Apple PARS: Zo wil Apple je hersenactiviteit uit je oor aflezen.

Het idee dat koptelefoons kunnen Luister naar je muziek en luister tegelijkertijd naar je hersenen Het lijkt iets uit sciencefiction, maar Apple baant nu al de weg met een zeer krachtige combinatie: nieuwe in-ear sensoren en geavanceerde modellen van inteligencia kunstmatigeAchter dit alles schuilt een methode genaamd PARS (PAirwise Relative Shift), een zelflerende aanpak waarmee een algoritme de elektrische activiteit van de hersenen kan begrijpen, zonder dat specialisten handmatig gegevens moeten registreren.

In plaats van zich te richten op een specifieke gadget, richt Apple's onderzoek zich op de manier waarop een model van IA puede de temporele structuur van EEG-signalen leren (elektro-encefalografie) en die kennis vervolgens toepassen op taken zoals het classificeren van slaapfasen of het detecteren van neurologische afwijkingen. Hoewel de studie AirPods niet expliciet noemt, draagt ​​het bij aan patenten en prototypes die wijzen op een toekomst waarin eenvoudige koptelefoons een soort 'minilaboratorium' zouden kunnen worden voor hersenmonitoring via het oor.

Wat is Apple PARS (Pairwise Relative Shift) en waarom is het zo relevant?

De PARS-methode is ontstaan ​​uit onderzoek dat is gepresenteerd door een team van Apple en academische medewerkers in een paper die is geaccepteerd door de Workshop NeurIPS 2025 Foundation Models voor de hersenen en het lichaamIn het onderzoek, getiteld "Learning the relative composition of EEG signals using pairwise relative shift pretraining", wordt een andere manier voorgesteld om modellen te trainen met elektro-encefalografiesignalen zonder gebruik te maken van menselijke labels.

In de praktijk is PARS een techniek van zelf begeleid leren toegepast op EEG. In plaats van neurologen te vragen handmatig aan te geven welk signaalsegment overeenkomt met elke slaapfase of het begin van een epileptische aanval, wordt het model getraind met ongeannoteerde data en gedwongen een kunstmatig maar zeer nuttig probleem op te lossen: voorspellen welke tijdsafstand twee signaalfragmenten scheidt.

Het basisidee is dat als het model leert schatten hoeveel tijd er tussen twee EEG-vensters zit, het uiteindelijk de globale structuur en lange-afstandsafhankelijkheden van hersenactiviteit. Hierdoor kan het beter presteren bij echte klinische taken, zoals het detecteren van slaappatronen, het identificeren van epilepsie of het herkennen van motorische signalen.

De auteurs benadrukken dat, in tegenstelling tot klassieke EEG-zelflerende methoden, die zich primair richten op reconstrueer gemaskeerde delen van het signaal (zoals gemaskeerde auto-encoders, MAE, doen) richt PARS zich op de relatieve temporele compositie. Dat wil zeggen dat het niet alleen lokale "gaten" opvult, maar ook vastlegt hoe afzonderlijke fragmenten van het signaal in de loop van de tijd in elkaar passen.

Uit de uitgevoerde testen blijkt dat de op PARS gebaseerde modellen in staat zijn om: om eerdere strategieën te evenaren of te overtreffen in verschillende EEG-benchmarks, vooral wanneer er weinig labels beschikbaar zijn (een veelvoorkomend scenario in de geneeskunde). Dit maakt PARS een zeer aantrekkelijke optie voor elk systeem dat grote hoeveelheden hersensignalen wil benutten zonder afhankelijk te zijn van uitgebreide annotaties.

Hoe PARS werkt: van tokenisatie tot relatieve verplaatsingsschatting

Om de PARS-benadering op EEG toe te passen, ontwerpen onderzoekers een architectuur op basis van Transformatoren met verschillende sleutelstappenHet begint allemaal met het voorbewerken van het signaal en het omzetten ervan in een representatie die het model gemakkelijk kan verwerken.

Eerst wordt het EEG-signaal verdeeld in tijdelijke vensters of "tokens"Met dit tokenisatieproces kan elk stukje signaal worden weergegeven als een eenheid waarop de transformator kan werken, net zoals tekst of afbeeldingen worden gebruikt. Deze tokens worden vervolgens toegevoegd... positionele inbeddingen, maar wel op een bijzondere manier, omdat PARS juist met het masker en de manipulatie van deze temporele posities speelt.

Een van de onderscheidende onderdelen van de methode is het gebruik van gemaskeerde positionele inbeddingIn plaats van het model de exacte positie-informatie direct in de tijd Voor elk token worden bepaalde positiegegevens verborgen of gewijzigd. Dit dwingt de encoder om de temporele structuur afleiden uit de inhoudzonder uitsluitend te vertrouwen op een index of een expliciete tijdstempel.

De kern van de PARS pre-workout is de taak van paargewijze relatieve verschuivingsschattingHet model ontvangt twee willekeurig uit dezelfde opname geëxtraheerde EEG-vensters en moet de tijdsafstand ertussen voorspellen. Het gaat niet alleen om het raden of ze dichtbij of ver uit elkaar liggen, maar om het leren van een continue of gediscretiseerde mapping die het relatieve tijdsinterval weerspiegelt.

Hiervoor is een decoder met cross-attention-mechanismenDeze component vergelijkt de gecodeerde informatie van beide vensters met elkaar en leert hun interne kenmerken te relateren om de tijd tussen beide vensters af te leiden. Dankzij dit proces modelleert de transformator uiteindelijk langetermijnafhankelijkheden en patronen van de evolutie van hersenactiviteit die veel verder reiken dan de lokale omgeving van enkele milliseconden.

In latere fasen wordt het model aangepast aan verschillende taken door multi-channel fine-tuning en specifieke evaluatieDit betekent dat het, nadat het eenmaal is voorgeprogrammeerd met PARS op verschillende EEG-opnamen (inclusief opstellingen met meerdere elektroden), nauwkeurig is afgestemd op specifieke taken zoals slaapclassificatie, detectie van afwijkend EEG of epileptische aanvallen.

In het technische artikel worden ook praktische aspecten beschreven, zoals: gebruikte datasets, de exacte architectuur van de encoder, het gekozen type decoder, de masker- en patch-samplingschema'sevenals gebruikte computerbronnenDaarnaast worden verschillende architectuurvarianten vergeleken met ablatiestudies om te bepalen welke ontwerpbeslissingen de beste prestaties opleveren.

Vergelijking met andere methoden: MAE, MP3, DropPos en andere

De studie beschrijft PARS niet alleen, maar contrasteert het met Referentiemethoden voor zelflerend EEGOnder de vergeleken benaderingen bevinden zich de gemaskeerde autoencoders (MAE), MP3 en DropPos, elk met een andere filosofie als het gaat om leren van niet-gelabelde data.

MAE's richten zich op reconstrueer gemaskeerde delen van het signaalTijdens de pre-training worden delen van de invoer verborgen en probeert het model deze uit de context te halen. Dit dwingt de encoder om zinvolle representaties te leren, maar is sterk gericht op lokale patronen – dat wil zeggen, het opvullen van nabijgelegen "gaten" in plaats van het begrijpen van relaties op lange termijn.

MP3 en andere soortgelijke benaderingen onderzoeken ook pretextstrategieën voor het vastleggen van structurele informatieVolgens de resultaten van het artikel zijn ze echter nog steeds minder effectief dan PARS bij het modelleren van de relatieve tijdsintervallen tussen verre segmenten van het signaal.

DropPos wijzigt of verwijdert op zijn beurt expliciete positie-informatie in de transformator met het idee van Maak het model robuuster in de exacte positieHoewel dit type techniek ervoor zorgt dat netwerken niet te afhankelijk worden van positionele inbeddingen, is gebleken dat deze techniek op zichzelf niet voldoende is om de temporele structuur van EEG-signalen optimaal te benutten.

Experimentele testen tonen aan dat de modellen voorgeprogrammeerd met PARS zijn gelijk aan of overtreffen deze alternatieven in drie van de vier gebruikte EEG-benchmarks. Waar het het meest schittert, is in scenario's van etiket efficiëntieDat wil zeggen, wanneer slechts een fractie van de opnames beschikbaar is. Dit is cruciaal in de klinische setting, waar het nauwkeurig labelen van elke minuut EEG zeer tijdrovend is en gespecialiseerde experts vereist.

In de bijlage bij het werk wordt gedetailleerd beschreven configuratie van elke basislijn, de geteste hyperparameters, het effect van verschillende maskerniveaus of verschillende decoderarchitecturen en de uiteindelijke kwantitatieve resultaten. De duidelijke boodschap is dat het expliciet leren van de temporele relatie tussen signaalfragmenten bij EEG een praktisch voordeel biedt ten opzichte van simpelweg reconstrueren of maskeren.

Gebruikte datasets: van oor-EEG-slaap tot epilepsiedetectie

Om PARS te valideren, gebruikten Apple en zijn medewerkers vier bekende EEG-datasetsdie verschillende gebruiksscenario's bestrijken: slaap, pathologieën, motorische activiteit en zelfs elektrodeconfiguraties in het oor.

De eerste dataset is Draagbare slaapstadiëring (EESM17), gericht op slaapmonitoring met draagbare apparaten. Inclusief nachtelijke opnames van 9 proefpersonen met een slaapmonitoringsysteem. 12-kanaals oor-EEG en een 6-kanaals hoofdhuid-EEGDeze dataset is met name interessant omdat het aantoont dat elektroden die in het oor worden geplaatst, een aanzienlijk deel van de hersenactiviteit kunnen vastleggen die relevant is voor het onderscheiden van slaapfasen.

De tweede is TUAB (Temple University Abnormaal EEG Corpus), een corpus ontworpen voor de detectie van abnormaal EEGHet verzamelt gegevens die als normaal of pathologisch zijn gemarkeerd. Dit is nuttig voor het trainen van modellen die algemene neurologische veranderingen detecteren die verder gaan dan een specifieke aandoening.

De derde, TUSZ (Inbeslagnemingscorpus van de Tempeluniversiteit), is gericht op de detectie van epileptische aanvallenHet bevat annotaties die het begin en einde van aanvallen markeren, evenals interictale segmenten. Het is een van de referentiedatasets op het gebied van epilepsie voor de evaluatie van AI-algoritmen.

Ten slotte is de vierde dataset PhysioNet-MI, gericht op motorische verbeeldingstakenIn dit geval beelden de deelnemers zich bewegingen in (bijvoorbeeld het bewegen van een hand) terwijl het EEG wordt opgenomen. Hierdoor kunnen modellen worden getraind om patronen te herkennen die verband houden met de intentie van de beweging, iets wat belangrijk is bij interfaces tussen hersenen en machines.

PARS-pretraining wordt uitgevoerd op deze en andere datasets die in de technische bijlage worden beschreven, terwijl de finetuning wordt afgestemd op specifieke taken binnen elk van deze datasets. De keuze voor dergelijke gevarieerde benchmarks illustreert de aanpak. Het is niet beperkt tot één enkel gebruiksgeval en dat kan dienen als algemene basis voor zelfgemonitorde EEG-modellen.

Ear-EEG en AirPods: hoe PARS-onderzoek aansluit bij de hoofdtelefoons van Apple

Een bijzonder opvallend aspect van dit hele onderwerp is het gebruik van oor-EEG, dat wil zeggen het opvangen van hersensignalen uit het oorDe EESM17-dataset maakt al gebruik van systemen waarbij elektroden in de gehoorgang en het oor worden geplaatst, in plaats van op de hoofdhuid. Hierdoor wordt de visuele impact aanzienlijk verminderd en het comfort verbeterd.

Ondertussen geven openbare documenten en Apple-patenten aan dat het bedrijf al enige tijd onderzoek doet hoofdtelefoons die biosignalen kunnen meten uit het oor. In een patentaanvraag uit 2023 beschrijft het bedrijf een "draagbaar elektronisch apparaat" dat is ontworpen om hersenactiviteit te registreren met behulp van elektroden die zich in of rond het oor bevinden, als een minder zichtbaar alternatief voor de klassieke hoofdhuid-EEG-systemen.

Het patent zelf erkent dat conventionele oor-EEG-oplossingen doorgaans apparaten op maat voor elke gebruiker (op maat gemaakt voor de grootte en vorm van uw oor, gehoorgang, enz.), wat duur en onpraktisch is. Bovendien kan zelfs een op maat gemaakt apparaat na verloop van tijd het contact met de huid verliezen, waardoor de signaalkwaliteit afneemt.

Om deze uitdagingen aan te pakken, stelt Apple in dat document een oplossing voor die gebaseerd is op het plaatsen meer elektroden dan strikt noodzakelijk, verdeeld over het ooren laat een AI-model bepalen welke op een bepaald moment de beste resultaten opleveren. Hiervoor worden statistieken zoals de impedantie, geluidsniveau, kwaliteit van het huidcontact of de afstand tussen actieve en referentie-elektroden.

Zodra deze statistieken zijn berekend, wijst het systeem verschillende gewichten voor elke elektrode en combineert de signalen tot één geoptimaliseerde golfvorm. Het patent omvat zelfs eenvoudige gebaren, zoals het indrukken of knijpen van het oorstuk, om de meting te starten of te stoppen, evenals verschillende ontwerp- en montagevariaties die de hardware.

Van theorie naar product: sensoren in AirPods en dagelijkse hersenmonitoring

De combinatie van deze onderzoekslijn met PARS maakt het heel gemakkelijk om je voor te stellen AirPods met sensoren die EEG kunnen meten vanuit de gehoorgangEr is op dat vlak al vooruitgang geboekt: de AirPods Pro 3 beschikken over een fotoplethysmograaf (PPG)-sensor om de hartslag te meten, en Apple heeft de afgelopen jaren gezondheidsfuncties aan zijn wearables toegevoegd.

Als we hieraan elektroden voor het oor-EEG toevoegen en een zelfgemonitord model zoals PARS dat in staat is om de signalen interpreteren zonder grote databanken opgemerktHet resultaat zou een apparaat zijn dat slaapfasen, veranderingen in aandacht of vroege tekenen van bepaalde neurologische aandoeningen kan detecteren, en dat allemaal transparant is voor de gebruiker.

In de experimenten die in het onderzoeksartikel worden beschreven, neemt het PARS-algoritme willekeurige hersensegmenten signaleren en leren de tijdsafstand tussen hen te voorspellenDankzij dit vermogen ontwikkelt het model een beter inzicht in hoe hersenactiviteit zich in de loop van de tijd ontwikkelt. Dit resulteert in betere resultaten bij het classificeren van slaapfasen, het lokaliseren van epileptische aanvallen en het onderscheiden van normale van abnormale EEG's.

De grote aantrekkingskracht van deze aanpak is dat deze kan functioneren in een context waar labels schaars zijn. In een commercieel product zou dit kunnen betekenen dat AirPods die met deze technologie zijn uitgerust, aanpassen aan elke gebruiker met zeer weinig begeleide informatie, waarbij gebruik wordt gemaakt van de enorme hoeveelheden ruw signaal die tijdens dagelijks gebruik worden vastgelegd.

Volgens de onderzoeksresultaten bereiken modellen die vooraf met PARS zijn getraind om de nauwkeurigheid van eerdere methoden te evenaren of te overtreffen bij diverse taken. Hierdoor kunnen consumentenapparaten, zoals koptelefoons, nu metingen uitvoeren die voorheen waren voorbehouden aan omvangrijke en gespecialiseerde ziekenhuisapparatuur.

Dit alles brengt natuurlijk redelijke vragen met zich mee over gegevensprivacy en beveiliging en ethische grenzen. Het idee dat AI niet alleen je hartslag of je dagelijkse stappen zou kunnen kennen, maar ook je hersenactiviteitspatronen, wekt enige bezorgdheid. Voorlopig blijven zowel het artikel als de patenten in het domein van onderzoek en conceptueel ontwerp, zonder een specifieke datum voor een commercieel product.

Mogelijke toepassingen: gezondheid, welzijn, rijden en cognitieve prestaties

Als PARS- en oor-EEG-gebaseerde technologie in toekomstige AirPods of andere wearables wordt toegepast, zou het toepassingsbereik zeer breed kunnen zijn. Ten eerste zou het ideaal zijn voor controleer uw slaap continu en comfortabel, waarbij de REM- en NREM-fasen (NREM 1, NREM 2 en NREM 3) automatisch worden geclassificeerd en gedetailleerde informatie wordt verstrekt over de kwaliteit van de rust.

Bovendien is de detectie van niveaus van aandacht, stressperioden of toestanden van alertheid Dit zou zeer nuttig zijn in situaties zoals autorijden, mentaal belastend werk of studeren. Een apparaat dat plotselinge aandachtsverlies signaleert, zou de gebruiker kunnen waarschuwen wanneer hij of zij het risico loopt in slaap te vallen achter het stuur of ernstige fouten te maken door vermoeidheid.

In de klinische setting zou discrete en continue hersenmonitoring de vroege opsporing van aandoeningen zoals epilepsie, slaapproblemen of neurodegeneratieve ziektenHet gaat er niet om een ​​neuroloog of een ziekenhuis te vervangen, maar om waardevolle gegevens te leveren die kunnen dienen als een vroege waarschuwing of als aanvulling op de diagnose.

Een andere interessante lijn is de biofeedback gericht op mentaal welzijnAls het apparaat bepaalde EEG-patronen kan relateren aan toestanden van ontspanning, diepe concentratie of stress, kan het de gebruiker begeleiden bij ademhalingsoefeningen, meditatie of cognitieve training. Het apparaat geeft dan realtime indicatoren om te zien of deze oefeningen het gewenste effect hebben.

Het zou niet alleen bij de hersenen blijven. Apple's openbare documenten vermelden de mogelijke toevoeging van sensoren om het bloedvolume, de activiteit van de gezichtsspieren en oogbewegingen te meten van de oortelefoon zelf. Gecombineerd met het EEG-signaal en verwerkt in een iPhone of een ander apparaat kunnen deze gegevens worden gebruikt om AI-modellen te voeden die een zeer volledig beeld kunnen geven van de fysiologische en emotionele toestand van de gebruiker.

Al deze toepassingen zouden gepaard moeten gaan met: strikte controles op toestemming, gegevensbeheer en toegang door derdenIn de gepresenteerde voorbeelden wordt ervan uitgegaan dat informatie alleen met zorgprofessionals kan worden gedeeld als de gebruiker daarvoor toestemming geeft en dat een groot deel van de verwerking lokaal plaatsvindt om risico's te minimaliseren.

In de praktijk laten zowel het PARS-artikel als de patenten en prototypes een zeer duidelijke convergentie zien: Apple onderzoekt enerzijds de beste manier om hersensignalen uit het oor te verzamelen en aan de andere kant de beste manier om ze te interpreteren met AI zonder afhankelijk te zijn van menselijke annotatiesAls beide aspecten samengaan, kunnen koptelefoons niet langer alleen maar audiospelers zijn, maar geavanceerde hulpmiddelen worden voor gezondheid en prestaties. Daarbij moeten ethische aspecten en privacyaspecten goed worden beheerd.

Alles wijst erop dat we aan het begin staan ​​van een nieuwe generatie wearables waarin methoden zoals Apple PARS (Parwise Relative Shift) en discrete sensoren zoals het oor-EEG Ze kunnen de manier waarop we onze slaap, onze aandacht en onze neurologische gezondheid begrijpen, ingrijpend veranderen. Te beginnen met iets alledaags als AirPods.

Gerelateerd artikel:

Wat is Semantic Scholar: een AI-aangedreven academische zoekmachine

Isaac

Gepassioneerd schrijver over de wereld van bytes en technologie in het algemeen. Ik deel mijn kennis graag door te schrijven, en dat is wat ik in deze blog ga doen: je de meest interessante dingen laten zien over gadgets, software, hardware, technologische trends en meer. Mijn doel is om u te helpen op een eenvoudige en onderhoudende manier door de digitale wereld te navigeren.