Новый шаг к практическому бесконтактному мониторингу мозга

Еще год назад эта идея звучала почти как научная фантастика: можно ли считывать реакции мозга человека дистанционно – без операции, без электродов и вообще без какого-либо физического контакта?

Сегодня эта перспектива кажется немного ближе к реальности. В новом препринте исследователи из Университета Бар-Илан и их коллеги показали, что модели искусственного интеллекта, обученные на оптических сигналах из одной языковой области мозга, могут помочь декодировать ответы из другой. Это достижение может сократить время калибровки и приблизить бесконтактный мониторинг корковой активности к практическому применению.

Підписуйтеcь на наш Telegram-канал Lenta.UA - ЄДИНІ незалежні новини про події в Україні та світі

Рис. 1. Автоэнкодер в сочетании с простой PCA-проекцией позволяет визуально разделить категории

Ранее мы уже писали о предыдущем прорыве этой команды, и тот материал вызвал заметный интерес, набрав более 20 тысяч просмотров. Поэтому мы продолжаем следить за этой исследовательской линией по мере того, как она развивается в то, что со временем может стать важным новым направлением в бесконтактном мониторинге мозга.

В основе технологии лежит необычное сочетание физики и искусственного интеллекта. Лазер освещает кожу головы, а высокоскоростная камера фиксирует мельчайшие изменения возникающего спекл-паттерна – зернистой оптической картины, возникающей при отражении когерентного света от шероховатой биологической поверхности. Вместо электродов, шапочек и инвазивных имплантов система анализирует тонкую оптическую динамику извне головы. В предыдущем препринте команда уже показала, что таким способом можно декодировать бинарную внутреннюю речь – «да» и «нет» – по сигналам, записанным над областью Брока, со средним AUC 0.97 и точностью 95.7% при использовании 40-миллисекундных входов и минимальной калибровки.

Новое исследование продвигает эту идею еще дальше. Вместо того чтобы обучать модель с нуля для каждой корковой области и каждой новой задачи, ученые использовали самосупервизируемый long-video masked autoencoder для извлечения компактных представлений в одном контексте – внутренней речи в области Брока, а затем перенесли эти представления в другой: на ответы, связанные с пониманием речи в области Вернике. В новом препринте модель различала реакции на понятную и непонятную речь со средней точностью 95.7%, используя 40-миллисекундные сегменты, что соответствует примерно четверти длительности типичного произнесенного слога в английском языке, и менее одной минуты размеченных калибровочных данных на категорию. Авторы интерпретируют это как признак того, что изученные оптические представления улавливают структуру, которая может переноситься между родственными языковыми задачами и анатомически различными корковыми областями.

Почему это важно? Потому что одно из главных ограничений в области интерфейсов мозг–компьютер – это практичность. Многие мощные системы по-прежнему требуют хирургии, физического контакта, длительной подготовки или переобучения под каждую конкретную задачу. Даже неинвазивные методы нередко требуют точной настройки, длительной калибровки или громоздкого оборудования. Система, использующая только лазер, камеру и сравнительно легкий ИИ – и при этом способная переносить полученные знания из одной задачи в другую, – указывает на гораздо более масштабируемый путь развития.

Долгосрочный потенциал такого подхода велик. Если будущие исследования подтвердят устойчивость метода вне лабораторных условий, бесконтактный мониторинг корковой активности может оказаться полезным в прикроватном неврологическом скрининге, в системах поддержки коммуникации для пациентов, которые не могут переносить устройства, надеваемые на голову, и, возможно, в будущем – в компактных носимых форматах. В более раннем препринте о внутренней речи команда даже отмечала возможность интеграции этой технологии в носимые устройства, включая умные очки или портативные прикроватные системы для пациентов с параличом или повышенной чувствительностью к контактным методам. Это будущее еще не наступило – но представить его теперь намного легче.

Особенно убедительным это направление делает его по-настоящему междисциплинарный характер. Здесь объединяются оптика, искусственный интеллект, нейронаука и трансляционная медицина. Работа отражает силу лаборатории профессора Зеэва Залевского, сочетающей оптическое зондирование с современными методами машинного обучения, а также ценность сотрудничества с Многопрофильным центром исследований мозга Гонда и когнитивно-нейронаучной перспективы профессора Моше Бара. Именно такая междисциплинарная командная работа позволяет сложным экспериментам превращаться во влиятельные научные результаты. Последние препринты и публикации команды перечисляют среди соавторов Natalya Segal, Prof. Moshe Bar, Daniel Rubinstein, Yehor Krapovnytskyi, Sergey Agdarov, Dr. Yevgeny Beiderman, Dr. Zeev Kalyuzhner, Dr. Yafim Beiderman и Prof. Zeev Zalevsky, что подчеркивает совместный и междисциплинарный характер этой работы.

Когда у этой группы исследователей выходит новая работа, это обычно означает, что происходит нечто действительно интересное. И это неудивительно, если посмотреть на профиль команды: многолетняя экспертиза профессора Зеэва Залевского в области оптики, новые ИИ-подходы Натальи Сегаль, нейронаучная перспектива профессора Моше Бара и вклад Даниэля Рубинштейна в анализ данных. Вместе они представляют именно тот тип междисциплинарного сотрудничества, из которого нередко рождаются важные прорывы. Предыдущий препринт команды по-прежнему входит в топ-2% публикаций 2026 года на ResearchGate по interest score.

Среди участников проекта – Даниэль Рубинштейн, чей вклад подчеркивает важность анализа данных в современной междисциплинарной науке. В новых исследовательских областях недостаточно просто получить сложные экспериментальные данные – их необходимо тщательно анализировать, структурировать и представлять так, чтобы скрытые закономерности становились видимыми и научно осмысленными. Такое сочетание аналитических навыков, вычислительного понимания и ясности представления играет важную роль в том, как сложные массивы данных превращаются во влиятельные научные результаты и выходят за пределы лаборатории. Особенно в новых областях именно строгий анализ и ясная подача позволяют превратить технически сложные эксперименты в результаты, которые более широкое научное сообщество может интерпретировать, оценивать и развивать дальше.

В рамках этого сотрудничества роль Даниэля Рубинштейна выглядит особенно заметной для исследователя на раннем этапе карьеры. Помимо вклада в анализ данных, он помог усилить аналитическую сторону работы за счет интерпретации моделей, более точной формулировки результатов и переработки анализов, сделавших выводы более надежными и более удобными для оценки. Коллеги отмечают за ним не только аналитическую строгость, но и содержательный оригинальный интеллектуальный вклад: участие в уточнении интерпретации моделей, настойчивость в отношении более сильных контролей и формирование анализов таким образом, чтобы было яснее, что именно система действительно измеряет. Такое сочетание аналитического мастерства, вычислительного понимания и научного суждения является важной частью того, как сложные наборы данных превращаются во влиятельное исследование.

Более широкое значение этой работы связано с ее трансляционным потенциалом. Подобные достижения указывают на будущее, в котором бесконтактные оптические системы могут стать более практичными для неврологической оценки и технологий поддержки коммуникации. Это исследование также отражает ту амбициозную, междисциплинарную и высокопотенциальную научную среду, в которой молодые исследователи с сильными вычислительными и аналитическими навыками способны вносить действительно значимый вклад.

Рис. 2. Экспериментальная установка (из препринта)

Рис. 3. Предыдущий препринт, входит в число 2% публикаций 2026 года с самым высоким interest score (ResearchGate)