Новий крок до практичного безконтактного моніторингу мозку

Ще рік тому ця ідея звучала майже як наукова фантастика: чи можна зчитувати реакції мозку людини дистанційно без операції, без електродів і взагалі без будь-якого фізичного контакту?

Сьогодні ця перспектива видається трохи ближчою до реальності. У новому препринті дослідники з Університету Бар-Ілан та їхні колеги показали, що моделі штучного інтелекту, навчені оптичними сигналами з однієї мовної області мозку, можуть допомогти декодувати відповіді з іншої. Це досягнення може скоротити час калібрування та наблизити безконтактний моніторинг коркової активності до практичного застосування.

Мал. 1. Автоенкодер у поєднанні із простою PCA-проекцією дозволяє візуально розділити категорії

Раніше ми вже писали про попередній прорив цієї команди, і той матеріал викликав помітну цікавість, набравши понад 20 тисяч переглядів. Тому ми продовжуємо стежити за цією дослідницькою лінією в міру того, як вона розвивається в те, що згодом може стати важливим новим напрямом безконтактного моніторингу мозку.

В основі технології лежить незвичайне поєднання фізики та штучного інтелекту. Лазер висвітлює шкіру голови, а високошвидкісна камера фіксує дрібні зміни спекл-патерну, що виникає – зернистої оптичної картини, що виникає при відображенні когерентного світла від шорсткої біологічної поверхні. Замість електродів, шапочок та інвазивних імплантів система аналізує тонку оптичну динаміку ззовні голови. У попередньому препринті команда вже показала, що у такий спосіб можна декодувати бінарну внутрішню мову – «так» і «ні» – за сигналами, записаними над областю Брока, із середнім AUC 0.97 та точністю 95.7% при використанні 40-мілісекундних входів та мінімального калібрування.

Нове дослідження просуває цю ідею ще далі. Замість того, щоб навчати модель з нуля для кожної коркової області та кожного нового завдання, вчені використовували самосупервізований long-video masked autoencoder для отримання компактних уявлень в одному контексті – внутрішньої мови в області Брока, а потім перенесли ці уявлення в іншій: на відповіді, пов'язані з розумінням мови в області Вернік. У новому препринті модель розрізняла реакції на зрозумілу і незрозумілу мову із середньою точністю 95.7%, використовуючи 40-мілісекундні сегменти, що відповідає приблизно чверті тривалості типового сказаного мови в англійській мові, і менше однієї хвилини розмічених калібрувальних даних на категорію. Автори інтерпретують це як ознаку того, що вивчені оптичні уявлення вловлюють структуру, яка може переноситися між спорідненими мовними завданнями та анатомічно різними кірковими областями.

Чому це важливо? Тому що одне з головних обмежень у сфері інтерфейсів мозок-комп'ютер – це практичність. Багато потужних систем, як і раніше, вимагають хірургії, фізичного контакту, тривалої підготовки або перенавчання під кожну конкретну задачу. Навіть неінвазивні методи нерідко вимагають точного налаштування, тривалого калібрування або громіздкого обладнання. Система, яка використовує лише лазер, камеру і порівняно легкий ІІ – і при цьому здатна переносити отримані знання з одного завдання до іншого, – вказує на набагато більший шлях розвитку.

Довгостроковий потенціал такого підходу є великим. Якщо майбутні дослідження підтвердять стійкість методу поза лабораторними умовами, безконтактний моніторинг коркової активності може виявитися корисним у неврологічному скринінгу, у системах підтримки комунікації для пацієнтів, які не можуть переносити пристрої, що одягаються на голову, і, можливо, в майбутньому – в компактних форматах, що носяться. У більш ранньому препринті про внутрішній мові команда навіть відзначала можливість інтеграції цієї технології в пристрої, включаючи розумні окуляри або портативні системи ліжка для пацієнтів з паралічем або підвищеною чутливістю до контактних методів. Це майбутнє ще не настало - але уявити його тепер набагато легше.

Особливо переконливим цей напрямок робить його по-справжньому міждисциплінарний характер. Тут поєднуються оптика, штучний інтелект, нейронаука та трансляційна медицина. Робота відображає силу лабораторії професора Зеева Залевського, що поєднує оптичне зондування з сучасними методами машинного навчання, а також цінність співпраці з багатопрофільним центром досліджень мозку Гонду та когнітивно-нейронаукової перспективи професора Моше Бара. Саме така міждисциплінарна командна робота дозволяє складним експериментам перетворюватися на впливові наукові результати. Останні препринти та публікації команди перераховують серед співавторів Natalya Segal, Prof. Moshe Bar, Daniel Rubinstein, Yehor Krapovnytskyi, Sergey Agdarov, Dr. Yevgeny Beiderman, Dr. Zeev Kalyuzhner, Dr. Yafim Beiderman та Prof. Zeev Zalevsky, що підкреслює спільний та міждисциплінарний характер цієї роботи.

Коли у цієї групи дослідників виходить нова робота, це зазвичай означає, що відбувається щось справді цікаве. І це не дивно, якщо подивитися на профіль команди: багаторічна експертиза професора Зеева Залевського в галузі оптики, нові ІІ-підходи Наталії Сегаль, нейронаукова перспектива професора Моше Бара та внесок Даніеля Рубінштейна в аналіз даних. Разом вони представляють саме той тип міждисциплінарного співробітництва, з якого нерідко народжуються важливі прориви. Попередній препринт команди, як і раніше, входить до топ-2% публікацій 2026 року на ResearchGate з interest score.

Серед учасників проекту – Даніель Рубінштейн, чий внесок наголошує на важливості аналізу даних у сучасній міждисциплінарній науці. У нових дослідницьких областях недостатньо просто отримати складні експериментальні дані – їх необхідно ретельно аналізувати, структурувати та подавати так, щоб приховані закономірності ставали видимими та науково осмисленими. Таке поєднання аналітичних навичок, обчислювального розуміння та ясності уявлення відіграє важливу роль у тому, як складні масиви даних перетворюються на впливові наукові результати та виходять за межі лабораторії. Особливо в нових галузях саме суворий аналіз та ясна подача дозволяють перетворити технічно складні експерименти на результати, які ширша наукова спільнота може інтерпретувати, оцінювати та розвивати далі.

У рамках цієї співпраці роль Даніеля Рубінштейна виглядає особливо помітною для дослідника на ранньому етапі кар'єри. Крім вкладу в аналіз даних, він допоміг посилити аналітичну сторону роботи за рахунок інтерпретації моделей, більш точного формулювання результатів та переробки аналізів, які зробили висновки надійнішими та зручнішими для оцінки. Колеги відзначають за ним не тільки аналітичну строгість, а й змістовний оригінальний інтелектуальний внесок: участь в уточненні інтерпретації моделей, наполегливість щодо сильніших контролів та формування аналізів таким чином, щоб було ясніше, що саме система справді вимірює. Таке поєднання аналітичної майстерності, обчислювального розуміння та наукового судження є важливою частиною того, як складні набори даних перетворюються на впливове дослідження.

Більше широке значення цієї роботи пов'язане з її трансляційним потенціалом. Подібні досягнення вказують на майбутнє, де безконтактні оптичні системи можуть стати більш практичними для неврологічної оцінки та технологій підтримки комунікації. Це дослідження також відображає те амбітне, міждисциплінарне та високопотенційне наукове середовище, в якому молоді дослідники з сильними обчислювальними та аналітичними навичками здатні робити дійсно значний внесок.

Мал. 2. Експериментальна установка (з препринту)

Мал. 3. Попередній препринт , входить до числа 2% публікацій 2026 року з найвищим interest score (ResearchGate)