Niedawno opublikowane badania znacznie stabilizują interfejsy mózg-komputer

Naukowcy z Carnegie Mellon University (CMU) i University of Pittsburgh (Pitt) opublikowali badania, które znacznie poprawią i ustabilizują interfejsy mózg-komputer.

Badania zostały opublikowane w Nature Biomedical Engineering, a tytuł pracy to „A stabilized brain-computer interface based on neural manifold alignment.”

Interfejsy mózg-komputer (BCI)

Interfejsy mózg-komputer (BCI) to urządzenia, które umożliwiają osobom niepełnosprawnym kontrolę protez, komputerów lub innych interfejsów za pomocą swojego umysłu.

Jednym z największych wyzwań związanych z używaniem BCI w środowisku klinicznym jest to, że nagrania neuronalne mogą być niestabilne. Osoba kontrolująca BCI może stracić kontrolę z powodu zmian w sygnałach pobieranych przez BCI.

Kiedy dochodzi do utraty kontroli, osoba musi przejść proces ponownej kalibracji. Osoba musi ponownie ustalić połączenie między swoimi poleceniami mentalnymi a wykonywanymi zadaniami, a często wymaga obecności innego technika.

William Bishop jest stażystą w Janelia Farm Research Campus. Wcześniej był studentem doktoranckim i stażystą w Departamencie Machine Learning na CMU.

“Wyobraź sobie, że każdego razu, gdy chcemy użyć naszego telefonu komórkowego, aby działał on poprawnie, musimy jakoś skalibrować ekran, aby wiedział, które części ekranu wskazujemy,” mówi Bishop. “Obecny stan techniki w dziedzinie BCI jest trochę taki sam. Po prostu aby te urządzenia BCI działały, użytkownicy muszą wykonywać tę częstą kalibrację. To jest niezwykle niewygodne zarówno dla użytkowników, jak i techników utrzymujących urządzenia.”

Nowy algorytm uczenia maszynowego

Naukowcy przedstawili nowy algorytm uczenia maszynowego, który może uwzględniać zmieniające się sygnały. Osoba może utrzymać kontrolę nad BCI nawet wtedy, gdy występują niestabilności. Naukowcy opracowali ten algorytm po odkryciu, że aktywność populacji neuronów zachodzi w niskowymiarowej „neuronalnej manifold.”

Alan Degenhart jest stażystą w dziedzinie inżynierii elektrycznej i komputerowej na CMU.

“Kiedy mówimy o ‘stabilizacji’, mamy na myśli, że nasze sygnały neuronalne są niestabilne, być może dlatego, że rejestrujemy je z różnych neuronów w czasie,” mówi Degenhart. “Znaleźliśmy sposób, aby wziąć różne populacje neuronów w czasie i wykorzystać ich informacje, aby ujawnić wspólny obraz obliczeń, które zachodzą w mózgu, dzięki czemu BCI pozostaje skalibrowane pomimo niestabilności neuronalnych.”

Poprzednie metody

Poprzednie podejścia do samokalibracji również napotkały wyzwania związane z niestabilnościami. W przeciwieństwie do innych metod, ta nie opiera się na tym, że podmiot wykonuje dobrze podczas procesu kalibracji.

Byron Yu jest profesorem inżynierii elektrycznej i komputerowej oraz inżynierii biomedycznej na CMU.

“Załóżmy, że niestabilność była tak duża, że podmiot nie mógł już kontrolować BCI,” wyjaśnia Yu. “Istniejące procedury samokalibracji mogą mieć trudności w takim scenariuszu, natomiast w naszej metodzie udowodniliśmy, że może ona w wielu przypadkach odzyskać od tych katastrofalnych niestabilności.”

Emily Oby, stażystka w dziedzinie neurobiologii na Pitt, również omówiła problem niestabilności.

“Niestabilności w nagraniach neuronalnych nie są dobrze scharakteryzowane, ale jest to bardzo duży problem,” mówi Oby. “Nie ma wielu prac, na które moglibyśmy się powołać, ale anegdotycznie wiele laboratoriów, które prowadzą badania kliniczne z BCI, musi radzić sobie z tym problemem dość często. Ta praca ma potencjał, aby znacznie poprawić przydatność kliniczną BCI i pomóc stabilizować inne interfejsy neuronalne.”

W pracy udział wzięli również Steve Chase, profesor inżynierii biomedycznej i Neuroscience Institute na CMU, Aaron Batists, associate professor of bioengineering at Pitt, oraz Elizabeth Tyler-Kabara, associate professor of neurological surgery at Pitt.

Badania zostały sfinansowane przez Craig H Neilsen Foundation, National Institutes of Health, DSF Charitable Foundation, National Science Foundation, PA Dept of Health Research oraz Simons Foundation.