Nová publikovaná výzkum dramaticky stabilizuje rozhraní mozek-počítač

Nový výzkum z Carnegie Mellon University (CMU) a University of Pittsburgh (Pitt) dramaticky verbessí a stabilizuje rozhraní mozek-počítač.

Výzkum byl publikován v Nature Biomedical Engineering, s názvem článku „Stabilizované rozhraní mozek-počítač založené na neuronální manifoldové alignaci.“

Rozhraní mozek-počítač (BCI)

Rozhraní mozek-počítač (BCI) jsou zařízení, která umožňují zdravotně postiženým jedincům ovládat protetické končetiny, počítačové kurzory nebo jiná rozhraní pomocí své mysli.

Jednou z největších výzev spojených s používáním BCI v klinickém prostředí je, že neuronální záznamy mohou být nestabilní. Jedinec, který ovládá BCI, může nakonec ztratit kontrolu kvůli variacím v signálech zachycených BCI.

Whenever tato ztráta kontroly nastane, jedinec musí projít procesem rekalibrace. Jedinec musí resetovat spojení mezi svými mentálními příkazy a úkoly, které jsou prováděny, a často musí být přítomen další lidský technik.

William Bishop je fellow na Janelia Farm Research Campus. Předtím byl PhD studentem a postdoktorandem na katedře strojového učení na CMU.

“Představte si, že bychom museli každý čas, kdy chceme použít naše mobilní telefon, kalibrovat obrazovku, aby věděla, na kterou část obrazovky ukazujeme,” říká Bishop. “Současný stav technologie BCI je podobný. Pouze abychom mohli tyto zařízení BCI použít, musí uživatelé provádět tuto častou rekalibraci. To je extrémně nevhodné pro uživatele i techniky, kteří zařízení udržují.”

Nový algoritmus strojového učení

Výzkumníci představili nový algoritmus strojového učení, který může zohlednit variace signálů. Jedinec může udržet kontrolu nad BCI i v případě, že jsou přítomny nestability. Výzkumníci vyvinuli tento algoritmus poté, co zjistili, že neuronální populací aktivita probíhá v nízkorozměrném „neuronálním manifoldu“.

Alan Degenhart je postdoktorální výzkumník v oboru elektrotechniky a počítačového inženýrství na CMU.

“Když říkáme ‘stabilizace’, máme na mysli, že naše neuronální signály jsou nestabilní, možná proto, že záznamy pocházejí z různých neuronů v čase,” říká Degenhart. “Našli jsme způsob, jak vzít různé populace neuronů v čase a použít jejich informace, aby odhalily společný obraz výpočtu, který probíhá v mozku, a tím udržet BCI kalibrované navzdory neuronálním nestabilitám.”

Předchozí metody

Předchozí přístupy k samo-rekalibračním metodám také čelily výzvám spojeným s nestabilitami. Na rozdíl od jiných metod tento algoritmus nezávisí na tom, zda subjekt během procesu rekalibrace funguje dobře.

Byron Yu je profesor elektrotechniky a počítačového inženýrství a biomedicínského inženýrství na CMU.

“Představte si, že nestability byly tak velké, že subjekt již nebyl schopen ovládat BCI,” vysvětluje Yu. “Stávající samo-rekalibrační postupy by pravděpodobně měly potíže v takové situaci, zatímco naše metoda prokázala, že může v mnoha případech zotavit se z těchto katastrofálních nestabilit.”

Emily Oby, postdoktorální výzkumnice v neurobiologii na Pitt, hovořila také o problému nestability.

“Neuronální záznamové nestability nejsou dobře charakterizovány, ale je to velmi velký problém,” říká Oby. “Není mnoho literatury, na kterou bychom mohli odkázat, ale anekdoticky, mnoho laboratoří, které provádějí klinický výzkum s BCI, musí řešit tento problém poměrně často. Tato práce má potenciál výrazně zlepšit klinickou využitelnost BCI a pomoci stabilizovat další neuronální rozhraní.”

Článek také zahrnoval autory Steve Chase, profesora biomedicínského inženýrství a Neuroscience Institute na CMU, spolu s Aaronem Batistem, asocičním profesorem bioinženýrství na Pitt, a Elizabeth Tyler-Kabara, asociční profesorkou neurochirurgie na Pitt.

Výzkum byl financován Craig H Neilsen Foundation, National Institutes of Health, DSF Charitable Foundation, National Science Foundation, PA Dept of Health Research a Simons Foundation.