ENG: Researchers from UC Santa Barbara, ETH Zurich and Miguel Hernández University have shown that deep learning could make future visual prostheses more precise and better adapted to individual users. The team studied a cortical visual prosthesis, which bypasses the eyes and optic nerves and stimulates the visual cortex directly. Their proof-of-concept work, published in Neuron, involved a blind participant with a temporary 96-electrode implant in the visual cortex. Electrical stimulation produced phosphenes, perceived spots or shapes of light, allowing the researchers to investigate how different stimulation patterns translated into neural activity and visual sensations.
To improve control over this process, the researchers trained a deep neural network to predict the brain activity produced by different combinations of electrical stimulation. The model also incorporated measurements of the participant’s resting brain activity immediately before stimulation. It was then used to select electrode patterns expected to generate specific neural responses. When tested in the participant, these AI-designed patterns reproduced the targeted brain activity more accurately than alternative approaches while requiring less electrical current. The experiments also showed that recorded neural responses were better predictors of what the participant actually perceived than the stimulation settings alone.
The findings highlight one of the main challenges in developing useful visual prostheses: stimulating more electrodes does not simply produce a clearer image in the way adding pixels improves a display. Neural responses can interact and fluctuate, and the same electrical input may not always produce the same perception. By learning directly from recorded brain activity and taking the brain’s current state into account, the approach could support prostheses that continuously adjust their stimulation to each user. Such adaptive systems could eventually provide more stable and meaningful visual perception for some people whose eyes or visual pathways are damaged but whose visual cortex remains responsive.
RO: Cercetătorii de la Universitatea California din Santa Barbara, Școala Politehnică Federală din Zürich și Universitatea Miguel Hernández din Spania au demonstrat că învățarea profundă ar putea contribui la dezvoltarea unor proteze vizuale mai precise și mai bine adaptate fiecărui utilizator. Echipa a studiat o proteză vizuală corticală, un dispozitiv care ocolește ochii și nervii optici și stimulează electric, în mod direct, cortexul vizual, regiunea creierului responsabilă de procesarea informațiilor vizuale. Studiul, publicat în revista științifică Neuron, a implicat o persoană nevăzătoare căreia i-a fost implantat temporar un dispozitiv cu 96 de electrozi în cortexul vizual. Stimularea electrică a provocat apariția unor fosfene, senzații vizuale percepute sub forma unor puncte sau forme luminoase. Acest lucru le-a permis cercetătorilor să analizeze modul în care diferitele tipare de stimulare influențează activitatea neuronală și percepțiile vizuale.
Pentru a controla mai bine acest proces, cercetătorii au antrenat o rețea neuronală profundă capabilă să prezică activitatea cerebrală generată de diferite combinații de stimuli electrici. Modelul a utilizat și informații despre activitatea creierului în stare de repaus, înregistrate imediat înaintea fiecărei stimulări. Pe baza acestor date, sistemul a identificat combinațiile de electrozi care aveau cele mai mari șanse să producă răspunsurile neuronale dorite. Testele efectuate pe participant au arătat că tiparele de stimulare concepute cu ajutorul inteligenței artificiale au reprodus mai precis activitatea cerebrală urmărită și au necesitat un curent electric mai redus decât metodele alternative. Experimentele au evidențiat și faptul că activitatea neuronală înregistrată oferea indicii mai precise despre ceea ce percepea participantul decât simpla cunoaștere a parametrilor de stimulare.
Rezultatele evidențiază una dintre principalele dificultăți în dezvoltarea protezelor vizuale: activarea unui număr mai mare de electrozi nu produce automat o imagine mai clară, așa cum se întâmplă în cazul creșterii numărului de pixeli ai unui ecran. Răspunsurile neuronale se pot influența reciproc și pot varia în timp, astfel încât același stimul electric nu generează întotdeauna aceeași percepție. Prin analizarea directă a activității cerebrale și adaptarea stimulării la starea creierului din acel moment, această abordare ar putea permite dezvoltarea unor proteze care își ajustează continuu funcționarea în funcție de particularitățile fiecărui utilizator. Pe termen lung, asemenea sisteme ar putea oferi percepții vizuale mai stabile și mai utile persoanelor care și-au pierdut vederea, dar al căror cortex vizual încă răspunde la stimulare.
Source (Debra Herrick, UC Santa Barbara, “Deep learning refines how bionic eyes communicate with the brain”, 07.08.2026)
Paper: Moure, P., Granley, J., Grani, F., Soo, L., Lozano, A., López-Peco, R., Villamarin-Ortiz, A., Soto-Sanchez, C., Liu, S.C., Beyeler, M. and Fernández, E., 2025. Deep Learning–Based Control of Electrically Evoked Activity in Human Visual Cortex. bioRxiv.
