BCI

Modifica delle immagini guidata da segnali neurali: una nuova frontiera tecnologica

by

Rivoluzionaria tecnologia per l’editing di immagini tramite segnali neurali

Un nuovo studio pubblicato su arXiv (2507.05397v3) presenta LoongX, un approccio innovativo all’editing di immagini che sfrutta i segnali neurofisiologici per consentire modifiche hands-free. Questa tecnologia si basa sull’interazione tra interfacce cervello-computer (BCI) e modelli generativi, aprendo nuove possibilità per individui con difficoltà motorie o linguistiche.

LoongX utilizza modelli di diffusione all’avanguardia addestrati su un ampio dataset di 23.928 coppie di immagini editate, ciascuna associata a segnali neurofisiologici sincronizzati come elettroencefalogramma (EEG), spettroscopia nel vicino infrarosso (fNIRS), fotopletismografia (PPG) e movimenti della testa, catturando l’intento dell’utente. Il sistema integra due moduli chiave: il modulo cross-scale state space (CS3) per codificare le caratteristiche specifiche di ogni modalità e il modulo dynamic gated fusion (DGF) per aggregare tali informazioni in uno spazio latente unificato, allineato semanticamente alle modifiche tramite un diffusion transformer (DiT).

I risultati sperimentali dimostrano che LoongX raggiunge prestazioni paragonabili ai metodi basati sul testo e li supera quando i segnali neurali vengono combinati con la voce. Il progetto, con codice e dataset disponibili sul sito web dedicato (https://loongx1.github.io), promette di rendere l’editing di immagini accessibile e intuitivo, aprendo nuove direzioni per le tecnologie creative guidate dalla cognizione.

Paper: ArXiv.org

SAFE: Apprendimento federato sicuro e accurato per interfacce cervello-computer privacy-preserving

by

SAFE: Apprendimento federato sicuro e accurato per interfacce cervello-computer privacy-preserving

Le interfacce cervello-computer (BCI) basate sull’elettroencefalogramma (EEG) sono ampiamente adottate grazie alla loro efficienza e portabilità. Tuttavia, i loro algoritmi di decodifica affrontano ancora molteplici sfide, tra cui generalizzazione inadeguata, vulnerabilità agli attacchi e perdita di privacy. Questo articolo propone SAFE (Secure and Accurate FEderated learning), un approccio basato sull’apprendimento federato che protegge la privacy degli utenti mantenendo i dati locali durante l’addestramento del modello. SAFE impiega una normalizzazione specifica per batch locali per mitigare gli spostamenti della distribuzione delle caratteristiche tra soggetti e quindi migliora la generalizzazione del modello. Migliora inoltre la robustezza agli attacchi introducendo perturbazioni sia nello spazio di input che nello spazio dei parametri attraverso l’addestramento avversario federato e la perturbazione dei pesi avversari. Gli esperimenti su cinque set di dati EEG da paradigmi BCI di immaginazione motoria (MI) e potenziale correlato all’evento (ERP) hanno dimostrato che SAFE ha costantemente superato 14 approcci all’avanguardia sia in termini di accuratezza di decodifica che di robustezza agli attacchi, garantendo al contempo la protezione della privacy. In particolare, ha persino superato gli approcci di addestramento centralizzato che non considerano affatto la protezione della privacy. A nostra conoscenza, SAFE è il primo algoritmo a raggiungere simultaneamente elevata accuratezza di decodifica, forte robustezza agli attacchi e protezione affidabile della privacy senza utilizzare alcun dato di calibrazione dal soggetto di destinazione, rendendolo altamente desiderabile per le BCI del mondo reale.

Paper: ArXiv.org