به گزارش ثریا - سعید ستایشی امروز در دومین سمپوزیوم توانبخشی شناختی و در نشست هوش مصنوعی و توانبخشی شناختی که در سالن کوثر دانشکده روانشناسی و علوم تربیتی دانشگاه تهران برگزار شد، با تأکید بر این‌که «ما هنوز به معنای واقعی به هوش مصنوعی نرسیده‌ایم»، گفت: واقعیت این است که با وجود پیشرفت‌های قابل توجه در حوزه یادگیری عمیق و تعامل مغز و کامپیوتر، هنوز زیرساخت‌های اساسی برای تحقق هوش مصنوعی بومی در کشور فراهم نشده است.

هنوز در ابتدای مسیر هوش مصنوعی هستیم

وی با بیان اینکه بیش از ۳۰ سال است در حوزه هوش مصنوعی تدریس می‌کنم، افزود: هوش مصنوعی پدیده امروز و دیروز نیست. روزگاری در کشور، برخی در حال ثبت اختراع آفتابه بودند و در همان زمان، ما هوش مصنوعی درس می‌دادیم، اما بسیاری آن را شبیه جادو و خیال می‌دانستند. امروز نیز نباید شتاب‌زده برخورد کنیم؛ زیرا هنوز صاحب یا بنیان‌گذار واقعی هوش مصنوعی نیستیم.

ستایشی ادامه داد: تا زمانی که نتوانیم زیرساخت‌ها و کتابخانه‌های لازم برای آموزش داده‌محور را ایجاد کنیم، نمی‌توانیم مدعی توسعه واقعی هوش مصنوعی باشیم. نباید صرفاً با استفاده از چند اپلیکیشن خارجی، تصور کنیم در حال کار با فناوری هوش مصنوعی هستیم.

نقش پژوهشگران جوان در ایجاد زیرساخت‌ها

عضو هیات علمی دانشگاه امیرکبیر با اشاره به تلاش‌های پژوهشگران جوان، گفت: یکی از دانشجویان دکتری من در حال طراحی زیرساختی است که بتوان بر مبنای آن، توسعه واقعی در حوزه هوش مصنوعی را رقم زد. این تلاش‌ها زمینه‌ساز استفاده از یادگیری عمیق در حوزه‌های کاربردی به‌ویژه در تعامل میان مغز و کامپیوتر است.

استفاده از یادگیری عمیق برای بهبود ارتباط مغز و کامپیوتر

ستایشی با اشاره به پروژه در دست اجرای دانشگاه، توضیح داد: در این طرح، از یادگیری عمیق برای طبقه‌بندی پتانسیل‌های بصری با هدف بهبود ارتباط مغز و کامپیوتر استفاده می‌شود. ما از سیگنال‌های مغزی (EEG) برای تحلیل رفتار افرادی که نیازمند توان‌بخشی شناختی هستند، بهره می‌بریم؛ افرادی مانند بازماندگان سکته مغزی، بیماران ALS و یا مبتلایان به آسیب‌های مغزی (TBI).

وی افزود: هدف ما این است که بتوانیم دقت تشخیص را تا حدود ۹۹ درصد افزایش دهیم. این امر تنها با استفاده از سامانه‌ها یا اینترفیس‌هایی ممکن است که به کاربر امکان تصمیم‌گیری و انتخاب رفتار صحیح را بدهند.

سیگنال‌های مغزی، ابزار کلیدی در توان‌بخشی شناختی

ستایشی با اشاره به مزایای استفاده از سیگنال‌های مغزی گفت: EEG به دلیل غیرتهاجمی بودن و قابلیت استخراج ویژگی‌های دقیق از سیگنال‌ها، امکان انجام الگوشناسی علمی (Pattern Recognition) را فراهم می‌کند. این فرآیند می‌تواند به شناسایی رفتار، نوشتن، کنترل حرکت و حتی مسیریابی کمک کند.

تعامل مغز و ماشین؛ از نظریه تا کاربرد

این عضو هیات علمی دانشگاه امیرکبیر تأکید کرد: بحث برقراری ارتباط میان مغز و کامپیوتر یا همان Brain–Machine Interface موضوع تازه‌ای نیست، اما امروز به‌صورت علمی‌تر و کاربردی‌تر دنبال می‌شود. فعالیت‌های مغزی را می‌توان بر اساس کارکرد قشر بینایی مغز و فرکانس‌های خاص شناسایی کرد، سپس با آموزش این سیگنال‌ها به ماشین، سطح توان‌بخشی مورد نیاز را تعیین کرد.

وی خاطرنشان کرد: از طریق الگوریتم‌های الگوشناسی می‌توان به افراد نیازمند کمک کرد تا در انجام حرکات بهینه، دقت دیداری، جهت‌یابی و کنترل حرکتی – مشابه عملکرد ربات‌ها با درجات آزادی متعدد – توانمندتر شوند.

بررسی اثر موسیقی ایرانی بر انسان با کمک هوش مصنوعی

ستایشی در بخش دیگری از سخنان خود از اجرای پروژه‌ای جدید در دانشگاه خبر داد و گفت: به‌زودی طرحی با همکاری پژوهشگران حوزه هوش مصنوعی و مهندسی کامپیوتر آغاز می‌شود که در آن اثر دستگاه‌های موسیقی ایرانی بر انسان با کمک الگوریتم‌های هوشمند بررسی خواهد شد.

وی در ادامه ضمن قدردانی از همکاری پژوهشگران و همکاران خود اظهار کرد: امید است با هم‌افزایی میان حوزه‌های علوم مهندسی، عصب‌پژوهی و هنر بتوانیم مسیر توسعه فناوری‌های نوین مبتنی بر هوش مصنوعی را در کشور هموارتر کنیم.

دقت الگوریتم‌های هوش مصنوعی در تعامل مغز و کامپیوتر تا ۹۹ درصد افزایش یافته است

عضو هیات علمی دانشگاه صنعتی امیرکبیر، با تأکید بر لزوم حرکت عمیق و هدفمند در حوزه هوش مصنوعی گفت: آنچه برای ما اهمیت دارد، دستیابی به عمق و دقت در کاربردهای هوش مصنوعی به‌ویژه در حوزه تعامل مغز و ماشین است تا هر فرد بتواند با بالاترین دقت ممکن و کمترین میزان خطا از این فناوری بهره‌مند شود.

طراحی معیارهای کنترلی مبتنی بر ارتباط مغز و بدن

وی با اشاره به ضرورت طراحی شاخص‌های عملکردی در ارتباط مغز و ماشین افزود: تلاش ما بر این است که بر اساس معیارهایی مشخص، کنترل دستگاه‌ها به کنترل رفتار بدن انسان منتقل شود تا از این قابلیت به‌صورت کامل و کاربردی استفاده شود.

ستایشی ادامه داد: در آزمایش‌های انجام‌شده، به دقت‌هایی بین ۹۵ تا بیش از ۹۹ درصد رسیده‌ایم. به‌طور نمونه، در برخی مدل‌ها همچون DCNN و FCC، میانگین دقت ۹۹.۱۷ درصد با انحراف معیار حدود ۱.۳۴ حاصل شده است. همچنین، از میان ۱۰ شرکت‌کننده، هفت نفر توانستند اهداف مورد نظر را با دقت ۱۰۰ درصد شناسایی کنند و پایین‌ترین دقت ثبت‌شده نیز حدود ۹۷.۲۲ درصد بوده است.

انعطاف‌پذیری و کارایی بالا در تطبیق با رفتار انسان

عضو هیات علمی دانشگاه امیرکبیر با اشاره به نتایج این پژوهش گفت: عملکرد مدل‌های ما از انعطاف‌پذیری بالایی برخوردار است و می‌تواند رفتارهای انسانی را در شرایط متنوع تطبیق دهد. این بنچمارک‌ها که بر پایه داده‌های معتبر استخراج شده‌اند، نشان‌دهنده قابلیت اطمینان بالای این فناوری هستند و می‌توان از آن‌ها به‌عنوان سابقه‌ای قابل اتکا در توسعه فناوری‌های نوین بهره برد.

آموزش ماشین برای شناسایی و هدایت رفتار فرد

ستایشی تصریح کرد: آنچه این سامانه را هوشمند می‌کند، توانایی آن در آموزش و انتقال ویژگی‌های رفتاری فرد دارای ناتوانی حرکتی از طریق سیگنال‌های EEG به ماشین است. پس از آموزش، ماشین می‌تواند در مرحله ارزیابی، رفتار فرد را به‌صورت دقیق راهبری کند. این همان سطحی از «هوش مصنوعی کاربردی» است که باید دارای بیشترین درجه سازگاری با نیاز انسان باشد.

وی افزود: نباید تصور کرد که صرفاً نصب یک ابزار یا نرم‌افزار موسوم به هوش مصنوعی می‌تواند کار تخصصی انجام دهد. تا زمانی که زیرساخت‌ها و داده‌های دقیق و استاندارد در اختیار نباشد، هیچ سامانه‌ای نمی‌تواند عملکرد واقعی هوش مصنوعی را بازنمایی کند.

لزوم دسترسی به داده‌های دقیق و پاک‌سازی‌شده

ستایشی یادآور شد: در کشورهای پیشرفته، یکی از دغدغه‌های اصلی، دستیابی به پایگاه داده‌های قابل اعتماد و واقعی است که در آن نویز سیگنال‌ها کاهش یافته و دقت اطلاعات تضمین شده باشد.

وی افزود: ما نیز باید بتوانیم داده‌ها را با وجود غیرخطی بودنشان، با معماری‌های هوشمند مانند شبکه‌های کانولوشنی (Convolutional) یا بازگشتی (Recurrent) تطبیق دهیم تا سامانه‌های رمزگشا یا Brain Decoder بتوانند پاسخگوی نیازهای فرد باشند.

هوش مصنوعی در خدمت توان‌بخشی شناختی

این استاد دانشگاه با اشاره به یکی از مهم‌ترین کاربردهای این فناوری، گفت: یکی از مزایای اصلی استفاده از هوش مصنوعی در حوزه توان‌بخشی شناختی است. زمانی که فرد بتواند درمان‌های بالینی را با وضعیت عاطفی و هیجانی متعادل‌تری پشت سر بگذارد، سایر فرآیندهای درمانی نیز مؤثرتر عمل می‌کنند.

وی ادامه داد: یکی از ویژگی‌های بنیادین هوش مصنوعی، قدرت استنتاج و بازسازی الگوهاست. این فناوری قادر است الگوهای جدیدی فراتر از دانسته‌های پیشین ما تولید کند و از طریق ادغام یا فیوژن داده‌ها، در فرآیند بازپروری بیماران نقش مؤثری را ایفا کند.

الهام از معماری مغز در طراحی کامپیوتر

ستایشی در ادامه سخنان خود با اشاره به نسبت میان مغز انسان و ساختار کامپیوتر اظهار کرد: در طراحی معماری رایانه‌ها، از ساختار مغز انسان الهام گرفته شده است؛ از تالاموس و کورتکس تا بخش‌های پیش‌پیشانی و لیمبیک. اما باید توجه داشت که هیچ کامپیوتری نمی‌تواند رفتار و عملکرد مغز انسان را به‌طور کامل تقلید کند.

وی تأکید کرد: هدف ما این است که از این شباهت ساختاری برای بهبود تعامل مغز و ماشین بهره ببریم، نه برای جایگزینی مغز انسان. هوش مصنوعی باید در خدمت توان‌بخشی و ارتقای کیفیت زندگی انسان باشد، نه در تقلید صرف از او.

هوش مصنوعی می‌تواند جنبه‌های ناشناخته‌ای از عملکرد مغز را آشکار کند

عضو هیات علمی دانشگاه صنعتی امیرکبیر، با اشاره به دستاوردهای جدید پژوهش خود در حوزه تعامل مغز و ماشین گفت: معماری‌های مبتنی بر هوش مصنوعی، زمانی که بر پایه اصول موازی‌سازی و توزیع پردازش (Distributed & Parallel Processing) طراحی می‌شوند، می‌توانند رفتارهایی را بروز دهند که پیش‌تر در مغز انسان شناسایی نشده بود. این پدیده‌ها به ما کمک می‌کنند تا در بررسی‌های عصب‌پژوهی، به جنبه‌های ناشناخته مغز دست پیدا کنیم.

کشف الگوهای مغزی ناشناخته با کمک الگوریتم‌های هوشمند

وی با بیان اینکه نتایج حاصل از این معماری‌ها، مسیرهای تازه‌ای را در فهم کارکرد مغز باز می‌کند، افزود: گاهی در فرآیندهای هوش مصنوعی با پدیده‌هایی روبه‌رو می‌شویم که در مغز انسان سراغی از آن‌ها نداریم. این یافته‌ها ما را ترغیب می‌کند تا از طریق سیگنال‌های EEG یا تصویربرداری‌های MRI و fMRI، ساختارها و رفتارهای مغزی را دقیق‌تر بررسی کنیم و ببینیم چه بخش‌هایی از مغز را تاکنون نادیده گرفته‌ایم.

ستایشی تصریح کرد: زمانی که این غفلت‌ها شناسایی و اصلاح می‌شوند، می‌توان همان الگوهای بهبودیافته را به ماشین منتقل کرد تا عملکرد آن ارتقاء یابد. در این صورت، ماشین قادر خواهد بود کارکردهای تازه‌ای از مغز را برای ما بازسازی کند، هرچند هرگز نمی‌تواند جایگزین مغز انسان شود.

افزایش ظرفیت عملکردی بیماران با کمک هوش مصنوعی

این استاد دانشگاه با اشاره به محدودیت‌های طبیعی مغز گفت: به عنوان مثال، انسان در مسیرهای بینایی تنها قادر است در بازه‌ای کمتر از یک ثانیه مسیر دید خود را حفظ کند، اما در سامانه‌های هوشمند مصنوعی می‌توان این ظرفیت را افزایش داد و به بیمار اجازه داد از این قابلیت برای بهبود عملکرد شناختی خود بهره ببرد.

وی افزود: در این پروژه، توانستیم در حوزه تعامل روزمره بیمار، به سطح اطمینان ۹۵ تا ۹۹ درصد برسیم؛ در حالی که روش‌های بالینی سنتی تنها بین ۷۴ تا ۹۰ درصد دقت داشتند. این دستاورد ناشی از به‌کارگیری روش‌های نویززدایی (Noise Reduction) و ارائه اطلاعات دقیق و شفاف به بیمار است؛ موضوعی که در روش‌های سنتی درمانی کمتر امکان‌پذیر بود.

بازگشت بیمار به وضعیت شناختی گذشته

ستایشی با اشاره به هدف نهایی طرح گفت: یکی از اولویت‌های ما در این پروژه، کمک به بازگشت بیماران به وضعیت شناختی و عملکردی پیش از بروز بیماری است. در این راستا، از رویکردهای تطبیقی (Adaptive Approaches) استفاده کردیم تا سامانه بتواند با ویژگی‌های هر بیمار سازگار شود و در نتیجه، فرآیند توان‌بخشی را تسریع کند.

بازسازی داده‌های ناقص با یادگیری تکرارشونده

عضو هیات علمی دانشگاه امیرکبیر افزود: یکی از قابلیت‌های مهم این معماری‌ها، بازسازی (Reconstruction) داده‌های ناقص است. در فرآیند یادگیری، زمانی که داده‌ها ناقص یا پرنویز هستند، ماشین با استفاده از روش‌های تکرارشونده (Iterative) می‌تواند الگوی اصلی را استخراج کرده و نمایه‌ای دقیق از وضعیت گذشته بیمار – زمانی که سالم بوده – بازسازی کند.

وی خاطرنشان کرد: این ویژگی به ما اجازه می‌دهد پروفایل شناختی و رفتاری بیماران را بازتولید کنیم و از آن برای طراحی درمان‌های هوشمند و شخصی‌سازی‌شده بهره ببریم.

دسترسی به جزئیات مغزی مغفول‌مانده در سیگنال‌های EEG

ستایشی ادامه داد: در این پروژه توانستیم با تحلیل دقیق سیگنال‌های EEG و پالایش لرزش‌های موجود، به جزئیاتی از مغز انسان دست یابیم که در ارزیابی‌های بالینی سنتی مغفول مانده بود. متأسفانه در بسیاری از فرآیندهای بالینی، به دلیل ناآشنایی متخصصان با فیزیک مغز و پدیده‌های کیوتاتیکی (Chaotic Phenomena) که در آن رخ می‌دهد، از اطلاعات عمیق EEG استفاده نمی‌شود.

فقدان فناوری در تحلیل دقیق داده‌های مغزی

وی در ادامه گفت: در حال حاضر، یکی از ضعف‌های حوزه بالینی این است که ابزارها و فناوری‌های تحلیلی لازم برای تفسیر دقیق سیگنال‌های مغزی در دسترس نیست. تا زمانی که این کمبودها جبران نشود، تشخیص‌های بالینی از دقت کافی برخوردار نخواهد بود. ستایشی تأکید کرد: توسعه زیرساخت‌های فناورانه در این حوزه می‌تواند تحولی بزرگ در توان‌بخشی شناختی و بازسازی عملکرد مغز بیماران ایجاد کند.

آینده حل مسائل بشر در علم شناختی رقم می‌خورد

ستایشی در بخش دیگری از سخنان خود با تأکید بر ضرورت پیوند میان رشته‌های مختلف علمی گفت: ما تلاش می‌کنیم مهندسی پزشکی را یاری دهیم تا از «پل هوش مصنوعی» عبور کرده و به عرصه‌های تشخیص و حتی تشخیص زودهنگام (Early Diagnosis) وارد شود. هدف ما این است که با استفاده از ابزارهای فناورانه‌ای که در این مسیر تولید می‌شود، بتوانیم فرآیندهای درمان و بازتوانی را تسهیل کنیم.

وی با طرح این پرسش که «چگونه می‌توان این مسیر را ترمیم و تسهیل کرد؟» افزود: باید شرایطی فراهم شود تا همه فعالان حوزه‌های مختلف، از علوم اعصاب و علوم شناختی گرفته تا هوش مصنوعی، مهندسی پزشکی و پزشکی، بتوانند با یکدیگر تعامل و هم‌افزایی داشته باشند.

ستایشی تصریح کرد: من به مدلی باور دارم که بر اساس آن، آینده حل مسائل بشر در بستر علوم شناختی رقم خواهد خورد. بر همین اساس باید از انجام مطالعات علمی به‌صورت جزیره‌ای پرهیز کنیم و موضوعات پژوهشی را در فضایی میان‌رشته‌ای به بحث بگذاریم.

وی ادامه داد: اگر هر مسئله علمی در قالب میزگردی مطرح شود که در اطراف آن متخصصان حوزه‌های گوناگون همچون پزشکی، روان‌پزشکی، روانکاوی، روان‌شناسی، علوم اعصاب، ریاضی، فیزیک، مهندسی کامپیوتر و حتی هنر حضور داشته باشند، خروجی این تعامل، پدیده‌ای خواهد بود که آن را «رضایت‌مندی علمی و انسانی» می‌نامیم.

به گفته وی، امروز دیگر نمی‌توان میان علم و هنر مرزی قائل شد؛ چرا که از منظر علوم شناختی، هر دو قابل مشاهده، تحلیل و اندازه‌گیری‌اند. هنر احساسی در انسان برمی‌انگیزد و علم نیز از همین سازوکارهای ادراکی بهره می‌گیرد؛ بنابراین روزی این دو حوزه ناگزیر به پیوند و هم‌گرایی خواهند بود.

ستایشی در پایان تأکید کرد: آنچه امروز بیش از هر چیز به آن نیاز داریم، فعال کردن میز علوم شناختی است تا از رهگذر گفت‌وگو و هم‌افزایی، مسیرهای نو برای فهم و بهبود عملکرد انسان گشوده شود.

منبع : مهندسی  پزشکی