Исследователи из Калифорнийского университета в Дэвисе разработали интерфейс мозг-компьютер (BCI), который позволяет управлять курсором компьютера и щелкать, используя нейронные сигналы от речедвигательной коры. Один участник с боковым амиотрофическим склерозом (БАС) использовал интерфейс для повседневной деятельности, включая независимое управление персональным настольным компьютером и ввод текста.
Неврологические заболевания, такие как инсульт или БАС, могут нарушить путь от мозга к мышцам, что приводит к потере движения и коммуникации.
БАС постепенно разрушает верхние и нижние двигательные нейронные пути, оставляя когнитивные функции нетронутыми, но вызывая паралич всех четырех конечностей и значительное нарушение речи .
Интерфейсы мозг-компьютер — это внутрикорковые имплантированные устройства, которые обходят любые помехи, считывая нейронные сигналы непосредственно из мозга и производя вывод от имени пользователя. Многие интерфейсы BCI опираются на нейронную активность дорсальной моторной коры, области мозга, связанной с движениями кисти и руки.
Когда сигналы декодируются, пользователи могут перемещать курсор , пытаясь или представляя движение конечности. Напротив, речевые BCI опираются на вентральную прецентральную извилину, где нейронные сигналы связаны с движениями лица и артикуляцией речи.
Декодирование нейронных сигналов из этой области обеспечивает быструю речевую коммуникацию, но не было показано, что оно поддерживает общую компьютерную навигацию или управление движением.
Имплантация в дорсальную и вентральную области была бы идеальным вариантом, однако она считается хирургически непрактичной или неосуществимой. В результате пользователи и врачи вынуждены выбирать между управлением курсором и декодированием речи.
В исследовании «Речемоторная кора обеспечивает управление курсором и щелчки с помощью BCI», опубликованном в журнале Journal of Neural Engineering , исследователи провели исследование с одним участником, чтобы проверить, может ли нейронная активность речемоторной коры поддерживать как управление курсором, так и декодирование речи при одном месте имплантации.
В исследовании принял участие один участник с БАС, 45-летний мужчина с параличом всех четырех конечностей и трудностями в четкой речи.
Все сеансы проводились дома у участника. Четыре 64-электродных массива были хирургически имплантированы в вентральную прецентральную извилину участника. Нацеливание электродов осуществлялось с помощью предоперационной МРТ и кортикального выравнивания с помощью проекта Human Connectome.
Нейронные сигналы были получены с частотой дискретизации 30 кГц и отфильтрованы полосой пропускания между 250 и 5000 Гц. Пороговые пересечения и мощность полосы спайка рассчитывались каждую миллисекунду с каждого электрода.
Затем эти признаки были сгруппированы в 10-миллисекундные ячейки, создавая поток 512-мерных векторов признаков, которые служили входными данными для систем декодирования.
Для оценки производительности системы использовались три парадигмы задач : калибровка Radial8, оценка сетки и одновременная речь и курсор. Линейный декодер скорости управлял движением курсора, в то время как отдельный линейный классификатор декодировал события щелчка.
Параметры декодера постоянно перекалибровывались с использованием линейной регрессии для скорости и логистической регрессии для классификации щелчков, при этом веса обновлялись каждые несколько секунд во время активного контроля.
Калибровка произошла быстро, поскольку участник достиг своей первой цели с помощью нейронного управления в течение 40 секунд после запуска системы. В ходе более поздних сеансов с оптимизированными настройками участник использовал систему для управления курсором с высокой эффективностью, в среднем 2,90 бит в секунду.
Более ранние сеансы показали более низкую производительность, в среднем 1,67 бит в секунду. Самая высокая скорость, зафиксированная в любом отдельном сеансе, составила 3,16 бит в секунду.
Один бит в секунду соответствует способности делать несколько точных выборов в минуту, при этом более высокие значения указывают на более быстрое и точное управление. В 1263 испытаниях было правильно выбрано 1175 целей, что соответствует точности 93%.
Было сделано 88 неправильных выборов, и ни одно испытание не было завершено из-за тайм-аута. Было зарегистрировано шесть щелчков по временно отключенным целям, а 23 щелчка произошли за пределами границ любой цели.
Эффективность классификации щелчков превысила случайность по всем четырем электродным решеткам. Одна хорошо расположенная решетка внесла наибольший вклад в декодирование курсора и почти сравнялась с эффективностью декодера полной решетки.
В сеансах с одновременным управлением речью и курсором среднее время обнаружения цели увеличилось до 4,51 секунды. Условия без речи варьировались от 3,37 до 3,51 секунды, что показывает, что воспроизведение речи мешало участнику управлять курсором, но не вызывало задержек в последовательных действиях.
Улучшения в конструкции декодера могут смягчить помехи и повысить удобство использования в будущем. Единый имплантат поддерживал как коммуникационные, так и вычислительные функции в независимой домашней обстановке, что является доказательством концепции осуществимости многомодальных систем BCI.
Для пациентов с сохраненными когнитивными способностями, но неспособных использовать конечности или говорить, нейронный интерфейс, обеспечивающий как управление курсором компьютера, так и декодирование речи, может восстановить важнейшие каналы коммуникации, независимость и существенно улучшить качество жизни.
Рубрика: Наука и Hi-Tech. Читать весь текст на android-robot.com.