Stabilizujące interfejsy mózg-komputer

Interfejsy mózg-komputer (BCI) to urządzenia, które umożliwiają osobom niepełnosprawnym mechanicznych, takich jak paraliż kontrolowania protez, kursory komputerowy i inne interfejsy przy użyciu tylko ich umysły. Jednym z największych problemów BCI używany w warunkach klinicznych jest niestabilność w neuronowych samych nagrań. Z biegiem czasu, sygnały odbierane przez BCI może się zmieniać, a efektem tej zmiany jest to, że dana osoba może stracić zdolność do kontrolowania ich BCI.

W wyniku tej utraty kontroli naukowcy poprosić użytkownika, aby przejść przez sesję ponownej kalibracji, który wymaga, aby zatrzymać to, co robią i zresetować połączenie między ich poleceń mentalnych oraz zadania prowadzone. Zazwyczaj inna ludzka technika jest zaangażowany, aby dostać się do systemu do pracy.

„Wyobraź sobie, że za każdym razem chcieliśmy wykorzystać nasz telefon komórkowy, aby to działało poprawnie, trzeba było jakoś skalibrować ekran, więc wiedział, co część ekranu byliśmy wskazując na”, mówi William Bishop, który był wcześniej PhD studentów i adiunkt w Zakładzie Maszyn nauki w CMU, a obecnie jest gość na Janelia Farm Badań Campus. „Obecny stan wiedzy w dziedzinie technologii BCI jest rodzajem takiego. Wystarczy dostać się do tych urządzeń BCI do pracy, użytkownicy mają do wykonania tej częstej kalibracji. Więc to jest bardzo niewygodne dla użytkowników, jak i techników utrzymania urządzeń. "

W artykule „stabilizowany interfejs mózg-komputer oparty na nerwowej kolektora wyrównanie,” prezentuje maszyna uczenia algorytm rachunki dla tych sygnałów zmiany i pozwala na indywidualne kontynuować kontrolowanie BCI w obecności tych niestabilności. Wykorzystując stwierdzenie, że aktywność populacji neuronowych rezyduje w niskowymiarowa „kolektora nerwowej” badacze może stabilizować aktywność neuronową, aby utrzymać wysoką wydajność BCI w obecności niestabilności zapisu.

„Kiedy mówimy«stabilizacja», co mamy na myśli to, że nasze sygnały neuronowe są niestabilne, prawdopodobnie dlatego, że jesteśmy nagrania z różnych neuronów w całym czasie,” wyjaśnia Alan Degenhart, naukowca doktora habilitowanego w dziedzinie inżynierii elektrycznej i komputerowej na CMU. „Mamy zorientowali się, sposób, aby przybrać różne populacje neuronów w czasie i wykorzystywać swoje informacje do ujawnienia w zasadzie wspólny obraz obliczeń, co dzieje się w mózgu, a tym samym utrzymanie BCI skalibrowany pomimo niestabilności neuronowych”.

Badacze nie są pierwszymi, którzy zaproponowali metodę rekalibrację siebie; problem niestabilnych nagrań neuronowych było w powietrzu przez dłuższy czas. Kilka badań zaproponowali procedury samooceny ponowna kalibracja, ale w obliczu problemu radzenia sobie z niestabilnością. Metoda przedstawiona w tym artykule jest w stanie odzyskać od katastrofalnych niestabilności, ponieważ nie opiera się na temat wykonywania dobrze podczas kalibracji.

„Let powiedzmy, że niestabilność były tak duże, takie, że przedmiot nie były już w stanie kontrolować BCI” wyjaśnia Byron Yu, profesor inżynierii elektrycznej i informatyki i inżynierii biomedycznej na CMU. „Istniejące procedury self-Przekalibrowanie mogą walczyć w tym scenariuszu, natomiast w naszej metodzie, musimy wykazać, że w wielu przypadkach może odzyskać od tych katastroficznych niestabilności”.

„Neural nagrywania niestabilności nie są dobrze poznane, ale jest to bardzo duży problem”, mówi Emily Oby, badacz doktora habilitowanego w neurobiologii na Pitta. „Nie ma dużo literatury możemy wskazać, ale Anecdotally, wiele laboratoriów, które wykonują badania kliniczne z BCI mieć do czynienia z tym problemem dość często. Ta praca ma potencjał, by znacznie poprawić rentowność kliniczny BCIS i aby pomóc ustabilizować innych interfejsów neuronowych „.

Inni autorzy na papierze obejmują CMU za Steve Chase, profesor inżynierii biomedycznej oraz Instytut Neuroscience i Pitta Aaron Batista, profesor bioinżynierii i Elizabeth Tyler-Kabara, profesor neurochirurgii. Badania zostały sfinansowane przez Fundację Craig H. Nielsen, National Institutes of Health, DSF Fundacji Charytatywnej, National Science Foundation, Pensylwania Dept of Health Research, a Simons Fundacji.

źródło 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>.