Stabilisierende Gehirn-Computer-Schnittstellen

Brain-Computer-Interfaces (BCI) sind Geräte, die Personen mit motorischen Behinderungen wie Lähmungen ermöglichen Prothesen zu steuern, Computer-Cursor und andere Schnittstellen mit nur ihren Köpfen. Eines der größten Probleme BCI in einer klinischen Umgebung verwendet zugewandt ist Instabilität in den neuronalen Aufnahmen selbst. Im Laufe der Zeit nahmen die Signale von BCI können variieren, und ein Ergebnis dieser Variante ist, dass ein Individuum die Fähigkeit, ihre BCI steuern verlieren können.

Als Ergebnis dieser Kontrollverlust, stellen die Forscher den Benutzer durch eine Neukalibrierung Sitzung zu gehen, die sie, was sie tun und setzen Sie die Verbindung zwischen ihren mentalen Befehle und die Aufgaben durchgeführt wird zu stoppen erfordert. Typischerweise wird ein anderer Mensch Techniker nur um das System an der Arbeit beteiligt.

„Stellen Sie sich vor, wenn jedes Mal, wenn wir wollten unser Handy verwenden, um es zu bekommen richtig funktioniert, mussten wir irgendwie den Bildschirm kalibrieren, damit es wusste, was Teil des Bildschirms wir zeigen wurden“, sagt William Bishop, der ein PhD vorher war Student und Postdoctoral Fellow in der Abteilung für Machine Learning an der CMU und ist heute ein Mitarbeiter am Janelia Farm Research Campus. „Der aktuelle Stand der Technik in BCI-Technologie ist so etwas wie das. Gerade diese BCI Geräte zur Arbeit zu kommen, müssen die Benutzer diese häufige Neukalibrierung tun. Also, die für den Benutzer äußerst ungünstig sind, sowie die Techniker die Geräte halten. "

Das Papier „Stabilisiertes brain-Computer auf der Basis neuronaler Verteiler Ausrichtung“, stellt ein Maschinenlernalgorithmus, dass Konten für diese unterschiedlichen Signale und die einzelnen ermöglicht die BCI in Anwesenheit dieser Instabilitäten weiter zu steuern. Durch die Nutzung der Feststellung, dass neuronale Populationsaktivität besteht in einer niedrig-dimensionalen „neural Mannigfaltigkeit“, die Forscher können neuronale Aktivität stabilisieren gute BCI Leistung in Gegenwart von Aufzeichnungs Instabilitäten zu halten.

„Wenn wir sagen,‚Stabilisierung‘, was wir meinen, ist, dass unsere neuronale Signale instabil sind, möglicherweise, weil wir sind, die Aufnahme von verschiedenen Neuronen über die Zeit“, erklärt Alan Degenhart, ein Postdoc-Forscher in Elektro- und Computertechnik an der CMU. „Wir haben heraus einen Weg gefunden verschiedene Populationen von Neuronen über die Zeit zu nehmen und ihre Informationen nutzen, um im Wesentlichen ein gemeinsames Bild der Berechnung zeigen, die im Gehirn auf los sind, wodurch die BCI halten trotz neuronalen Instabilitäten kalibriert.“

Die Forscher sind nicht die erste, ein Verfahren zur Selbst Neukalibrierung vorzuschlagen; das Problem der instabilen neuronalen Aufnahmen wird in der Luft für eine lange Zeit gewesen. Einige Studien haben Selbst Neukalibrierung Verfahren vorgeschlagen, aber haben das Problem des Umgangs mit Instabilitäten konfrontiert. Das Verfahren in diesem Papier ist in der Lage von katastrophalen Instabilitäten zu erholen, weil es nicht auf dem Motiv angewiesen ist gut während der Neukalibrierung durchgeführt wird.

„Lassen Sie uns sagen, dass die Instabilität so groß waren, so dass das Thema waren nicht mehr in der Lage, die BCI zu steuern“, erklärt Byron Yu, Professor für Elektro- und Computertechnik und Biomedizinische Technik an der CMU. „Bestehende Selbst Neukalibrierung Verfahren dürften in diesem Szenario zu kämpfen, während in unserem Verfahren wir gezeigt haben, kann es in vielen Fällen von den katastrophalen Instabilitäten zu erholen.“

„Neural Aufnahme Instabilitäten sind nicht gut charakterisiert, aber es ist ein sehr großes Problem“, sagt Emily Oby, ein Postdoc-Forscher in Neurobiologie an Pitt. „Es gibt nicht viel Literatur: Wir weisen darauf können, aber anekdotisch, viele der Labors, die mit BCI klinischer Forschung zu tun haben mit diesem Thema befassen recht häufig. Diese Arbeit hat das Potenzial, deutlich die klinische Lebensfähigkeit von BCIs zu verbessern und stabilisieren andere neuronale Schnittstellen zu Hilfe.“

Andere Autoren auf dem Papier sind CMU Steve Chase, Professor für Biomedizinische Technik und die Neuroscience Institute, und Pitts Aaron Batista, Associate Professor für Biotechnik und Elizabeth Tyler-Kabara, Associate Professor für Neurochirurgie. Diese Forschung wurde von der Craig H Neilsen-Stiftung, die National Institutes of Health, DSF Charitable Foundation, National Science Foundation, PA Abteilung für Gesundheitsforschung und der Simons Foundation finanziert.

Quelle: College of Engineering, Carnegie Mellon University. "Stabilizing brain-computer interfaces: New machine learning algorithm reduces need for brain-computer interfaces to undergo recalibration." ScienceDaily. ScienceDaily, 20 April 2020. <www.sciencedaily.com/releases/2020/04/200420125540.htm>.