Tankestyrt Robotik: UCSF’s Hjerne-Computer Interface Succes

Et team af forskere ved University of California, San Francisco (UCSF), har udviklet et unikt hjerne-computer interface (BCI), der bringer verden et skridt tættere på tankestyrte robotter. Sådan kan det nye system ændre, hvordan du interagerer med dine enheder på længere sigt, og hjælpe dem, der lider af lemtab, med at genvinde en bedre livskvalitet.

Hjerne-Computer Interface (BCI)

Brugen af BCI’er fortsætter med at udvide sig på markedet. Disse enheder gør det muligt for mennesker at styre enheder udelukkende med tanker. De fungerer ved hjælp af en række elektromagnetiske sensorer, der kan overvåge ændringer i hjerneaktivitet. Disse systemer udnytter hjernens særskilte somatotopiske repræsentationer af simple handlinger, som at tappe med fingeren, for at bestemme deres bevægelser.

Problemer med nutidens Brain-Computer Interface

BCI’er giver spændende muligheder på markedet, men teknologien er stadig i sin spæde fase. Betydelige ulemper, såsom omkostningerne ved at programmere disse enheder og behovet for konstant at justere for at opnå korrekt kalibrering, begrænser fortsat adoptionen. Heldigvis undersøger en ny undersøgelse, hvorfor BCI’er har brug for justeringer, og introducerer et nyt system, der giver langsigtet BCI-support.

Studie af Brain-Computer Interface

Undersøgelsen med titlen “Sampling representational plasticity of simple imagined movements across days enables long-term neuroprosthetic control”¹ offentliggjort i det videnskabelige tidsskrift Cell giver detaljer om, hvordan man muliggør langsigtet kompleks neuroprotesekontrol.

Målet med undersøgelsen var at overvåge, katalogisere og opdage skift i hjerneaktivitet for daglige opgaver og simple bevægelser. For at gennemføre dette sporede forskerne ændringer i den repræsentationelle struktur af hjerneaktivitet over dage via BCI-kontrol.

Electrocorticography Hjerne-Computer Interface

Electrocorticography BCI’en gjorde det muligt for ingeniører at sammenligne neural aktivitet med et uni-hemisfærisk ECoG-gitter, der repræsenterer forestillede bevægelser af kropsdele. Denne tilgang var nødvendig for at bestemme den repræsentationelle struktur i hjernen. Specifikt brugte teamet parvis adskillelse som et sporingsmål.

BCI’en integrerer kunstig intelligens (AI)-modeller for at justere for gradvise skift i neurale aktivitetsmønstre over tid. Disse skift, kendt som repræsentationsdrift, opstår når hjernen tilpasser sig gentagne motoriske opgaver. AI’en forfiner sin fortolkning af hjernesignaler, så deltageren kan opretholde kontrol over den robotarme i måneder. Undersøgelsen brugte et intracortical brain-computer interface, hvor små elektroder blev implanteret direkte i hjernen for at registrere neural aktivitet. I modsætning til electrocorticography (ECoG), som placerer sensorer på hjernens overflade, giver intracorticale implantater højopløsningsoptagelser, men kræver direkte implantation i hjernevævet.

Plasticitet

Plasticitet refererer til din hjernes evne til at tilpasse sig ændringer i dit miljø, din sundhed eller dine oplevelser. Specifikt gennemgår din hjernes synaptiske plasticitet, homeostatiske plasticitet og voksne neurogenese adaptive strukturelle og funktionelle ændringer dagligt.
Disse små ændringer er måske ikke mærkbare for mennesker, men BCI’er skal overvinde denne udfordring for at forblive stabile. Derfor plottede forskerne kronologisk hver sessions gennemsnitlige Mahalanobis-afstand for at give sporbarhed.

Repræsentationsdrift

Neural drift er en anden forekomst, som ingeniørerne skal tage højde for, når de skaber deres BCI-system. Drift refererer til ændringer i aktivitet og adfærd over tid. Drift forekommer med de fleste langtidshukommelser omkring motoriske færdigheder.
Ved at forstå, at neurale repræsentationer af velkendte bevægelser løbende udvikler sig, konstruerede teamet et fælles manifold ved hjælp af data over flere dage. De overvågede præcise daglige ændringer og specifikke forskelle, især i de neurale centroider, som ikke blev fundet i konstruktionen af de oprindelige repræsentationer.

Neural Repræsentationsvarians

Ingeniørerne var i stand til at tage højde for den neurale repræsentationsvarians for hver handling. På den måde opdagede teamet en meta-repræsentationsstruktur med generaliserbare beslutningsgrænser for hvert handlingsrepertoire, som kunne lokaliseres, efterhånden som den skiftede gennem det mentale netværk.
Bemærkelsesværdigt havde teamet tidligere studeret mental varians hos dyr. Det var under disse studier, at de først bemærkede, at daglige handlinger let kunne afkodes med høj nøjagtighed ved brug af BCI-sensorer. De bemærkede også, at handlingerne stimulerede forskellige centroider på tværs af det neurale system, efterhånden som tiden gik.

Langtids Brain-Computer Interface

Denne opdagelse førte ingeniørerne til at spore repræsentationerne af migrationer på tværs af hjernens netværk for at opnå langtids BCI-kontrol. Specifikt var forskerne i stand til at spore og justere for tværs-dags plasticitet og drift via en proprietær AI.

Brain-Computer Interface Test

Som en del af testfasen indsamlede ingeniørerne data under 30 handlinger i 49 forsøg og 32 handlinger i 48 forsøg. Bemærkelsesværdigt fokuserede testen på en enkelt kropsdel, hånden. Det første skridt var at vælge et udvalg af handlinger og måle den repræsentationelle struktur af handlingerne på tværs af forskellige kontekster, med det endelige mål at styre en virtuel Jaco-robotarm.

Brain-Computer Interface Testdeltagere

Ingeniørerne udvalgte en deltager, der led af svær tetraparese og anarthri på grund af et bilateral hjernestamme-slag. Slaget var så alvorligt, at det fratog dem evnen til at tale eller bevæge sig. De tetraplegiske deltagere havde ingen kognitiv skade, hvilket gjorde dem ideelle til studiet.

Efter at have tilsluttet patienten til den opdaterede BCI, blev han givet flere opgaver med varierende sværhedsgrad, fra at visualisere bevægelse af forskellige dele af hans krop som fingertuppen, hovedet eller benet, til mikrobevægelser af hans pegefinger.

Teamet brugte ECoG-baserede BCI’er til at registrere hjerne-repræsentationerne for hver handling. Den forbedrede BCI gav ingeniørerne øget opløsning og evnen til at udføre præcis feedback-drevet manipulation af repræsentationer. Bemærkelsesværdigt var der ingen observerbar kropsbevægelse fra patienten, men den mentale aktivitet var den samme, som om de ikke var lammede.

Styr Robotarm

Det næste skridt var at integrere Kinova Jaco-robotarmen til testning. I den første testfase blev patienten bedt om at manipulere enheden ved hjælp af deres mentale kapacitet. Testen fik patienten til at forsøge at løfte et objekt og flytte det til en ny placering. Denne tidlige test viste dårlig kontrol og manglende pålidelighed fra brugerens side.

3D Virtuelt Miljø

Ved at erkende, at der var behov for mere feedback til kontrolløren, skabte teamet en virtuel robotarm. Denne tilgang giver brugerne mulighed for at finjustere deres kontrol og give værdifuld feedback, så de kan spore deres fremskridt og evner. Ingeniørerne tror, at denne hurtige læring i sessionen vil være afgørende for fremtidige protese-træningssystemer.

Brain-Computer Interface Justeringstid Test

Et af de største gennembrud i denne undersøgelse er, at ingeniørerne kunne anvende den samme protesearm og patient med kun en 15-minutters rekalibrering efter at have ventet måneder mellem sessionerne. Systemet benyttede det dybe rekurrente neurale netværk (RNN) til at justere for plasticitet og drift.

Efter at have ventet i måneder, blev patienten sendt tilbage til testning og fik specifikke opgaver. To komplekse række-til-grib og objektmanipulations-tests med varierende sværhedsgrader blev opsat for at se, om systemet fungerede korrekt.

Den første opgave krævede, at patienten skulle række ud og rotere armen for at gribe et objekt og flytte det til en anden placering. Imponerende opnåede teamet en median succesrate på 90 % og afsluttede opgaven på kun 60,8 s. De følgende opgaver blev sværere, med den sidste, der krævede, at patienten åbnede et skab, tog en kop ud og holdt den under en vandautomat, indtil den var fyldt.

Brain-Computer Interface Testresultater

Testresultaterne viste, at den opgraderede BCI kunne spore neural varians og give øget neural præcision. Undersøgelsen viste, at hjernens signaler for bevægelse forbliver stabile over tid, men deres operationelle placeringer skifter let.

AI’en justerer automatisk for at spore disse ændringer, hvilket muliggør let konfigurerbare systemer, der fungerer som plug-and-play-enheder på din PC. Teamet opdagede også nogle interessante data under deres rejse.

De bemærkede, at hver lem har lignende initiativmønstre på tværs af personer. For eksempel kan de se på hjerne mønstre og se forskellen mellem højre og venstre håndbevægelser. Derudover konkluderede teamet, at hurtig reduktion af varians er afgørende for perceptuel beslutningstagning.

Desuden demonstrerer undersøgelsen, at neurale statistikker som varians kan spores og reguleres for at øge repræsentationsafstande under BCI-kontrol uden somatotopiske ændringer.

Brain-Computer Interface Fordele

Der er en lang liste af fordele opnået ved at kombinere menneskelig og AI-læring. Disse systemer kan en dag hjælpe dem, der lider af smertefulde tab, med at genvinde kontrol over deres liv og gøre dem i stand til at udføre daglige aktiviteter uden stress.

Stabilitet

Undersøgelsen demonstrerede, hvordan justering af BCI kan give stabilitet til disse kontrolenheder. Teamets beslutning om at anvende lav-dimensionelt manifold og relative repræsentationsafstande for et repertoire af simple forestillede bevægelser viste sig at være det rigtige valg.

Ny Rekord

Indtil denne nylige test var den længste periode, en BCI fungerede uden rekalibrering, omkring 2‑3 dage. Dette behov for konstant rekalibrering begrænsede disse enheder til kun testning. Nu kan den opgraderede BCI holde i op til 7 måneder uden opdateringer, hvilket åbner døren for mere responsive og billigere proteser og mere.

Mere Effektiv

Den forbedrede BCI tager kun omkring 15 minutter at rekalibrere hver 6. måned. Dette er en væsentlig opdatering i forhold til det tidligere system, som krævede kalibrering hver 3. dag på grund af nedbrydning af ydeevnen over længere perioder for opgaver, der kræver høj præcision.

Brain-Computer Interface Forskere

Forskere fra UC San Francisco blev ledet af professor i neurologi og medlem af UCSF Weill Institute for Neurosciences, Karunesh Ganguly MD, PhD. Artiklen var medforfattet af neurologiforsker Nikhilesh Natraj, PhD, Sarah Seko, Adelyn Tu-Chan og Reza Abiri fra University of Rhode Island. Bemærkelsesværdigt blev projektet finansieret af National Institutes of Health og UCSF Weill Institute for Neurosciences.

Fremtiden for Brain-Computer Interface

Ifølge teamet er målet nu at gøre den robotarme glattere og mere responsiv. De ønsker også at udvide, hvilke kommandoer de BCI kortlægger, for at øge enhedens alsidighed og kapaciteter. I fremtiden håber de at omfatte andre kropsdele.

Virkelige Anvendelser & Tidslinje for Brain-Computer Interfaces

Denne fremskridt kan have en omvæltende effekt på tværs af flere industrier. Evnen til at styre og interagere med enheder ved hjælp af mentale kontroller ville være en væsentlig opgradering af nuværende metoder. Det kan også åbne døren for en ny æra inden for sundhedspleje, elektronik og læring.
Selvom nuværende implementeringer er i eksperimentelle faser, kan udbredte kliniske anvendelser blive mulige inden for de næste 5 til 10 år, afhængigt af yderligere forskningsresultater og regulatoriske godkendelser. Derfor er der stor begejstring omkring de fremtidige muligheder for denne teknologi.

Medicinsk

Et område, hvor denne teknologi anses for at finde en umiddelbar anvendelse, er inden for protesesektoren. Brugen af BCI-teknologi betragtes af mange som toppen af protesekontrolsystemer. Denne nylige opdagelse giver betydeligt håb for at genoprette autonomi til personer med lammelse ved at lade dem interagere med deres miljø gennem tankestyrte enheder.

Innovative Virksomheder, der Leder Udviklingen af Brain-Computer Interface

Kapløbet om at skabe hjerne-styrede computere og enheder har fået flere virksomheder til at investere millioner i forskning og udvikling. Disse virksomheder søger at indlede en ny æra inden for sundhed og videnskab ved hjælp af enheder, der overgår nutidens tastaturer og traditionelle inputmetoder. Her er en virksomhed, der baner vejen for disse bestræbelser og gør sig bemærket på markedet.

Synchron

Synchron gik i tjeneste i 2012 som en banebrydende neuroteknologivirksomhed. Bemærkelsesværdigt blev virksomheden kaldt SmartStent. I 2016 rebrandede firmaet til Synchron, hvilket afspejler deres fokus på at udvikle minimalt invasive BCI’er for at hjælpe patienter, der lider af tab af mobilitet.

I dag tilbyder Synchron en række produkter, herunder et endovaskulært neuralt interface kaldet Stentrode. Denne enhed kommer ind i kroppen via arterier og implanterer sig selv i hjernen for at støtte motoriske færdigheder. Dette produkt repræsenterer Synchron’s konstante innovationer i sektoren.

Derudover har virksomheden sikret tilskud fra US Department of Defense’s Advanced Research Projects Agency (DARPA), United States Department of Defense (DoD) og National Health and Medical Research Council of Australia.

De, der søger eksponering til BCI-markedet, bør foretage yderligere research på Synchron. Dens markedsposition og banebrydende indsats fortsætter med at lægge grundlaget for fremtidige AI-drevne computergrænseflader og mere.

Brain-Computer Interfaces vil ændre alt.

Nutidens BCI-fremskridt kan få dine sci-fi-drømme til at virke forældede. Fremtidens computere vil kunne kommunikere direkte med dig via tanker, hvilket åbner døren til en ny æra af menneskelig evolution. For nu fortjener disse ingeniører stående applaus for deres indsats.

Lær om andre Robotics-gennembrud I dag.

Studier Refereret:

^{1. Ganguly, K., Natraj, N., Seko, S., Tu-Chan, A., & Abiri, R. (2024). Sampling af repræsentationsplasticitet af simple forestillede bevægelser over dage muliggør langsigtet neuroprotesekontrol. Cell, 2024. https://doi.org/10.1016/j.cell.2024.02.029}