga dari empat tolok ukur EEG yang digunakan. Yang paling menonjol adalah dalam skenario efisiensi labelArtinya, hanya sebagian kecil rekaman yang tersedia. Hal ini krusial dalam pengaturan klinis, di mana pelabelan EEG yang akurat setiap menit sangat memakan waktu dan membutuhkan tenaga ahli khusus.

Lampiran dari karya ini menjelaskan secara rinci konfigurasi setiap baseline, hiperparameter yang diuji, efek tingkat topeng yang berbeda atau arsitektur dekoder yang berbeda dan hasil kuantitatif akhir. Pesan yang jelas adalah, untuk EEG, mempelajari hubungan temporal antarfragmen sinyal secara eksplisit menawarkan keuntungan praktis dibandingkan sekadar merekonstruksi atau menutupinya.

Dataset yang digunakan: dari tidur EEG telinga hingga deteksi epilepsi

Untuk memvalidasi PARS, Apple dan kolaboratornya menggunakan empat set data EEG yang terkenalyang mencakup berbagai skenario penggunaan: tidur, patologi, aktivitas motorik, dan bahkan konfigurasi elektroda di telinga.

Dataset pertama adalah Pementasan Tidur yang Dapat Dikenakan (EESM17), berfokus pada pemantauan tidur dengan perangkat yang dapat dikenakan. Termasuk rekaman malam hari dari 9 subjek dengan sistem pemantauan tidur. EEG telinga 12 saluran dan EEG kulit kepala 6 saluranKumpulan data ini sangat menarik karena menunjukkan bahwa elektroda yang dipasang di telinga dapat menangkap sebagian besar aktivitas otak yang relevan dengan pembedaan tahapan tidur.

Yang kedua adalah TUAB (Korpus EEG Abnormal Universitas Temple), sebuah korpus yang dirancang untuk deteksi EEG abnormalIa mengumpulkan catatan yang diberi label normal atau patologis, berguna untuk melatih model yang mendeteksi perubahan neurologis umum, di luar kondisi tertentu.

Yang ketiga, TUSZ (Korpus Penyitaan Universitas Kuil), difokuskan pada deteksi kejang epilepsiIni mencakup anotasi yang menandai awal dan akhir kejang, serta segmen interiktal. Ini merupakan salah satu set data referensi dalam epilepsi untuk mengevaluasi algoritma AI.

Terakhir, dataset keempat adalah PhysioNet-MI, berfokus pada tugas imajinasi motorikDalam kasus ini, peserta membayangkan gerakan (misalnya, menggerakkan tangan) sementara EEG direkam, yang memungkinkan pelatihan model yang mengenali pola yang terkait dengan maksud gerakan, sesuatu yang penting dalam antarmuka otak-mesin.

Pra-pelatihan PARS dilakukan pada dataset ini dan dataset lain yang dijelaskan dalam lampiran teknis, sementara penyempurnaan disesuaikan dengan tugas-tugas spesifik di masing-masing dataset. Pemilihan berbagai tolok ukur tersebut menunjukkan pendekatan Tidak terbatas pada satu kasus penggunaan saja dan itu dapat berfungsi sebagai dasar umum untuk model EEG yang dipantau sendiri.

Ear-EEG dan AirPods: Bagaimana penelitian PARS terhubung dengan headphone Apple

Salah satu aspek yang paling mencolok dari keseluruhan topik ini adalah penggunaan telinga-EEG, yaitu penangkapan sinyal otak dari telingaDataset EESM17 sudah menggunakan sistem yang menempatkan elektroda di liang telinga dan telinga, bukan di kulit kepala, yang sangat mengurangi dampak visual dan meningkatkan kenyamanan.

Sementara itu, dokumen publik dan paten Apple menunjukkan bahwa perusahaan telah mengeksplorasi selama beberapa waktu headphone yang mampu mengukur biosignal dari telinga. Dalam aplikasi paten tahun 2023, perusahaan tersebut menjelaskan “perangkat elektronik yang dapat dikenakan” yang dirancang untuk merekam aktivitas otak menggunakan elektroda yang terletak di dalam atau sekitar telinga, sebagai alternatif yang kurang terlihat dibandingkan sistem EEG kulit kepala klasik.

Paten itu sendiri mengakui bahwa solusi EEG telinga konvensional biasanya memerlukan perangkat yang disesuaikan untuk setiap pengguna (disesuaikan dengan ukuran dan bentuk telinga, liang telinga, dll.), yang mahal dan tidak praktis. Lebih lanjut, bahkan perangkat yang dibuat khusus pun dapat kehilangan kontak dengan kulit seiring waktu, sehingga menurunkan kualitas sinyal.

Untuk mengatasi tantangan ini, Apple mengusulkan solusi dalam dokumen tersebut berdasarkan penempatan lebih banyak elektroda daripada yang benar-benar diperlukan, didistribusikan ke seluruh telingadan biarkan model AI menentukan mana yang menawarkan pembacaan terbaik pada waktu tertentu. Untuk melakukan ini, metrik seperti impedansi, tingkat kebisingan, kualitas kontak kulit, atau jarak antara elektroda aktif dan referensi.

Setelah metrik ini dihitung, sistem menetapkan bobot yang berbeda untuk setiap elektroda dan menggabungkan sinyal-sinyalnya menjadi satu bentuk gelombang yang dioptimalkan. Paten ini bahkan mencakup gerakan sederhana, seperti menekan atau meremas earpiece, untuk memulai atau menghentikan pengukuran, serta berbagai variasi desain dan perakitan yang akan membuat perangkat keras.

Dari teori ke produk: sensor di AirPods dan pemantauan otak sehari-hari

Kombinasi dari penelitian ini dengan PARS membuatnya cukup mudah untuk membayangkan AirPods dengan sensor yang mampu mengukur EEG dari saluran telingaFaktanya, kemajuan telah terjadi ke arah itu: AirPods Pro 3 telah menggabungkan sensor fotopletismograf (PPG) untuk mengukur detak jantung, dan Apple telah menambahkan fitur kesehatan ke perangkat yang dapat dikenakannya selama beberapa tahun terakhir.

Jika kita menambahkan elektroda untuk EEG telinga dan model yang dipantau sendiri seperti PARS yang mampu menafsirkan sinyal tanpa masalah database dicatatHasilnya akan menjadi perangkat yang dapat mendeteksi tahapan tidur, perubahan perhatian, atau tanda-tanda awal patologi neurologis tertentu, semuanya transparan bagi pengguna.

Dalam percobaan yang dijelaskan dalam makalah penelitian ini, algoritma PARS mengambil segmen acak dari sinyal otak dan belajar memprediksi jarak temporal di antara merekaBerdasarkan kemampuan ini, model tersebut mengembangkan pemahaman yang diperkaya tentang bagaimana aktivitas otak berevolusi seiring waktu, menghasilkan hasil yang lebih baik saat mengklasifikasikan tahapan tidur, menemukan kejadian epilepsi, atau membedakan EEG normal dari yang abnormal.

Daya tarik utama dari pendekatan ini adalah kemampuannya untuk beroperasi dalam konteks di mana label langka. Dalam produk komersial, hal ini dapat berarti bahwa AirPods yang dilengkapi dengan teknologi ini akan mampu beradaptasi dengan setiap pengguna dengan sedikit informasi yang diawasi, memanfaatkan sejumlah besar sinyal mentah yang ditangkap selama penggunaan sehari-hari.

Berdasarkan hasil penelitian, model yang telah dilatih dengan PARS mencapai untuk menyamai atau melampaui keakuratan metode sebelumnya dalam berbagai tugas, dan ini membuka pintu bagi perangkat konsumen, seperti headphone, untuk mulai menawarkan pengukuran yang sebelumnya disediakan untuk peralatan rumah sakit yang besar dan khusus.

Tentu saja, semua ini disertai dengan pertanyaan-pertanyaan yang wajar tentang privasi dan keamanan data dan batasan etika. Gagasan bahwa AI tidak hanya dapat mengetahui detak jantung atau langkah harian Anda, tetapi juga pola aktivitas otak Anda, menimbulkan kekhawatiran. Untuk saat ini, baik makalah maupun paten tersebut masih dalam tahap penelitian dan desain konseptual, tanpa tanggal pasti untuk produk komersial.

Potensi aplikasi: kesehatan, kesejahteraan, mengemudi, dan kinerja kognitif

Jika teknologi berbasis PARS dan ear-EEG terwujud di AirPods atau perangkat wearable lainnya di masa mendatang, cakupan aplikasinya bisa sangat luas. Pertama, teknologi ini akan ideal untuk memantau tidur secara terus menerus dan nyaman, secara otomatis mengklasifikasikan fase REM dan NREM (NREM 1, NREM 2 dan NREM 3) dan memberikan informasi terperinci tentang kualitas istirahat.

Selain itu, deteksi tingkat perhatian, episode stres, atau keadaan waspada Ini akan sangat berguna dalam konteks seperti mengemudi, pekerjaan yang menuntut mental, atau belajar. Perangkat yang mendeteksi penurunan perhatian secara tiba-tiba dapat memperingatkan pengguna ketika mereka berisiko tertidur saat mengemudi atau melakukan kesalahan serius karena kelelahan.

Dalam pengaturan klinis, pemantauan otak yang diskret dan berkelanjutan dapat memfasilitasi deteksi dini gangguan seperti epilepsi, masalah tidur, atau penyakit neurodegeneratifIni bukan tentang menggantikan ahli saraf atau rumah sakit, tetapi tentang menyediakan data berharga yang dapat berfungsi sebagai peringatan dini atau pelengkap diagnosis.

Garis menarik lainnya adalah biofeedback yang berfokus pada kesejahteraan mentalJika perangkat tersebut mampu menghubungkan pola EEG tertentu dengan kondisi relaksasi, konsentrasi mendalam, atau stres, perangkat tersebut dapat memandu pengguna dalam latihan pernapasan, meditasi, atau pelatihan kognitif, serta memberikan indikator waktu nyata apakah praktik ini memberikan efek yang diinginkan.

Hal ini tidak hanya akan berhenti pada otak. Dokumen publik Apple menyebutkan kemungkinan penambahan sensor untuk mengukur volume darah, aktivitas otot wajah, dan gerakan mata dari earphone itu sendiri. Dikombinasikan dengan sinyal EEG dan diproses dalam iPhone atau perangkat lain, data ini dapat memberi masukan pada model AI yang mampu memberikan gambaran yang sangat lengkap tentang keadaan fisiologis dan emosional pengguna.

Semua penggunaan ini harus disertai dengan kontrol ketat atas persetujuan, pengelolaan data, dan akses oleh pihak ketigaDalam contoh yang disajikan, diasumsikan bahwa informasi dapat dibagikan dengan profesional perawatan kesehatan hanya jika pengguna mengizinkannya, dan sebagian besar pemrosesan dilakukan secara lokal untuk meminimalkan risiko.

Dalam praktiknya, baik makalah PARS maupun paten dan prototipe menunjukkan konvergensi yang sangat jelas: Apple sedang mengeksplorasi, di satu sisi, cara terbaik untuk mengumpulkan sinyal otak dari telinga dan, di sisi lain, cara terbaik untuk menafsirkannya dengan AI tanpa bergantung pada anotasi manusiaJika kedua bagian ini saling melengkapi, headphone dapat berhenti menjadi pemutar audio biasa dan menjadi alat kesehatan dan performa yang canggih, asalkan aspek etika dan privasi dikelola dengan baik.

Semuanya menunjukkan fakta bahwa kita berada di awal generasi baru perangkat yang dapat dikenakan di mana metode seperti Apple PARS (Parwise Relative Shift) dan sensor diskrit seperti ear-EEG Mereka dapat mengubah cara kita memahami tidur, perhatian, dan kesehatan neurologis kita, dimulai dengan sesuatu yang sehari-hari seperti AirPods.