Estabilização interfaces cérebro-computador

interfaces cérebro-computador (BCI) são dispositivos que permitem aos indivíduos com deficiências motoras, tais como a paralisia para controlar próteses, cursores de computador e outras interfaces usando somente suas mentes. Um dos maiores problemas enfrentados BCI usado em um ambiente clínico é a instabilidade nas próprias gravações neurais. Com o tempo, os sinais captados por BCI pode variar, e um resultado dessa variação é que um indivíduo pode perder a capacidade de controlar a sua BCI.

Como resultado dessa perda de controle, os pesquisadores pedir ao usuário que passar por uma sessão de recalibração que os obriga a parar o que está fazendo e redefinir a conexão entre seus comandos mentais e as tarefas que estão sendo executadas. Normalmente, outro técnico humano está envolvido apenas para obter o sistema de trabalho.

"Imagine se cada vez que queria usar o nosso telefone celular, para fazê-lo funcionar corretamente, nós tivemos que calibrar alguma forma o ecrã por isso sabia o que parte da tela que foram apontando para", diz William Bishop, que foi anteriormente um PhD aluno e pós-colega no Departamento de Aprendizado de Máquina na CMU e é agora um companheiro no Campus Janelia Farm Research. "O actual estado da arte em tecnologia BCI é tipo de como isso. Só para ter estes dispositivos BCI ao trabalho, os utilizadores têm de fazer isso recalibração frequente. Assim que é extremamente inconveniente para os usuários, bem como os técnicos que mantêm os dispositivos. "

O papel, "Uma interface cérebro-computador estabilizada com base no alinhamento colector neural", apresenta uma máquina de aprendizagem algoritmo que é responsável por estes sinais variados e permite que o indivíduo a continuar a controlar BCI na presença destas instabilidades. Ao alavancar a constatação de que neurais reside atividade população em um baixo-dimensional "colector neural", os pesquisadores podem estabilizar a atividade neural para manter o bom desempenho BCI na presença de instabilidades de gravação.

"Quando dizemos 'estabilização', o que queremos dizer é que os nossos sinais neurais são instáveis, possivelmente porque nós estamos gravando a partir de diferentes neurônios ao longo do tempo", explica Alan Degenhart, pesquisador de pós-doutorado em engenharia elétrica e informática na CMU. "Nós já descobriu uma maneira de levar diferentes populações de neurônios ao longo do tempo e usar suas informações para essencialmente revelam um quadro comum da computação que está acontecendo no cérebro, mantendo, assim, o BCI calibrado apesar instabilidades neurais."

Os pesquisadores não são os primeiros a propor um método de auto-recalibração; o problema de gravações neurais instáveis ​​tem sido no ar por um longo tempo. Alguns estudos propuseram procedimentos de auto-recalibração, mas têm enfrentado o problema de lidar com instabilidades. O método apresentado neste trabalho é capaz de se recuperar de instabilidades catastróficos, porque não contam com o assunto um bom desempenho durante a recalibração.

"Vamos dizer que a instabilidade eram tão grandes de tal forma que o assunto já não eram capazes de controlar o BCI", explica Byron Yu, professor de engenharia elétrica e computação e engenharia biomédica na CMU. "Os actuais processos de auto-recalibração são susceptíveis de lutar nesse cenário, enquanto que no nosso método, nós demonstramos que pode em muitos casos recuperar a partir dessas instabilidades catastróficas."

"Gravação Neural instabilidades não estão bem caracterizados, mas é um problema muito grande", diz Emily Oby, pesquisador de pós-doutorado em neurobiologia na Pitt. "Não há muita literatura podemos apontar, mas informalmente, um monte dos laboratórios que fazem pesquisa clínica com o BCI tem que lidar com esta questão é bastante frequente. Este trabalho tem o potencial de melhorar significativamente a viabilidade clínica de BCIs, e para ajudar a estabilizar outras interfaces neurais."

Outros autores sobre o papel incluem a CMU Steve Chase, professor de engenharia biomédica e do Instituto de Neurociência e de Pitt Aaron Batista, professor associado de bioengenharia, e Elizabeth Tyler-Kabara, professor de cirurgia neurológica. Esta pesquisa foi financiada pela Fundação Neilsen Craig H, o National Institutes of Health, DSF Charitable Foundation, a National Science Foundation, PA Dept of Health Research, ea Fundação Simons.

fonte: 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>.