Meer menselijk-achtig hersenzicht bereiken via representatie-uitlijning met menselijke EEG

Waarom dit onderzoek ertoe doet

Moderne kunstmatige intelligentie kan objecten op foto’s met bijna menselijke nauwkeurigheid herkennen, maar ziet de wereld nog niet op dezelfde manier als onze hersenen. Deze studie introduceert een nieuwe manier om computersvisiesystemen af te stemmen met behulp van hersensignalen die van proefpersonen zijn opgenomen, en brengt AI zo een stap dichter bij menselijk-achtige visuele begrip. Door een visiemodel direct te vormen met menselijke hersenactiviteit, suggereert het werk dat toekomstige AI niet alleen krachtig kan zijn, maar ook meer georganiseerd zoals onze eigen geest.

Machines leren met hersengolven

De auteurs richten zich op een eenvoudig maar gedurfd idee: in plaats van visiemodellen alleen te trainen op beelden en labels, waarom ze niet ook laten zien hoe het menselijk brein op die beelden reageert? Ze gebruiken elektro-encefalografie (EEG), die kleine spanningsveranderingen op de hoofdhuid meet terwijl mensen naar plaatjes kijken. EEG is niet-invasief, relatief goedkoop en kan snel over veel proefrondes worden verzameld. Van tien proefpersonen gebruikte het team een grote open dataset waarin iedere persoon tienduizenden natuurlijke objectbeelden te zien kreeg terwijl hun EEG-signalen werden opgenomen in de eerste twee tienden van een seconde nadat elk beeld verscheen.

Een breingealigneerd visienetwerk bouwen

Vertrekkend van een bestaand diep visiemodel genaamd CORnet-S voegden de onderzoekers een extra "image-to-brain"-module toe. Wanneer een beeld het netwerk binnenkomt, voert het model nu twee taken tegelijk uit: het raadt welk object aanwezig is en probeert het het EEG-patroon te voorspellen dat een echte mens voor datzelfde beeld liet zien. Hiervoor worden signalen uit meerdere interne lagen van het netwerk naar de EEG-module geleid, die leert een korte tijdreeks te genereren die overeenkomt met de menselijke data. Tijdens het trainen wordt het model beloond zowel voor correcte objectherkenning als voor het produceren van EEG-achtige activiteit, waardoor zijn interne representaties worden bijgestuurd om te lijken op die in het menselijke visuele systeem.

Naderen van hersenactiviteit over methoden heen

Na het trainen van tien dergelijke "ReAlnets" (één per proefpersoon) vroeg het team zich af of deze modellen daadwerkelijk meer hersenachtig waren geworden. Ze vergeleken het patroon van relaties tussen beelden binnen het model met het patroon dat in menselijke EEG te zien was, met behulp van representational similarity analysis. Over alle hoofd-lagen en tijdstippen tussen 50 en 200 milliseconden waren ReAlnets consequent meer vergelijkbaar met menselijke EEG dan het oorspronkelijke CORnet-S en andere standaardmodellen, met piekverbeteringen tot ongeveer 6% en relatieve verbeteringen tot wel 40%. Belangrijk is dat de verbetering ook gold voor nieuwe objectcategorieën die nooit tijdens training waren gebruikt, wat aangaf dat de uitlijning generaliseert buiten de trainingsset.

Reiken naar hersenscans en gedrag

Een belangrijke vraag is of de modellen slechts eigenaardigheden van EEG leerden, of iets algemeners van menselijke visie vastlegden. Om dit te testen gebruikten de auteurs een aparte hersenbeeld-dataset, waarin andere proefpersonen natuurlijke beelden, abstracte vormen en letters in een MRI-scanner bekeken. Hoewel ReAlnets deze data nooit hadden gezien, kwamen hun interne patronen nauwer overeen met signalen uit meerdere visuele hersengebieden dan het oorspronkelijke model. Bovendien was de mate van verbetering voor EEG en voor MRI sterk gecorreleerd over modellen, wat suggereert dat een gedeelde kernrepresentatie werd versterkt. De onderzoekers evalueerden ook hoe vaak modellen en mensen vergelijkbare fouten maakten in veeleisende objectherkenningstaken. Ook hier kwamen ReAlnets dichter bij menselijk gedrag dan de basismodellen.

Gepersonaliseerd en algemeen hersen-achtig zicht

Aangezien elk ReAlnet op de EEG van één persoon was afgestemd, konden de auteurs individuele verschillen onderzoeken. Ze vonden dat gepersonaliseerde modellen meer van elkaar afweken in diepere lagen, wat weergeeft hoe verschillen tussen mensen toenemen van vroegere naar hogere visuele hersengebieden. Toch generaliseerde ieders model nog steeds beter naar de EEG van andere mensen dan de niet-gealigneerde baseline, wat toont dat het zowel gedeelde als proefpersoon-specifieke structuur vastlegde. Het team breidde hun raamwerk ook uit naar een andere architectuur, ResNet18, en zag opnieuw verbeterde uitlijning met EEG, MRI en (in mindere mate) gedrag, wat suggereert dat de aanpak flexibel is en niet aan één modelontwerp gebonden.

Wat dit betekent voor algemeen begrip

Voor niet-specialisten is de hoofdboodschap dat het nu mogelijk is visie-algoritmen direct af te stemmen met niet-invasieve opnamen uit het menselijk brein. De resulterende ReAlnets herkennen niet alleen objecten; ze organiseren informatie op manieren die meer de structuur van onze visuele paden weerspiegelen, over elektrische hersensignalen, MRI-scans en zelfs foutpatronen in herkenningstaken. Hoewel de verbeteringen bescheiden zijn en veel technische uitdagingen blijven bestaan, biedt dit werk een concreet stap richting AI-systemen waarvan de interne werking wordt gevormd door het menselijk brein zelf, wat mogelijk leidt tot robuustere, beter interpreteerbare en persoonsgerichte technologieën in de toekomst.

Bronvermelding: Lu, Z., Wang, Y. & Golomb, J.D. Achieving more human brain-like vision via human EEG representational alignment. Commun Biol 9, 463 (2026). https://doi.org/10.1038/s42003-026-09685-w

Trefwoorden: hersen-gealigneerde AI, EEG-visie, objectherkenning, computationele neurowetenschap, menselijk-achtige waarneming