Gränssnitt mellan hjärna och maskin kan hjälpa personer med paralys

Ett internationellt forskarteam har utvecklat ett bärbart gränssnitt mellan hjärna och maskin (BMI) som kan förbättra livskvaliteten för personer med motorisk dysfunktion eller paralys. Det kan även hjälpa personer med låst-in-syndrom, som är när en person inte kan röra sig eller kommunicera trots att de är medvetna.

Teamet leddes av Woon-Hong Yeos lab vid Georgia Institute of Technology och inkluderade forskare från University of Kent i Storbritannien och Yonsei University i Sydkorea. Teamet kombinerade trådlösa mjuka skalpelektronik och virtuell verklighet i ett enda BMI-system. Systemet möjliggör för användare att styra en rullstol eller en robotarm genom att bara föreställa sig handlingar.

Det nya BMI-systemet presenterades i tidskriften Advanced Science förra månaden.

Ett mer bekvämt enhet

Yeo är en biträdande professor vid George W. Woodruff School of Mechanical Engineering.

“Den stora fördelen med detta system för användaren, jämfört med vad som finns idag, är att det är mjukt och bekvämt att bära, och det har inga kablar”, sa Yeo.

BMI-system kan analysera hjärnsignaler och överföra neural aktivitet till kommandon, vilket är vad som möjliggör för individerna att föreställa sig handlingar för att BMI ska utföra dem. Elektroencefalografi, eller EEG, är den vanligaste icke-invasiva metoden för att förvärva signalerna, men den kräver ofta en skallkappa med många kablar.

För att använda dessa enheter krävs det att man använder geler och pastor för att upprätthålla hudkontakt, och all denna inställning är tidskrävande och obekväm för användaren. Dessutom har enheterna ofta dålig signalförvärv på grund av materialdegradering och rörelseartefakter, som orsakas av saker som att gnissla tänder. Denna typ av brus kommer att visas i hjärndata, och forskarna måste filtrera bort det.

Maskinlärning och virtuell verklighet

Det bärbara EEG-systemet som designats av teamet förbättrar signalförvärv tack vare integrationen av intercepterbara mikronålelektroder med mjuka trådlösa kretsar. För att mäta hjärnsignalerna är det avgörande för systemet att bestämma vilka handlingar en användare vill utföra. För att uppnå detta förlitade sig teamet på en maskinlärningsalgoritm och en virtuell verklighetskomponent.

Testerna som utfördes av teamet involverade fyra mänskliga försökspersoner, och nästa steg är att testa det på funktionshindrade individer.

Yeo är också chef för Georgia Techs Center for Human-Centric Interfaces and Engineering under Institute for Electronics and Nanotechnology, samt medlem i Petit Institute for Bioengineering and Bioscience.

“Detta är bara en första demonstration, men vi är väldigt nöjda med vad vi har sett”, sa Yeo.

År 2019 introducerade samma team ett mjukt, bärbart EEG-gränssnitt mellan hjärna och maskin, och arbetet inkluderade Musa Mahmood, som var huvudförfattare till både den forskningen och den nya.

“Detta nya gränssnitt mellan hjärna och maskin använder en helt annan paradigm, som innefattar föreställda motoriska handlingar, som att gripa med antingen hand, vilket frigör försökspersonen från att behöva titta på för många stimuli”, sa Mahmood.

Studien från 2021 involverade användare som visade exakt kontroll över virtuella verklighetsövningar med sina tankar, eller motorisk bildning.

“De virtuella prompterna har visat sig vara mycket hjälpsamma”, sa Yeo. “De ökar och förbättrar användarengagemanget och noggrannheten. Och vi kunde spela in kontinuerlig, högkvalitativ motorisk bildningsaktivitet.”

Mahmood säger att teamet nu kommer att fokusera på att optimera elektrodplacering och mer avancerad integration av stimuli-baserad EEG.