Apple PARS: Slik vil Apple lese hjerneaktiviteten din fra øret ditt.

Ideen om at hodetelefoner kan Lytt til musikken din, og samtidig «lytt» til hjernen din. Det virker som noe hentet fra science fiction, men Apple baner allerede vei med en svært kraftig kombinasjon: nye in-ear-sensorer og avanserte modeller av kunstig intelligensBak alt dette ligger en metode som kalles PARS (luftvis relativ forskyvning), en selvlærende tilnærming som lar en algoritme forstå hjernens elektriske aktivitet uten å være avhengig av spesialister som manuelt registrerer data.

I stedet for å fokusere på en spesifikk dings, fokuserer Apples forskning på hvordan en modell av IA puede Lær den tidsmessige strukturen til EEG-signaler (elektroencefalografi) og deretter anvende denne kunnskapen på oppgaver som å klassifisere søvnstadier eller oppdage nevrologiske abnormiteter. Og selv om studien ikke direkte nevner AirPods, legger den til patenter og prototyper som peker mot en fremtid der enkle hodetelefoner kan bli et slags «miniaboratorium» for hjerneovervåking fra øret.

Hva er Apple PARS (Pairwise Relative Shift), og hvorfor er det så relevant?

PARS-metoden stammer fra forskning presentert av et team fra Apple og akademiske samarbeidspartnere, i en artikkel akseptert ved NeurIPS 2025 Grunnleggende modeller for hjerne og kropp-workshopStudien, med tittelen «Learning the relative composition of EEG signals using parvis relativ shift pretraining», foreslår en annen måte å trene modeller med elektroencefalografisignaler uten å bruke menneskelige etiketter.

I praksis er PARS en teknikk for selvveiledet læring anvendt på EEG. I stedet for å be nevrologer manuelt angi hvilket signalsegment som tilsvarer hver søvnfase eller starten på et epileptisk anfall, trenes modellen med uannoterte data og tvinges til å løse et kunstig, men svært nyttig problem: forutsi hvilken tidsavstand som skiller to signalfragmenter.

Grunnideen er at hvis modellen lærer å estimere hvor mye tid det er mellom to EEG-vinduer, forstår den til slutt global struktur og langsiktige avhengigheter av hjerneaktivitet. Dette gjør at den deretter kan prestere bedre i reelle kliniske oppgaver, som å oppdage søvnmønstre, identifisere epilepsi eller gjenkjenne motoriske signaler.

Forfatterne understreker at i motsetning til klassiske EEG-selvlæringsmetoder, som primært fokuserer på rekonstruere maskerte deler av signalet (slik maskerte autoenkodere, MAE, gjør), fokuserer PARS på relativ tidsmessig sammensetning. Det vil si at den ikke bare fyller ut lokale "hull", men fanger opp hvordan separate fragmenter av signalet passer sammen over tid.

I testene som er utført, viser de PARS-baserte modellene at de er i stand til å å matche eller overgå tidligere strategier i flere EEG-benchmarks, spesielt når få etiketter er tilgjengelige (et veldig vanlig scenario innen medisin). Dette gjør PARS til et svært attraktivt alternativ for ethvert system som ønsker å dra nytte av store mengder hjernesignaler uten å være avhengig av uttømmende annoteringer.

Hvordan PARS fungerer: fra tokenisering til estimering av relativ forskyvning

For å anvende PARS-tilnærmingen til EEG, designer forskere en arkitektur basert på Transformatorer med flere viktige trinnDet hele starter med å forbehandle signalet og konvertere det til en representasjon som modellen enkelt kan håndtere.

Først deles EEG-signalet inn i midlertidige vinduer eller «tokens»Denne tokeniseringsprosessen gjør at hvert signalstykke kan representeres som en enhet som transformatoren kan operere på, omtrent på samme måte som tekst eller bilder brukes. Disse tokenene legges deretter til ... posisjonelle innebygginger, om enn på en spesiell måte, fordi PARS leker nettopp med masken og manipuleringen av disse tidsmessige posisjonene.

En av metodens særegne komponenter er bruken av maskert posisjonsinnstøpingI stedet for å gi modellen den nøyaktige posisjonsinformasjonen direkte i tiden For hver token skjules eller endres visse posisjonsdata. Dette tvinger koderen til å utlede den tidsmessige strukturen fra innholdetuten å utelukkende stole på en indeks eller et eksplisitt tidsstempel.

Kjernen i PARS pre-workout er oppgaven med å parvis relativ forskyvningsestimeringModellen mottar to EEG-vinduer tilfeldig hentet fra samme opptak og må forutsi den tidsmessige avstanden mellom dem. Det handler ikke bare om å gjette om de er nære eller langt fra hverandre, men om å lære en kontinuerlig eller diskretisert kartlegging som gjenspeiler det relative tidsintervallet.

For dette, a dekoder med kryssoppmerksomhetsmekanismerDenne komponenten kryssrefererer den kodede informasjonen fra begge vinduene og lærer å relatere deres interne egenskaper for å utlede tiden som skiller dem. Takket være denne prosessen ender transformatoren opp med å modellere langsiktige avhengigheter og mønstre av hjerneaktivitetsutvikling som strekker seg langt utover det lokale miljøet på noen få millisekunder.

I senere faser tilpasses modellen til ulike oppgaver gjennom flerkanals finjustering og spesifikk evalueringDette betyr at når den er forhåndstrint med PARS på en rekke EEG-opptak (inkludert oppsett med flere elektroder), er den finjustert for spesifikke oppgaver som søvnklassifisering, deteksjon av unormal EEG eller epileptiske anfall.

Den tekniske artikkelen beskriver også praktiske aspekter som datasett som brukes, den nøyaktige arkitekturen til koderen, typen dekoder som er valgt, maske- og patch-samplingskjemaerså vel som dataressurser bruktI tillegg sammenlignes ulike arkitektoniske varianter med ablasjonsstudier for å bestemme hvilke designbeslutninger som gir best ytelse.

Sammenligning med andre metoder: MAE, MP3, DropPos og andre

Studien beskriver ikke bare PARS, men kontrasterer det med Referansemetoder i selvlæring for EEGBlant tilnærmingene som sammenlignes er maskerte autoenkodere (MAE), MP3 og DropPos, hver med en ulik filosofi når det gjelder å lære fra umerkede data.

MAE-er fokuserer på rekonstruere maskerte deler av signaletUnder fortrening er deler av inputen skjult, og modellen prøver å hente dem fra konteksten. Dette tvinger koderen til å lære meningsfulle representasjoner, men den er sterkt orientert mot lokale mønstre – det vil si å fylle ut nærliggende "hull" i stedet for å forstå langsiktige forhold.

MP3 og andre lignende tilnærminger utforsker også påskuddsstrategier for å fange opp strukturell informasjonImidlertid, ifølge artikkelens resultater, er de fortsatt mindre effektive enn PARS til å modellere de relative tidsintervallene mellom fjerne segmenter av signalet.

DropPos, på sin side, endrer eller fjerner eksplisitt posisjonsinformasjon i transformatoren med ideen om gjøre modellen mer robust i den nøyaktige posisjonenSelv om denne typen teknikk hjelper nettverk med ikke å være for avhengige av posisjonelle innebygginger, har det vist seg at den alene ikke er nok til å optimalt utnytte den tidsmessige strukturen til EEG-signaler.

Eksperimentelle tester viser at modellene forhåndstrent med PARS er lik eller overgår disse alternativene i tre av de fire EEG-referansepunktene som ble brukt. Der den skinner mest er i scenarier med etiketteffektivitetDet vil si når bare en brøkdel av opptakene er tilgjengelige. Dette er avgjørende i kliniske omgivelser, hvor nøyaktig merking av hvert minutt av EEG er svært tidkrevende og krever spesialiserte eksperter.

Vedlegget til verket beskriver i detalj konfigurasjon av hver grunnlinje, de testede hyperparametrene, effekten av forskjellige maskenivåer eller forskjellige dekoderarkitekturer og de endelige kvantitative resultatene. Det klare budskapet er at for EEG gir det en praktisk fordel å eksplisitt lære det tidsmessige forholdet mellom signalfragmenter fremfor å bare rekonstruere eller maskere.

Datasett brukt: fra øre-EEG-søvn til epilepsideteksjon

For å validere PARS brukte Apple og samarbeidspartnerne fire kjente EEG-datasettsom dekker ulike bruksscenarioer: søvn, patologier, motorisk aktivitet og til og med elektrodekonfigurasjoner i øret.

Det første datasettet er Bærbar søvnstaging (EESM17), fokusert på søvnovervåking med bærbare enheter. Inkluderer nattopptak av 9 personer med et søvnovervåkingssystem 12-kanals øre-EEG og 6-kanals skalp-EEGDette datasettet er spesielt interessant fordi det viser at elektroder plassert i øret kan fange opp en betydelig del av hjerneaktiviteten som er relevant for å skille mellom søvnstadier.

Det andre er TUAB (Temple University Abnormal EEG Corpus), et korpus designet for deteksjon av unormal EEGDen samler inn poster merket som normale eller patologiske, noe som er nyttig for treningsmodeller som oppdager generelle nevrologiske endringer utover en spesifikk tilstand.

Den tredje, TUSZ (Temple University Seizure Corpus), er fokusert på deteksjon av epileptiske anfallDen inneholder annoteringer som markerer starten og slutten av anfall, samt interiktale segmenter. Det er et av referansedatasettene innen epilepsi for evaluering av AI-algoritmer.

Til slutt er det fjerde datasettet PhysioNet-MI, fokusert på motoriske fantasioppgaverI dette tilfellet forestiller deltakerne seg bevegelser (for eksempel å bevege en hånd) mens EEG-en registreres, noe som muliggjør trening av modeller som gjenkjenner mønstre knyttet til bevegelsesintensjonen, noe som er sentralt i hjerne-maskin-grensesnitt.

PARS-forhåndstrening utføres på disse og andre datasett beskrevet i det tekniske tillegget, mens finjustering skreddersys til spesifikke oppgaver innenfor hvert av dem. Valget av slike varierte referansepunkter demonstrerer tilnærmingen Det er ikke begrenset til et enkelt brukstilfelle og det kan tjene som et generelt grunnlag for selvovervåkede EEG-modeller.

Ear-EEG og AirPods: Hvordan PARS-forskning kobles til Apples hodetelefoner

Et spesielt slående aspekt ved hele dette emnet er bruken av øre-EEG, det vil si opptak av hjernesignaler fra øretEESM17-datasettet bruker allerede systemer som plasserer elektroder i øregangen og øret, i stedet for i hodebunnen, noe som reduserer den visuelle påvirkningen betraktelig og forbedrer komforten.

I mellomtiden indikerer offentlige dokumenter og Apple-patenter at selskapet har utforsket det en stund. hodetelefoner som kan måle biosignaler fra øret. I en patentsøknad fra 2023 beskriver selskapet en «bærbar elektronisk enhet» som er designet for å registrere hjerneaktivitet ved hjelp av elektroder plassert i eller rundt øret, som et mindre synlig alternativ til klassiske EEG-systemer for hodebunnen.

Patentet erkjenner i seg selv at konvensjonelle øre-EEG-løsninger vanligvis krever enheter tilpasset for hver bruker (tilpasset størrelsen og formen på øret, øregangen osv.), noe som er dyrt og upraktisk. Dessuten kan selv en spesiallaget enhet miste kontakten med huden over tid, noe som forringer signalkvaliteten.

For å håndtere disse utfordringene foreslår Apple en løsning i det dokumentet basert på plassering flere elektroder enn strengt nødvendig, fordelt over hele øretog la en AI-modell bestemme hvilke som gir den beste avlesningen til enhver tid. For å gjøre dette, brukes målinger som impedans, støynivå, hudkontaktkvalitet eller avstanden mellom aktive elektroder og referanseelektroder.

Når disse målene er beregnet, tildeler systemet forskjellige vekter for hver elektrode og kombinerer signalene til én optimalisert bølgeform. Patentet inkluderer til og med enkle bevegelser, som å trykke eller klemme på øreproppen, for å starte eller stoppe målingen, samt forskjellige design- og monteringsvariasjoner som ville gjøre maskinvare.

Fra teori til produkt: sensorer i AirPods og hverdagslig hjerneovervåking

Kombinasjonen av denne forskningslinjen med PARS gjør det ganske enkelt å forestille seg AirPods med sensorer som kan måle EEG fra øregangenFaktisk har det allerede vært fremskritt i den retningen: AirPods Pro 3 har innlemmet en fotopletysmograf (PPG)-sensor for å måle hjertefrekvens, og Apple har lagt til helsefunksjoner til sine bærbare enheter de siste årene.

Hvis vi i tillegg legger til elektroder for øre-EEG og en selvovervåket modell som PARS som er i stand til tolke signalene uten større databaser bemerketResultatet ville være en enhet som kunne oppdage søvnstadier, endringer i oppmerksomhet eller tidlige tegn på visse nevrologiske patologier, alt transparent for brukeren.

I eksperimentene beskrevet i forskningsartikkelen tar PARS-algoritmen tilfeldige segmenter av hjernen signaliserer og lærer å forutsi den tidsmessige avstanden mellom demBasert på denne evnen utvikler modellen en beriket forståelse av hvordan hjerneaktivitet utvikler seg over tid, noe som resulterer i bedre resultater når man klassifiserer søvnstadier, lokaliserer epileptiske hendelser eller skiller normale fra unormale EEG-er.

Det store tiltrekningskraften ved denne tilnærmingen er at den kan fungere i en kontekst der etiketter er mangelvare. I et kommersielt produkt kan det bety at AirPods utstyrt med denne teknologien vil kunne tilpasse seg hver bruker med svært lite overvåket informasjon, og utnytter enorme mengder rått signal som fanges opp under daglig bruk.

I følge studieresultatene når modeller som er forhåndstrent med PARS å matche eller overgå nøyaktigheten til tidligere metoder i ulike oppgaver, og dette åpner døren for at forbrukerenheter, som hodetelefoner, kan begynne å tilby målinger som tidligere var reservert for klumpete og spesialisert sykehusutstyr.

Alt dette kommer selvsagt med rimelige spørsmål om personvern og sikkerhet for data og etiske grenser. Ideen om at AI ikke bare kan vite pulsen din eller dine daglige skritt, men også hjernens aktivitetsmønstre, skaper en viss mengde bekymring. Foreløpig forblir både artikkelen og patentene innenfor forskningens og konseptuelle designområder, uten en spesifikk dato for et kommersielt produkt.

Potensielle bruksområder: helse, velvære, kjøring og kognitiv ytelse

Hvis PARS- og øre-EEG-basert teknologi materialiseres i fremtidige AirPods eller andre bærbare enheter, kan bruksområdet bli svært bredt. For det første ville det være ideelt for overvåk søvn kontinuerlig og komfortabelt, som automatisk klassifiserer REM- og NREM-fasene (NREM 1, NREM 2 og NREM 3) og gir detaljert informasjon om hvilekvaliteten.

Videre er deteksjonen av oppmerksomhetsnivåer, stressepisoder eller årvåkenhetstilstander Dette ville være ekstremt nyttig i sammenhenger som kjøring, mentalt krevende arbeid eller studier. En enhet som identifiserer plutselige fall i oppmerksomhet kan advare brukeren når de er i fare for å sovne bak rattet eller gjøre alvorlige feil på grunn av tretthet.

I kliniske omgivelser kan diskret og kontinuerlig hjerneovervåking legge til rette for tidlig oppdagelse av lidelser som epilepsi, søvnproblemer eller nevrodegenerative sykdommerDet handler ikke om å erstatte en nevrolog eller et sykehus, men om å fremskaffe verdifulle data som kan tjene som en tidlig advarsel eller et supplement til diagnosen.

En annen interessant linje er biofeedback fokusert på mental velværeHvis enheten er i stand til å relatere visse EEG-mønstre til tilstander av avslapning, dyp konsentrasjon eller stress, kan den veilede brukeren i pusteøvelser, meditasjon eller kognitiv trening, og gi sanntidsindikatorer på om disse praksisene har ønsket effekt.

Det stoppet ikke bare ved hjernen. Apples offentlige dokumenter nevner mulig tillegg av sensorer for å måle blodvolum, ansiktsmuskelaktivitet og øyebevegelser fra selve øretelefonen. Kombinert med EEG-signalet og behandlet i en iPhone eller en annen enhet, kan disse dataene mate AI-modeller som er i stand til å gi et svært komplett bilde av brukerens fysiologiske og emosjonelle tilstand.

Alle disse bruksområdene må ledsages av strenge kontroller av samtykke, datahåndtering og tilgang fra tredjeparterI eksemplene som presenteres antas det at informasjon kun kan deles med helsepersonell dersom brukeren autoriserer det, og at mye av behandlingen gjøres lokalt for å minimere risikoer.

I praksis viser både PARS-artikkelen og patentene og prototypene en veldig klar konvergens: Apple utforsker på den ene siden, den beste måten å samle hjernesignaler fra øret og på den andre den beste måten å tolke dem med AI uten å stole på menneskelige annoteringerHvis begge delene passer sammen, kan hodetelefoner slutte å være enkle lydspillere og bli avanserte helse- og ytelsesverktøy, forutsatt at etiske og personvernmessige aspekter håndteres godt.

Alt tyder på at vi er i begynnelsen av en ny generasjon av bærbare enheter der metoder som Apple PARS (Parwise Relative Shift) og diskrete sensorer som øre-EEG De kan forandre hvordan vi forstår søvnen vår, oppmerksomheten vår og vår nevrologiske helse, og starter med noe så hverdagslig som AirPods.

Relatert artikkel:

Hva er Semantic Scholar: en akademisk søkemotor drevet av kunstig intelligens

Isaac

Lidenskapelig forfatter om verden av bytes og teknologi generelt. Jeg elsker å dele kunnskapen min gjennom å skrive, og det er det jeg skal gjøre i denne bloggen, vise deg alle de mest interessante tingene om dingser, programvare, maskinvare, teknologiske trender og mer. Målet mitt er å hjelpe deg med å navigere i den digitale verden på en enkel og underholdende måte.