Самообучаемый интерфейс мозг-компьютер

Профессор биомедицинской инженерии Джо Фрэнсис из Университета Хьюстона сообщает, что выводы его команды позволяют разработать автономно обновляемый интерфейс мозг-компьютер (BCI), который улучшается сам по себе, самообучаясь без необходимости программирования.

Результаты могут иметь прикладное значение для роботизированного протезирования, создавая протезы, которые будут чувствовать, что пользователь хочет сделать (например, взять стакан) и сделать это. Работа представляет собой значительный шаг вперед для протезирования, которое сможет работать более естественно.

«Это поможет протезам работать так, как того хочет пользователь», – сказал Фрэнсис. «BCI быстро интерпретирует то, что вы собираетесь делать, и то, что вы ожидаете, в зависимости от этого, результат будет либо хорошим, либо плохим». Фрэнсис сказал, что анализ информации повышает способность учёных прогнозировать результат вознаграждения до 97% по сравнению с серединой 70-х годов.

Анализ предположения намерения

Чтобы понять влияние вознаграждения на первичную двигательную активность коры головного мозга, Фрэнсис использовал имплантированные электроды для исследования мозговых волн и всплесков активности мозга, в то время как выполнялись задачи, для того, чтобы увидеть, как взаимодействия модулируются условными ожиданиями вознаграждения.

«Мы предполагаем намерение, и мы декодируем эту информацию с помощью алгоритма и позволяем ей управлять, например, компьютерным курсором или роботизированной рукой», – сказал Фрэнсис. Интересно, что даже когда задача требовала отсутствия движения, просто пассивно наблюдая за деятельностью, интерфейс мозг-компьютер BCI был в состоянии определить намерение, потому что паттерн нейронной активности напоминал таковой во время движения.

«Это важно, потому что нам придется извлекать эту информацию и другие плоды умственной деятельности из людей, которые на самом деле не могут двигаться, поэтому это наш способ показать, что мы всё еще можем получать информацию, даже если нет движения», – сказал Фрэнсис. В этом процессе используются зеркальные нейроны, которые срабатывают, когда предпринимаются действия и наблюдается действие.

«Этот анализ мотивации вознаграждения в первичной моторной коре может быть полезен для разработки автономно обновляемого интерфейса мозг-машина», – сказал Фрэнсис.

Junmo An, Taruna Yadav, John P. Hessburg, Joseph T. Francis.

Reward Expectation Modulates Local Field Potentials, Spiking Activity and Spike-Field Coherence in the Primary Motor Cortex.

eNeuro, 2019; ENEURO.0178-19.2019 DOI: 10.1523/ENEURO.0178-19.2019