Menu Close

Nowy algorytm uczenia maszynowego redukuje zapotrzebowanie BCI (mózg-komputer interfejs) na rekalibrację

Naukowcy z Carnegie Mellon University (CMU) i University of Pittsburgh (Pitt) opublikowali badania w Nature Biomedical Engineering, które drastycznie poprawią działanie interfejsów mózg – komputer i ich stabilność podczas użytkowania, znacznie zmniejszając lub nawet eliminując potrzebę rekalibracji tych urządzeń podczas eksperymentów.

Interfejsy mózg-komputer (BCI) to urządzenia, które umożliwiają osobom z niepełnosprawnościami ruchowymi, takimi jak np. paraliż, kontrolowanie protez kończyn, kursorów komputerowych i innych interfejsów przy użyciu tylko ich umysłów. Jednym z największych problemów, z jakimi boryka się BCI stosowane w warunkach klinicznych, jest niestabilność samych nagrań nerwowych. Z biegiem czasu sygnały odbierane przez BCI mogą się różnić, a wynikiem tej zmiany może być utrata zdolności kontroli swojego BCI. W konsekwencji naukowcy wymagają od użytkownika przejścia przez sesję ponownej kalibracji, która wymaga od nich zresetowania połączenia między ich poleceniami umysłowymi, a wykonywanymi zadaniami.

“Wyobraźmy sobie, że za każdym razem, gdy chcieliśmy korzystać z naszego telefonu komórkowego, musieliśmy skalibrować ekran, tak by komputer wiedział, na jaką część ekranu wskazujemy”, mówi William Bishop, doktorant w Departamencie Uczenia Maszynowego w CMU. “Obecny stan techniki w technologii BCI wymaga ażeby urządzenia BCI poprawnie działały, to użytkownicy muszą często dokonywać rekalibracji niewygodnych dla użytkowników, a także dla techników utrzymujących urządzenia.”

Dokument “Stabilizowany interfejs mózg-komputer oparty na wyrównaniu kolektora nerwowego” przedstawia algorytm uczenia maszynowego, który odpowiada za różne sygnały i pozwala na dalsze kontrolowanie BCI nawet w przypadku niestabilności. Wykorzystując stwierdzenie, że aktywność populacji neuronalnej znajduje się w niskowymiarowym “kolektorze nerwowym”, naukowcy mogą ustabilizować aktywność neuronalną tak, by utrzymać skuteczność BCI w przypadku niestabilności zapisu.

“Gdy mówimy brak stabilizacji”, mamy na myśli to, że nasze sygnały nerwowe są niestabilne, być może dlatego, że odbieramy je z różnych neuronów zmiennych w czasie”, wyjaśnia Alan Degenhart, doktorant w dziedzinie inżynierii elektrycznej i komputerowej w CMU. “Wymyśliliśmy sposób na podjęcie różnych populacji neuronów w czasie i wykorzystanie ich informacji, aby zasadniczo ujawnić wspólny obraz obliczeń, które dzieje się w mózgu, utrzymując w ten sposób BCI skalibrowany pomimo niestabilności nerwowej.”

Naukowcy nie są pierwszymi, którzy proponują metodę samokalibracji; problem niestabilnych nagrań neuronowych jest bowiem obecny już od dłuższego czasu.  Metoda przedstawiona w dokumencie jest w stanie uzyskać stabilność sygnału, ponieważ nie jest oparta na obiekcie i funkcjonuje poprawnie podczas ponownej kalibracji.

“Powiedzmy, że niestabilność była tak duża, że podmiot nie był już w stanie kontrolować BCI”, wyjaśnia Byron Yu, profesor inżynierii elektrycznej i komputerowej oraz inżynierii biomedycznej w CMU. “Istniejące procedury samokalibracji mogą mieć trudności w tym scenariuszu, podczas gdy w naszej metodzie wykazaliśmy, że w wielu przypadkach można podczas dostępu odzyskać dane z tych niestabilności.”

“Niestabilność odczytu neuronów nie jest dobrze scharakteryzowana, ale jest to bardzo duży problem”, mówi Emily Oby, doktorantka w dziedzinie neurobiologii w Pitt. “Nie ma zbyt wiele literatury, na którą możemy wskazać, ale wiele laboratoriów, które prowadzą badania kliniczne z BCI, ma do czynienia z tym problemem dość często. Praca ta ma potencjał, by znacznie poprawić żywotność kliniczną BCI i pomóc ustabilizować interfejsy nerwowe.”

 

1 Comment

Leave a Reply

Your email address will not be published.