Nypublicerad forskning kommer att stabilisera hjärndatorgränssnitt avsevärt

Ny forskning från Carnegie Mellon University (CMU) och University of Pittsburgh (Pitt) kommer att förbättra och stabilisera hjärndatorgränssnitt avsevärt. 

Forskningen publicerades i Nature Biomedical Engineering, med artikeln “A stabilized brain-computer interface based on neural manifold alignment.”

Hjärndatorgränssnitt (BCI)

Hjärndatorgränssnitt (BCI) är enheter som möjliggör för funktionshindrade individer att kontrollera proteser, datorer eller andra gränssnitt med hjälp av sina sinnen.

En av de största utmaningarna med att använda BCI i en klinisk miljö är att neurala inspelningar kan vara instabila. Den individ som kontrollerar BCI kan förlora kontrollen på grund av variationer i signalerna som tas upp av BCI. 

När denna förlust av kontroll inträffar måste individen gå igenom en omkalibreringsprocess. Individen måste återställa kopplingen mellan sina mentala kommandon och de uppgifter som utförs, och en annan tekniker måste ofta vara närvarande. 

William Bishop är en forskare vid Janelia Farm Research Campus. Han var tidigare doktorand och postdoktor vid institutionen för maskinlärning vid CMU.

“Tänk om varje gång vi ville använda vår mobiltelefon, för att den skulle fungera korrekt, vi måste kalibrera skärmen så att den visste vilken del av skärmen vi pekade på”, säger Bishop. “Den nuvarande tekniken inom BCI-teknik är lite som det. Bara för att få dessa BCI-enheter att fungera måste användarna göra denna frekventa omkalibrering. Så det är extremt besvärligt för användarna, samt för tekniker som underhåller enheterna.”

Ny maskinlärningsalgoritm

Forskarna presenterade en ny maskinlärningsalgoritm som kan hantera de varierande signalerna. Individen kan behålla kontrollen över BCI även när instabiliteterna är närvarande. Forskarna utvecklade denna efter att ha upptäckt att neural populationaktivitet sker i en lågdimensionell “neural manifold”. 

Alan Degenhart är en postdoktor vid institutionen för elektroteknik och datateknik vid CMU.

“När vi säger ‘stabilisering’, menar vi att våra neurala signaler är instabila, möjligen för att vi spelar in från olika neuroner över tid”, säger Degenhart. “Vi har funnit ett sätt att ta olika populationer av neuroner över tid och använda deras information för att avslöja en gemensam bild av den beräkning som sker i hjärnan, och därmed hålla BCI kalibrerad trots neural instabilitet.”

Tidigare metoder

Tidigare tillvägagångssätt för självkalibreringsmetoder har också ställts inför utmaningar kring instabilitet. Till skillnad från andra metoder, beror denna inte på att ämnet utför väl under omkalibreringsprocessen. 

Byron Yu är professor i elektroteknik och datateknik samt biomedicinsk teknik vid CMU.

“Låt oss säga att instabiliteten var så stor att ämnet inte längre kunde kontrollera BCI”, förklarar Yu. “Existerande självkalibreringsförfaranden kommer troligen att kämpa i den situationen, medan vår metod har visat att den i många fall kan återhämta sig från sådana katastrofala instabiliteter.”

Emily Oby, en postdoktor vid institutionen för neurobiologi vid Pitt, talade också om problemet med instabilitet. 

“Neurala inspelningsinstabiliteter är inte väl karakteriserade, men det är ett mycket stort problem”, säger Oby. “Det finns inte mycket litteratur som vi kan peka på, men anekdotiskt sett har många laboratorier som utför klinisk forskning med BCI att hantera detta problem ganska ofta. Detta arbete har potentialen att avsevärt förbättra den kliniska livskraften hos BCI och hjälpa till att stabilisera andra neurala gränssnitt.”

Artikeln inkluderade också författarna Steve Chase, professor i biomedicinsk teknik och Neurovetenskapsinstitutet vid CMU, samt Aaron Batists, biträdande professor i bioingenjörsvetenskap vid Pitt, och Elizabeth Tyler-Kabara, biträdande professor i neurokirurgi vid Pitt. 

Forskningen finansierades av Craig H Neilsen Foundation, National Institutes of Health, DSF Charitable Foundation, National Science Foundation, PA Dept of Health Research och Simons Foundation.