Erste Plug-and-Play-Gehirnprothese bei gelähmten Personen

| |

In einem bedeutenden Fortschritt, UC San Francisco Weill Institut für Neurowissenschaften Forscher, die auf eine gehirngesteuerte Prothese hinarbeiten, haben gezeigt, dass maschinelle Lerntechniken einer gelähmten Person dabei helfen, einen Computercursor mithilfe ihrer Gehirnaktivität zu steuern, ohne dass eine umfassende tägliche Umschulung erforderlich ist, die für alle früheren Gehirn-Computer-Schnittstellen (BCI) erforderlich war ) Bemühungen.

“Das BCI-Feld hat in den letzten Jahren große Fortschritte gemacht, aber da vorhandene Systeme jeden Tag zurückgesetzt und neu kalibriert werden mussten, konnten sie die natürlichen Lernprozesse des Gehirns nicht nutzen. Es ist, als würde man jemanden bitten, das Fahren zu lernen Fahrrad immer und immer wieder von Grund auf neu “, sagte der leitende Autor der Studie Karunesh Ganguly, MD, PhD, ein außerordentlicher Professor in der UCSF Abteilung für Neurologie. “Die Anpassung eines künstlichen Lernsystems an die reibungslose Arbeit mit den ausgeklügelten Langzeitlernschemata des Gehirns ist etwas, das bei einer Person mit Lähmung noch nie gezeigt wurde.”

Das Erreichen der “Plug and Play” -Leistung zeigt den Wert sogenannter EKG-Elektrodenarrays für BCI-Anwendungen. Ein EKG-Array umfasst ein Elektrodenkissen von der Größe einer Haftnotiz, das chirurgisch auf der Oberfläche des Gehirns platziert wird. Sie ermöglichen langfristige, stabile Aufzeichnungen der neuronalen Aktivität und wurden für die Überwachung von Anfällen bei Epilepsiepatienten zugelassen. Im Gegensatz dazu haben frühere BCI-Bemühungen Arrays scharfer Elektroden im “Nadelkissen” -Stil verwendet, die das Gehirngewebe für empfindlichere Aufzeichnungen durchdringen, aber dazu neigen, sich im Laufe der Zeit zu verschieben oder das Signal zu verlieren. In diesem Fall erhielten die Autoren die Zulassung eines Prüfgeräts für die chronische Langzeitimplantation von EKG-Arrays bei gelähmten Probanden, um deren Sicherheit und Wirksamkeit als langfristige, stabile BCI-Implantate zu testen.

In ihrem neuen Papier, veröffentlicht am 7. September 2020 in Naturbiotechnologie Gangulys Team dokumentiert die Verwendung eines EKG-Elektrodenarrays bei einer Person mit Lähmung aller vier Gliedmaßen (Tetraplegie). Der Teilnehmer nimmt auch an einer klinischen Studie teil, mit der die Verwendung von EKG-Arrays getestet werden soll, damit gelähmte Patienten einen Arm und eine Handprothese steuern können. In der neuen Veröffentlichung verwendete der Teilnehmer das Implantat jedoch zur Steuerung eines Computercursors auf einem Bildschirm.

Die Forscher entwickelten einen BCI-Algorithmus, der maschinelles Lernen verwendet, um die von den EKG-Elektroden aufgezeichnete Gehirnaktivität an die vom Benutzer gewünschten Cursorbewegungen anzupassen. Zunächst folgten die Forscher der Standardpraxis, den Algorithmus jeden Tag zurückzusetzen. Der Teilnehmer stellte sich zunächst bestimmte Bewegungen des Halses und des Handgelenks vor, während er beobachtete, wie sich der Cursor über den Bildschirm bewegte. Allmählich würde sich der Computeralgorithmus selbst aktualisieren, um die Bewegungen des Cursors an die dadurch erzeugte Gehirnaktivität anzupassen und die Steuerung des Cursors effektiv an den Benutzer weiterzugeben. Wenn Sie diesen Prozess jedoch jeden Tag neu starten, wird das erreichbare Kontrollniveau stark eingeschränkt. Es konnte Stunden dauern, bis die Steuerung des Geräts beherrscht war, und an manchen Tagen musste der Teilnehmer ganz aufgeben.

Die Forscher wechselten dann, um zu ermöglichen, dass der Algorithmus weiter aktualisiert wird, um der Gehirnaktivität des Teilnehmers zu entsprechen, ohne ihn jeden Tag zurückzusetzen. Sie fanden heraus, dass das fortgesetzte Zusammenspiel zwischen Gehirnsignalen und dem durch maschinelles Lernen verbesserten Algorithmus über viele Tage zu kontinuierlichen Leistungsverbesserungen führte. Anfangs gab es jeden Tag ein wenig verlorenes Terrain, aber bald konnte der Teilnehmer sofort Spitzenleistungen erbringen.

“Wir haben festgestellt, dass wir das Lernen weiter verbessern können, indem wir sicherstellen, dass der Algorithmus nicht schneller aktualisiert wird, als das Gehirn folgen kann – eine Rate von etwa alle 10 Sekunden”, sagte Ganguly, ein praktizierender Neurologe mit UCSF Gesundheit und das San Francisco Veterans Administration Medical Center Neurologie & Rehabilitationsdienst. “Wir sehen dies als Versuch, eine Partnerschaft zwischen zwei Lernsystemen – Gehirn und Computer – aufzubauen, die es der künstlichen Schnittstelle letztendlich ermöglicht, eine Erweiterung des Benutzers zu werden, wie ihre eigene Hand oder ihren eigenen Arm.”

Im Laufe der Zeit war das Gehirn des Teilnehmers in der Lage, Muster neuronaler Aktivität zu verstärken, mit denen es die künstliche Schnittstelle über das EKG-Array am effektivsten steuern und gleichzeitig weniger effektive Signale eliminieren konnte – ein Schnittprozess, ähnlich wie das Gehirn einen Komplex lernen soll Aufgabe, sagt der Forscher. Sie beobachteten, dass die Gehirnaktivität des Teilnehmers ein tief verwurzeltes und konsistentes mentales “Modell” zur Steuerung der BCI-Schnittstelle zu entwickeln schien, was beim täglichen Zurücksetzen und Neukalibrieren nie vorgekommen war. Wenn die Schnittstelle nach mehreren Wochen kontinuierlichen Lernens zurückgesetzt wurde, stellte der Teilnehmer schnell dieselben Muster neuronaler Aktivität zur Steuerung des Geräts wieder her und trainierte den Algorithmus effektiv in seinen früheren Zustand zurück.

“Sobald der Benutzer einen dauerhaften Speicher für die Lösung zur Steuerung der Schnittstelle eingerichtet hat, muss kein Reset mehr durchgeführt werden”, sagte Ganguly. “Das Gehirn konvergiert nur schnell wieder zu derselben Lösung.”

Sobald das Fachwissen etabliert war, zeigten die Forscher schließlich, dass sie die Notwendigkeit des Algorithmus, sich selbst zu aktualisieren, ausschalten konnten, und der Teilnehmer konnte einfach jeden Tag mit der Verwendung der Schnittstelle beginnen, ohne dass eine Umschulung oder Neukalibrierung erforderlich war. Die Leistung nahm in 44 Tagen ohne Umschulung nicht ab, und der Teilnehmer konnte sogar Tage ohne Übung verbringen und einen geringen Leistungsabfall feststellen. Die Etablierung eines stabilen Fachwissens in einer Form der BCI-Steuerung (Bewegen des Cursors) ermöglichte es den Forschern auch, zusätzliche erlernte Fähigkeiten – wie das “Klicken” auf eine virtuelle Schaltfläche – ohne Leistungsverlust zu “stapeln”.

Eine solche sofortige “Plug-and-Play” -BCI-Leistung war lange Zeit ein Ziel auf diesem Gebiet, war jedoch unerreichbar, da sich die von den meisten Forschern verwendeten Elektroden im “Nadelkissenstil” im Laufe der Zeit bewegen und die von jeder Elektrode gesehenen Signale ändern. Da diese Elektroden das Gehirngewebe durchdringen, neigt das Immunsystem dazu, sie abzustoßen und ihr Signal allmählich zu beeinträchtigen. EKG-Arrays sind weniger empfindlich als diese herkömmlichen Implantate, aber ihre Langzeitstabilität scheint diesen Mangel auszugleichen. Die Stabilität von EKG-Aufzeichnungen kann für die Langzeitsteuerung komplexerer Robotersysteme wie künstlicher Gliedmaßen noch wichtiger sein, ein Hauptziel der nächsten Phase von Gangulys Forschung.

“Wir waren uns immer der Notwendigkeit bewusst, Technologien zu entwickeln, die sozusagen nicht in einer Schublade landen, aber das tägliche Leben gelähmter Patienten verbessern”, sagte Ganguly. “Diese Daten zeigen, dass EKG-basierte BCIs die Grundlage für eine solche Technologie sein könnten.”

###

Autoren: Die Studie wurde gemeinsam von Daniel Silversmith, Reza Abiri, Nicholas Hardy und Nikhilesh Natraj von der UCSF und dem San Francisco Veterans Affairs Medical Center geleitet. Adelyn Tu-Chan von UCSF und der San Francisco VA und Edward Chang von UCSF sind ebenfalls Co-Autoren. Ganguly ist der entsprechende Autor der Studie.

Finanzierung: Die Forschung wurde von den US National Institutes of Health (NIH) im Rahmen des New Innovator Award-Programms des NIH-Direktors (Grant Nr. 1 DP2 HD087955) finanziert. Die Entwicklung des in dieser Studie verwendeten Signalverarbeitungs- und Decodierungsansatzes wurde von der Doris Duke Charitable Foundation (Grant Nr. 2013101) unterstützt.

Angaben: Die Autoren erklären keine konkurrierenden Interessen.

Über UCSF: Die University of California in San Francisco (UCSF) konzentriert sich ausschließlich auf die Gesundheitswissenschaften und widmet sich der weltweiten Gesundheitsförderung durch fortgeschrittene biomedizinische Forschung, Hochschulausbildung in Biowissenschaften und Gesundheitsberufen sowie hervorragende Patientenversorgung. UCSF Gesundheit, das als primäres akademisches medizinisches Zentrum der UCSF dient, umfasst hochrangige Spezialkrankenhäuser und andere klinische Programme und hat Verbindungen in der gesamten Bay Area. Erfahren Sie mehr unter ucsf.edu, oder sehen Sie sich unser a target = “_ blank” href = “https://www.ucsf.edu/sites/default/files/2019-08/ucsf-general-fact-sheet.pdf”> Fact Sheet an.

Folgen Sie der UCSF

ucsf.edu | Facebook.com/ucsf | YouTube.com/ucsf

VERFÜGBARE MEDIEN : Bilder von Forschern, Elektrodenarrays und Gehirnaufzeichnungen, die in der Studie verwendet wurden.

Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder zur Verwendung von Informationen über das EurekAlert-System.

.

Previous

Stephen A. reagiert auf das Bucks-Gewinnspiel 4 gegen die Hitze ohne Giannis | Erste Aufnahme – ESPN

Grenzkrankenhäuser streckten sich

Next

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.