'即插即用'脑假肢在瘫痪的人中发出
加州大学旧金山分校威尔神经科学研究所(UC San Francisco Weill Institute for neuroscience)的研究人员正在研究一种大脑控制的假肢,他们表示,机器学习技术可以帮助瘫痪患者学习使用大脑活动来控制电脑光标,而无需进行大量的日常再培训。这是过去所有脑机接口(BCI)工作的要求。
“BCI.近年来,现场取得了很大的进展,但由于每天必须重置和重新校准现有系统,他们还无法利用大脑的自然学习过程。这就像要求某人从划线跑来骑自行车骑自行车一样,“高级学家Karunesh Ganguly,MD,博士,博士,博士,博士,博士,博士,博士,博士学位的神经病学系副教授。”适应人工学习系统工作与大脑的复杂长期学习模式平稳是在瘫痪的人之前从未被展示过的东西。“
成就“即插即用的性能证明了所谓的ECoG电极阵列在BCI应用中的价值。ECoG阵列由一个电极垫组成,电极垫大约有一张便条大小,通过外科手术放置在大脑表面。它们可以长期、稳定地记录神经活动,并已被批准用于癫痫患者的癫痫监测。相比之下,过去的BCI研究使用的是“针垫式”的尖锐电极阵列,这种阵列可以穿透脑组织进行更敏感的记录,但往往会随着时间的推移发生位移或丢失信号。在这个病例中,作者获得了对长期长期植入ECoG阵列的研究设备的批准,以测试其作为长期、稳定的BCI的安全性和有效性植入。
在他们的新论文中,Ganguly的团队记录了ECoG电极阵列在四肢瘫痪患者身上的使用情况。参与者还参加了一项临床试验,旨在测试ECoG阵列的使用,以允许瘫痪患者控制a假体手臂和手,但在新论文中,参与者使用植入物来控制屏幕上的电脑光标。
研究人员开发了一个bci算法它利用机器学习将ECoG电极记录的大脑活动与用户想要的光标移动相匹配。最初,研究人员遵循每天重置算法的标准做法。参与者首先想象脖子和手腕的特定动作,同时看着光标在屏幕上移动。渐渐地,计算机算法会自我更新,使光标的移动与由此产生的大脑活动相匹配,从而有效地将光标的控制权传递给用户。然而,如果每天都开始这个过程,就会对所能达到的控制水平造成严重的限制。掌握设备的控制可能需要几个小时,有些日子参与者不得不完全放弃。
然后,研究人员切换以允许算法继续更新以匹配参与者的大脑活动,而不每天重置它。他们发现,大脑信号与机器学习增强算法之间的持续相互作用导致在许多日内进行性能的连续改进。最初有一点丢失的地面可以弥补每天,但很快,参与者就能立即实现顶级绩效。
“我们发现我们可以通过确保算法不比大脑更快地更新,每隔10秒更新,我们每10秒的速度更新,我们可以进一步改善每10秒的速度。”行政医疗中心的神经学与康复服务。“我们认为这是试图在两个学习系统 - 大脑和计算机之间建立伙伴关系 - 最终让人为的接口成为用户的延伸,就像自己的手或手臂一样。“
随着时间的推移,参与者的大脑能够扩大神经活动模式,它可以用来最有效地通过ECOG阵列驱动人造界面,同时消除了较少的有效信号 - 这一修剪过程就像大脑如何学习任何复杂的任务一样研究人员说。他们观察到,参与者的大脑活动似乎开发了一种用于控制BCI界面的根深蒂固和一致的心理“模型”,从未发生过每日重置和重新校准的东西。当界面在连续学习几周后重置时,参与者迅速重新建立了用于控制设备有效地将算法重新恢复到其前状态的相同的神经活动模式。“一旦用户建立了用于控制界面的解决方案的持久存储器,就不需要重置,”Ganguly表示。“大脑迅速收敛回相同的解决方案。”
推荐的文章
最终,一旦建立了专业知识,研究人员表明,他们可以完全关闭算法的自我更新需求,参与者可以简单地开始每天使用界面,而不需要再培训或重新校准。在没有再训练的情况下,44天的表现并没有下降,参与者甚至可以几天不练习,但表现几乎没有下降。在一种形式的BCI控制(移动光标)中建立稳定的专业知识,也允许研究人员开始“叠加”额外的学习技能——比如“点击”一个虚拟按钮——而不损失性能。
这种即时“即插即用”的BCI性能一直是该领域的一个目标,但一直无法实现,因为大多数研究人员使用的“针垫式”电极往往会随着时间的推移而移动,改变每个电极所看到的信号。此外,由于这些电极穿透脑组织,免疫系统往往会排斥它们,逐渐削弱它们的信号。ECoG阵列比传统植入物的灵敏度低,但其长期稳定性似乎弥补了这一缺点。ECoG记录的稳定性可能对更复杂的机器人系统的长期控制更为重要,比如假肢,这是Ganguly下一阶段研究的关键目标。Ganguly说:“我们一直都在考虑设计一种技术,这种技术不能只出现在抽屉里,而应该能够切实改善瘫痪患者的日常生活。”“这些数据表明,基于ecog的BCIs可能是这种技术的基础。”
该研究发表于期刊自然生物技术。
来源:加州大学,旧金山