Brein-Machine Interface Kan Individuen Met Verlamming Helpen

Een internationaal team van onderzoekers heeft een draagbare brein-machine (BMI) apparatuur ontwikkeld die de kwaliteit van leven voor mensen met motorische dysfunctie of verlamming kan verbeteren. Het kan zelfs mensen met locked-in syndroom helpen, waardoor een persoon niet kan bewegen of communiceren, ondanks dat hij bij bewustzijn is.

Het team werd geleid door het lab van Woon-Hong Yeo aan het Georgia Institute of Technology en bestond uit onderzoekers van de University of Kent in het VK en Yonsei University in de Republiek Korea. Het team combineerde draadloze zachte schedel-elektronica en virtuele realiteit in één BMI-systeem. Het systeem stelt gebruikers in staat om een rolstoel of robotarm te besturen door alleen maar acties te imagineren.

De nieuwe BMI werd vorige maand gedetailleerd in het tijdschrift Advanced Science .

Een Meer Comfortabele Apparatuur

Yeo is een associate professor in de George W. Woodruff School of Mechanical Engineering.

“Het grote voordeel van dit systeem voor de gebruiker, in vergelijking met wat er momenteel bestaat, is dat het zacht en comfortabel is om te dragen en geen draden heeft,” zei Yeo.

BMI-systemen kunnen hersensignalen analyseren en neurale activiteit omzetten in opdrachten, waardoor individuen acties kunnen imagineren voor de BMI om uit te voeren. ElectroEncephaloGraphy, of EEG, is de meest voorkomende niet-invasieve methode voor het verkrijgen van signalen, maar het vereist vaak een schedelkap met veel draden.

Om deze apparaten te gebruiken, zijn gels en pasta’s nodig om huidcontact te behouden, en allemaal is dit een tijdrovend en oncomfortabel proces voor de gebruiker. Bovendien hebben de apparaten vaak een slechte signaalverwerving vanwege materiaaldegradatie en bewegingsartefacten, die worden veroorzaakt door dingen als tanden knarsen. Dit soort ruis zal verschijnen in brein-gegevens, en de onderzoekers moeten het filteren.

Machine Learning en Virtuele Realiteit

Het draagbare EEG-systeem dat door het team is ontworpen, verbetert de signaalverwerving dankzij de integratie van interceptabele microneedle-elektroden met zachte draadloze circuits. Om de hersensignalen te meten, is het essentieel dat het systeem bepaalt welke acties een gebruiker wil uitvoeren. Om dit te bereiken, vertrouwde het team op een machine learning-algoritme en een virtuele realiteit-component.

Tests die door het team werden uitgevoerd, betroffen vier menselijke proefpersonen, en de volgende stap is om het te testen op gehandicapte individuen.

Yeo is ook directeur van het Center for Human-Centric Interfaces and Engineering van Georgia Tech en lid van het Petit Institute for Bioengineering and Bioscience.

“Dit is slechts een eerste demonstratie, maar we zijn enthousiast over wat we hebben gezien,” zei Yeo.

In 2019 introduceerde hetzelfde team een zachte, draagbare EEG-brein-machine interface, en het werk omvatte Musa Mahmood, die de hoofdauteur was van zowel dat onderzoek als het nieuwe onderzoek.

“Deze nieuwe brein-machine interface gebruikt een geheel andere paradigma, waarbij gebruik wordt gemaakt van geïmagineerde motorische acties, zoals het grijpen met één hand, waardoor de proefpersoon niet meer naar te veel stimuli hoeft te kijken,” zei Mahmood.

De studie van 2021 omvatte gebruikers die virtuele realiteit-oefeningen met hun gedachten, of motorische beelden, bestuurden.

“De virtuele prompts hebben zich bewezen als zeer behulpzaam,” zei Yeo. “Ze versnellen en verbeteren de gebruikersbetrokkenheid en nauwkeurigheid. En we konden continue, hoge kwaliteit motorische beeldactiviteit opnemen.”

Mahmood zegt dat het team zich nu zal richten op het optimaliseren van de plaatsing van elektroden en een meer geavanceerde integratie van stimulus-gebaseerde EEG.