Apple PARS: Beginilah cara Apple mahu membaca aktiviti otak anda dari telinga anda.

Idea bahawa fon kepala boleh Dengar muzik anda dan, pada masa yang sama, "dengar" otak anda Nampaknya seperti sesuatu yang keluar dari fiksyen sains, tetapi Apple sudah pun membuka jalan dengan kombinasi yang sangat berkuasa: penderia dalam telinga baharu dan model termaju bagi kecerdasan buatanDi sebalik semua ini adalah kaedah yang dipanggil PARS (Anjakan Relatif PAirwise), pendekatan pembelajaran kendiri yang membolehkan algoritma memahami aktiviti elektrik otak tanpa bergantung pada pakar yang merekodkan data secara manual.

Daripada memfokuskan pada alat tertentu, penyelidikan Apple memfokuskan pada bagaimana model IA boleh mempelajari struktur temporal isyarat EEG (electroencephalography) dan kemudian gunakan pengetahuan itu pada tugas seperti mengklasifikasikan peringkat tidur atau mengesan keabnormalan neurologi. Dan, walaupun kajian itu tidak secara langsung menyebut AirPods, ia menambah paten dan prototaip yang menunjukkan masa depan di mana fon kepala mudah boleh menjadi sejenis "makmal mini" untuk pemantauan otak dari telinga.

Apakah Apple PARS (Pairwise Relative Shift) dan mengapa ia sangat relevan?

Kaedah PARS berasal daripada penyelidikan yang dibentangkan oleh pasukan dari Apple dan kolaborator akademik, dalam kertas kerja yang diterima di Model Asas NeurIPS 2025 untuk bengkel Otak dan BadanKajian yang bertajuk "Mempelajari komposisi relatif isyarat EEG menggunakan pralatihan anjakan relatif berpasangan," mencadangkan cara berbeza untuk melatih model dengan isyarat elektroensefalografi tanpa menggunakan label manusia.

Dalam praktiknya, PARS ialah teknik pembelajaran diselia sendiri digunakan untuk EEG. Daripada meminta pakar neurologi untuk menunjukkan secara manual segmen isyarat yang sepadan dengan setiap fasa tidur atau permulaan sawan epilepsi, model ini dilatih dengan data tanpa nota dan terpaksa menyelesaikan masalah buatan tetapi sangat berguna: ramalkan jarak masa yang memisahkan dua serpihan isyarat.

Idea asas ialah jika model belajar untuk menganggarkan berapa banyak masa antara dua tetingkap EEG, ia akhirnya memahami struktur global dan kebergantungan jarak jauh aktiviti otak. Ini seterusnya membolehkan ia berfungsi dengan lebih baik dalam tugas klinikal sebenar, seperti mengesan corak tidur, mengenal pasti epilepsi atau mengecam isyarat motor.

Penulis menekankan bahawa, berbeza dengan kaedah pembelajaran kendiri EEG klasik, yang memberi tumpuan terutamanya kepada bina semula bahagian isyarat yang bertopeng (sebagai pengekod auto bertopeng, MAE, lakukan), PARS memfokuskan pada komposisi temporal relatif. Iaitu, ia bukan sahaja mengisi "jurang" tempatan tetapi menangkap cara serpihan isyarat yang berasingan sesuai bersama dari semasa ke semasa.

Dalam ujian yang dijalankan, model berasaskan PARS menunjukkan bahawa mereka mampu untuk memadankan atau mengatasi strategi sebelumnya dalam beberapa penanda aras EEG, terutamanya apabila beberapa label tersedia (senario yang sangat biasa dalam perubatan). Ini menjadikan PARS pilihan yang sangat menarik untuk mana-mana sistem yang ingin memanfaatkan volum besar isyarat otak tanpa bergantung pada anotasi yang lengkap.

Cara PARS berfungsi: daripada tokenisasi kepada anggaran anjakan relatif

Untuk menggunakan pendekatan PARS kepada EEG, penyelidik mereka bentuk seni bina berdasarkan Transformer dengan beberapa langkah utamaSemuanya bermula dengan pramemproses isyarat dan menukarnya menjadi perwakilan yang model boleh kendalikan dengan mudah.

Pertama, isyarat EEG dibahagikan kepada tingkap sementara atau "token"Proses tokenisasi ini membolehkan setiap bahagian isyarat diwakili sebagai unit di mana pengubah boleh beroperasi, sama seperti cara teks atau imej digunakan. Token ini kemudiannya ditambah... benam kedudukan, walaupun dengan cara tertentu, kerana PARS bermain tepat dengan topeng dan manipulasi kedudukan temporal ini.

Salah satu komponen tersendiri kaedah ialah penggunaan benam kedudukan bertopengDaripada memberikan model maklumat kedudukan tepat secara langsung el tiempo Untuk setiap token, data kedudukan tertentu disembunyikan atau diubah. Ini memaksa pengekod untuk membuat kesimpulan struktur temporal daripada kandungantanpa bergantung semata-mata pada indeks atau cap masa yang jelas.

Jantung pra-senaman PARS adalah tugas anggaran anjakan relatif berpasanganModel menerima dua tetingkap EEG yang diekstrak secara rawak daripada rakaman yang sama dan mesti meramalkan jarak temporal antara mereka. Ia bukan hanya tentang meneka sama ada jaraknya dekat atau jauh, tetapi tentang mempelajari pemetaan berterusan atau diskret yang mencerminkan selang masa relatif.

Untuk ini, a penyahkod dengan mekanisme perhatian silangKomponen ini merujuk silang maklumat yang dikodkan daripada kedua-dua tetingkap dan belajar mengaitkan ciri dalaman mereka untuk menyimpulkan masa memisahkannya. Terima kasih kepada proses ini, pengubah akhirnya memodelkan kebergantungan jangka panjang dan corak evolusi aktiviti otak yang melangkaui persekitaran tempatan beberapa milisaat.

Dalam fasa kemudian, model disesuaikan dengan tugas yang berbeza melalui penalaan halus berbilang saluran dan penilaian khususIni bermakna, setelah dilatih terlebih dahulu dengan PARS pada pelbagai rakaman EEG (termasuk persediaan berbilang elektrod), ia diperhalusi untuk tugas tertentu seperti klasifikasi tidur, pengesanan EEG yang tidak normal atau sawan epilepsi.

Artikel teknikal juga memperincikan aspek praktikal seperti set data yang digunakan, seni bina tepat pengekod, jenis penyahkod yang dipilih, topeng dan skema pensampelan tampalan, dan juga sumber pengkomputeran yang digunakanDi samping itu, varian seni bina yang berbeza dibandingkan dengan kajian ablasi untuk menentukan keputusan reka bentuk yang menghasilkan prestasi terbaik.

Perbandingan dengan kaedah lain: MAE, MP3, DropPos dan lain-lain

Kajian itu tidak hanya menerangkan PARS, tetapi membezakannya dengan Kaedah rujukan dalam pembelajaran kendiri untuk EEGAntara pendekatan yang dibandingkan ialah pengekod auto bertopeng (MAE), MP3 dan DropPos, masing-masing mempunyai falsafah yang berbeza apabila ia datang untuk belajar daripada data tidak berlabel.

MAE memberi tumpuan kepada bina semula bahagian isyarat yang bertopengSemasa pra-latihan, bahagian input disembunyikan, dan model cuba memulihkannya daripada konteks. Ini memaksa pengekod untuk mempelajari perwakilan yang bermakna, tetapi ia sangat berorientasikan corak tempatan—iaitu, mengisi "jurang" berdekatan dan bukannya memahami perhubungan jarak jauh.

MP3 dan pendekatan lain yang serupa turut meneroka strategi dalih untuk menangkap maklumat strukturWalau bagaimanapun, menurut keputusan kertas itu, ia masih kurang berkesan daripada PARS dalam memodelkan selang masa relatif antara segmen jauh isyarat.

DropPos, bagi pihaknya, mengubah suai atau mengalih keluar maklumat kedudukan yang jelas dalam pengubah dengan idea menjadikan model lebih mantap dalam kedudukan yang tepatWalaupun teknik jenis ini membantu rangkaian untuk tidak bergantung secara berlebihan pada benam kedudukan, ia telah ditunjukkan bahawa, dengan sendirinya, ia tidak mencukupi untuk mengeksploitasi struktur temporal isyarat EEG secara optimum.

Ujian eksperimen menunjukkan bahawa model dilatih dengan PARS sama atau mengatasi alternatif ini dalam tiga daripada empat penanda aras EEG yang digunakan. Di mana ia paling bersinar adalah dalam senario kecekapan labelIaitu, apabila hanya sebahagian kecil daripada rakaman yang tersedia. Ini adalah penting dalam persekitaran klinikal, di mana pelabelan dengan tepat setiap minit EEG sangat memakan masa dan memerlukan pakar khusus.

Lampiran kerja menerangkan secara terperinci tentang konfigurasi setiap garis dasar, hiperparameter yang diuji, kesan tahap topeng yang berbeza atau seni bina penyahkod yang berbeza dan keputusan kuantitatif akhir. Mesej yang jelas ialah, untuk EEG, secara eksplisit mempelajari hubungan temporal antara serpihan isyarat menawarkan kelebihan praktikal berbanding hanya membina semula atau menutup.

Set data yang digunakan: dari tidur telinga-EEG kepada pengesanan epilepsi

Untuk mengesahkan PARS, Apple dan rakan usaha samanya menggunakan empat set data EEG yang terkenalyang merangkumi senario penggunaan yang berbeza: tidur, patologi, aktiviti motor dan juga konfigurasi elektrod dalam telinga.

Dataset pertama ialah Peringkat Tidur Boleh Dipakai (EESM17), menumpukan pada pemantauan tidur dengan peranti boleh pakai. Termasuk rakaman waktu malam 9 subjek dengan sistem pemantauan tidur EEG telinga 12 saluran dan EEG kulit kepala 6 saluranDataset ini amat menarik kerana ia menunjukkan bahawa elektrod yang diletakkan di dalam telinga boleh menangkap sebahagian besar aktiviti otak yang berkaitan dengan membezakan peringkat tidur.

Yang kedua ialah TUAB (Korpus EEG Abnormal Universiti Kuil), korpus yang direka untuk pengesanan EEG yang tidak normalIa mengumpulkan rekod yang dilabel sebagai normal atau patologi, berguna untuk model latihan yang mengesan perubahan neurologi umum, di luar keadaan tertentu.

Yang ketiga, TUSZ (Korpus Rampasan Universiti Kuil), tertumpu kepada pengesanan sawan epilepsiIa termasuk anotasi yang menandakan permulaan dan tamat sawan, serta segmen interiktal. Ia adalah salah satu set data rujukan dalam epilepsi untuk menilai algoritma AI.

Akhirnya, dataset keempat ialah PhysioNet-MI, tertumpu pada tugas imaginasi motorDalam kes ini, peserta membayangkan pergerakan (contohnya, menggerakkan tangan) semasa EEG direkodkan, membenarkan latihan model yang mengenali corak yang berkaitan dengan niat pergerakan, sesuatu yang penting dalam antara muka mesin otak.

Pra-latihan PARS dilakukan pada set data ini dan set data lain yang diterangkan dalam lampiran teknikal, manakala penalaan halus disesuaikan dengan tugas tertentu dalam setiap set data tersebut. Pilihan penanda aras yang pelbagai itu menunjukkan pendekatannya Ia tidak terhad kepada satu kes penggunaan dan itu boleh berfungsi sebagai asas umum untuk model EEG yang dipantau sendiri.

Ear-EEG dan AirPods: Cara penyelidikan PARS bersambung dengan fon kepala Apple

Satu aspek yang sangat menarik dari keseluruhan topik ini ialah penggunaan telinga-EEG, iaitu, menangkap isyarat otak dari telingaSet data EESM17 sudah menggunakan sistem yang meletakkan elektrod di saluran telinga dan telinga, bukannya pada kulit kepala, yang mengurangkan kesan visual dan meningkatkan keselesaan.

Sementara itu, dokumen awam dan paten Apple menunjukkan bahawa syarikat itu telah meneroka untuk beberapa lama fon kepala yang mampu mengukur biosignal dari telinga. Dalam permohonan paten 2023, syarikat itu menerangkan "peranti elektronik boleh pakai" yang direka untuk merekodkan aktiviti otak menggunakan elektrod yang terletak di dalam atau di sekeliling telinga, sebagai alternatif yang kurang kelihatan kepada sistem EEG kulit kepala klasik.

Paten itu sendiri mengakui bahawa penyelesaian telinga-EEG konvensional biasanya memerlukan peranti yang disesuaikan untuk setiap pengguna (dipasang tersuai mengikut saiz dan bentuk telinga anda, saluran telinga, dll.), yang mahal dan tidak praktikal. Tambahan pula, walaupun peranti yang dibuat tersuai boleh kehilangan sentuhan dengan kulit dari semasa ke semasa, merendahkan kualiti isyarat.

Untuk menangani cabaran ini, Apple mencadangkan penyelesaian dalam dokumen itu berdasarkan penempatan lebih banyak elektrod daripada yang diperlukan, diedarkan ke seluruh telingadan biarkan model AI menentukan model yang mana menawarkan bacaan terbaik pada bila-bila masa. Untuk melakukan ini, metrik seperti impedans, tahap hingar, kualiti sentuhan kulit, atau jarak antara elektrod aktif dan rujukan.

Setelah metrik ini dikira, sistem memperuntukkan berat yang berbeza bagi setiap elektrod dan menggabungkan isyaratnya menjadi satu bentuk gelombang yang dioptimumkan. Paten ini juga termasuk gerak isyarat yang mudah, seperti menekan atau memicit cuping telinga, untuk memulakan atau menghentikan pengukuran, serta variasi reka bentuk dan pemasangan yang berbeza yang akan menjadikan perkakasan.

Daripada teori kepada produk: penderia dalam AirPods dan pemantauan otak setiap hari

Gabungan barisan penyelidikan ini dengan PARS menjadikannya agak mudah untuk dibayangkan AirPods dengan penderia yang mampu mengukur EEG dari saluran telingaMalah, sudah ada kemajuan ke arah itu: AirPods Pro 3 telah memasukkan sensor photoplethysmograph (PPG) untuk mengukur kadar denyutan jantung, dan Apple telah menambah ciri kesihatan pada peranti boleh pakainya sejak beberapa tahun kebelakangan ini.

Jika kita menambah elektrod ini untuk telinga-EEG dan model yang dipantau sendiri seperti PARS yang mampu mentafsir isyarat tanpa major pangkalan data tercatatHasilnya ialah peranti yang boleh mengesan peringkat tidur, perubahan dalam perhatian, atau tanda awal patologi neurologi tertentu, semuanya secara telus kepada pengguna.

Dalam eksperimen yang diterangkan dalam kertas penyelidikan, algoritma PARS mengambil segmen rawak isyarat otak dan belajar untuk meramalkan jarak temporal antara merekaBerdasarkan keupayaan ini, model membangunkan pemahaman yang diperkaya tentang bagaimana aktiviti otak berkembang dari semasa ke semasa, menghasilkan hasil yang lebih baik apabila mengklasifikasikan peringkat tidur, mengesan kejadian epilepsi, atau membezakan EEG yang normal daripada abnormal.

Daya tarikan hebat pendekatan ini ialah ia boleh beroperasi dalam konteks di mana label adalah terhad. Dalam produk komersial, ini bermakna AirPods yang dilengkapi dengan teknologi ini akan dapat melakukannya menyesuaikan diri dengan setiap pengguna dengan maklumat yang sangat sedikit diselia, mengambil kesempatan daripada sejumlah besar isyarat mentah yang ditangkap semasa penggunaan harian.

Mengikut keputusan kajian, model pra-latihan dengan capaian PARS untuk memadankan atau melebihi ketepatan kaedah sebelumnya dalam pelbagai tugas, dan ini membuka pintu kepada peranti pengguna yang terkenal, seperti fon kepala, untuk mula menawarkan ukuran yang sebelum ini dikhaskan untuk peralatan hospital yang besar dan khusus.

Sudah tentu, semua ini datang dengan soalan yang munasabah tentang privasi dan keselamatan data dan sempadan etika. Idea bahawa AI boleh mengetahui bukan sahaja kadar denyutan jantung anda atau langkah harian anda, tetapi juga corak aktiviti otak anda, menjana sejumlah kebimbangan. Buat masa ini, kedua-dua kertas dan paten kekal dalam bidang penyelidikan dan reka bentuk konsep, tanpa tarikh khusus untuk produk komersial.

Aplikasi yang berpotensi: kesihatan, kesejahteraan, pemanduan dan prestasi kognitif

Jika teknologi berasaskan PARS dan telinga-EEG menjadi kenyataan dalam AirPods atau peranti boleh pakai lain pada masa hadapan, julat aplikasi boleh menjadi sangat luas. Pertama, ia sesuai untuk memantau tidur secara berterusan dan selesa, mengklasifikasikan fasa REM dan NREM secara automatik (NREM 1, NREM 2 dan NREM 3) dan memberikan maklumat terperinci tentang kualiti rehat.

Tambahan pula, pengesanan tahap perhatian, episod tekanan, atau keadaan berjaga-jaga Ini akan sangat berguna dalam konteks seperti memandu, kerja yang menuntut mental, atau belajar. Peranti yang mengenal pasti penurunan mendadak dalam perhatian boleh memberi amaran kepada pengguna apabila mereka berisiko tertidur semasa memandu atau membuat kesilapan yang serius akibat keletihan.

Dalam keadaan klinikal, pemantauan otak yang bijak dan berterusan boleh memudahkan pengesanan awal gangguan seperti epilepsi, masalah tidur, atau penyakit neurodegeneratifIa bukan tentang menggantikan pakar neurologi atau hospital, tetapi mengenai menyediakan data berharga yang boleh berfungsi sebagai amaran awal atau pelengkap kepada diagnosis.

Satu lagi baris yang menarik ialah biofeedback tertumpu pada kesejahteraan mentalJika peranti itu dapat mengaitkan corak EEG tertentu dengan keadaan relaksasi, penumpuan mendalam atau tekanan, ia boleh membimbing pengguna dalam latihan pernafasan, meditasi atau latihan kognitif, memberikan penunjuk masa nyata sama ada amalan ini mempunyai kesan yang diingini.

Ia tidak akan berhenti di otak sahaja. Dokumen awam Apple menyebut kemungkinan penambahan penderia untuk mengukur isipadu darah, aktiviti otot muka dan pergerakan mata daripada fon telinga itu sendiri. Digabungkan dengan isyarat EEG dan diproses dalam a iPhone atau peranti lain, data ini boleh memberi suapan kepada model AI yang mampu memberikan gambaran yang sangat lengkap tentang keadaan fisiologi dan emosi pengguna.

Semua kegunaan ini perlu disertakan dengan kawalan ketat ke atas persetujuan, pengurusan data dan akses oleh pihak ketigaDalam contoh yang dibentangkan, adalah diandaikan bahawa maklumat boleh dikongsi dengan profesional penjagaan kesihatan hanya jika pengguna membenarkannya, dan kebanyakan pemprosesan dilakukan secara tempatan untuk meminimumkan risiko.

Dalam praktiknya, perkara yang ditunjukkan oleh kedua-dua kertas PARS dan paten serta prototaip adalah penumpuan yang sangat jelas: Apple sedang meneroka, di satu pihak, cara terbaik untuk mengumpul isyarat otak dari telinga dan, sebaliknya, cara terbaik untuk mentafsirnya dengan AI tanpa bergantung pada anotasi manusiaJika kedua-dua bahagian sesuai bersama, fon kepala boleh tidak lagi menjadi pemain audio ringkas dan menjadi alat kesihatan dan prestasi termaju, dengan syarat aspek etika dan privasi diurus dengan baik.

Segala-galanya menunjukkan fakta bahawa kita berada pada permulaan generasi baharu bagi barang boleh pakai di mana kaedah seperti Apple PARS (Parwise Relative Shift) dan penderia diskret seperti telinga-EEG Mereka boleh mengubah cara kita memahami tidur kita, perhatian kita dan kesihatan saraf kita, bermula dengan sesuatu yang biasa seperti AirPods.