Neue machine-learning-Algorithmus reduziert die Notwendigkeit für Gehirn-computer-Schnittstellen zu Unterziehen Rekalibrierung

Forscher von der Carnegie Mellon University (CMU) und der Universität von Pittsburgh (Pitt) veröffentlicht Forschung in die Natur der Biomedizinischen Technik , dass wird sich drastisch verbessern Gehirn-computer-Schnittstellen und Ihre Fähigkeit zu bleiben, stabilisiert Sie während der Verwendung erheblich verringert oder möglicherweise sogar eliminiert die Notwendigkeit, neu zu Kalibrieren, diese Geräte während oder zwischen den Experimenten.

Brain-computer-interfaces (BCI) sind Geräte, die es ermöglichen Personen mit motorischen Behinderungen wie Lähmungen Steuern Prothesen, computer, Cursor, und andere Schnittstellen mit nur Ihren Köpfen. Eines der größten Probleme, mit denen die BCI verwendet in einer klinischen Einstellung ist die Instabilität der neuronalen Aufnahme selbst. Im Laufe der Zeit, die Signale, die Sie abgeholt BCI variieren kann, und ein Ergebnis dieser Veränderung ist, dass eine Person kann verlieren die Fähigkeit zur Kontrolle Ihrer BCI.

Als Ergebnis dieser Kontrollverlust, Forscher bitten Sie den Benutzer, gehen Sie durch eine Rekalibrierung Sitzung, die erfordert, Sie zu stoppen, was Sie tun, und setzen Sie die Verbindung zwischen Ihrer mentalen Befehle und die Aufgaben, die durchgeführt wird. In der Regel, anderen Menschen-Techniker beteiligt ist, nur um mit dem system zu arbeiten.

„Stell dir vor, jeder Zeit wollten wir nutzen unsere Handys, um es zu bekommen, um korrekt zu arbeiten, mussten wir irgendwie den Bildschirm Kalibrieren, damit es wusste, in welchem Teil des Bildschirm wurden wir darauf an“, sagt William Bishop, der schon vorher ein Ph. D.-student und postdoctoral fellow in der Abteilung für Machine Learning an der CMU und ist heute fellow am Janelia Farm Research Campus. „Der aktuelle Stand der Technik in der BCI-Technologie ist die Art, wie, die. Nur, um diese BCI-Geräte, Benutzer haben diese häufige Nachkalibrierung. Also das ist sehr unbequem für die Benutzer, sowie die Techniker die Wartung der Geräte.“

Das Papier, „Eine stabilisierte brain-computer-interface auf der Basis von neuronalen vielfältigen Ausrichtung“, stellt ein machine-learning-Algorithmus, der die Konten für diese beiden unterschiedlichen Signale und ermöglicht es dem einzelnen, weiterhin die Steuerung des BCI in der Gegenwart dieser Instabilitäten. Durch die Nutzung der Feststellung, dass neuronale population Aktivität befindet sich in einem niedrig-dimensionalen „neuronale vielfältig,“ die Forscher können die Stabilisierung neuraler Aktivität, um zu gewährleisten, BCI-Auftritt vor der Aufnahme Instabilitäten.

„Wenn wir sagen, „Stabilisierung“, „was wir meinen ist, dass unsere neuronale Signale instabil sind, möglicherweise, weil wir die Aufnahme von anderen Neuronen über die Zeit“, erklärt Alan Degenhart, ein Postdoc-Forscher in Elektrotechnik und informatik an der CMU. „Wir haben herausgefunden, einen Weg, um verschiedene Populationen von Neuronen über die Zeit und Ihre Informationen im wesentlichen zu offenbaren, ein gemeinsames Bild der Berechnung, das geht in das Gehirn, damit man die BCI-kalibriert trotz neuronalen Instabilitäten.“

Die Forscher sind nicht die ersten, die vorschlagen, eine Methode für selbst-Rekalibrierung; das problem der instabilen neuronalen Aufnahmen wurden in der Luft für eine lange Zeit. Einige Studien haben vorgeschlagen, self-Rekalibrierung-Verfahren, aber vor das Problem der Umgang mit Instabilitäten. Die Methode, die in diesem Papier präsentiert, ist in der Lage sich zu erholen von katastrophalen Instabilitäten, weil es sich nicht auf das Thema gut abschneiden, während der Rekalibrierung.

„Lassen Sie uns sagen, daß die Instabilität so groß waren, so dass das Thema nicht mehr in der Lage zur Steuerung des BCI,“ erklärt Byron Yu, professor of electrical and computer engineering und biomedizinische Technik an der CMU. „Bestehende selbst-Rekalibrierung-Verfahren sind wahrscheinlich zu kämpfen, in diesem Szenario, während bei unserer Methode haben wir gezeigt, kann es in vielen Fällen erholen sich von dieser katastrophalen Instabilitäten.“

„Neuronale Aufnahme Instabilitäten sind nicht gut charakterisiert, aber es ist ein sehr großes problem“, sagt Emily Oby, ein Postdoc-Forscher in der Neurobiologie Pitt. „Es gibt nicht viel Literatur, die wir zeigen können, aber anekdotisch, viele der Labors, die klinische Forschung mit BCI zu tun haben mit diesem Problem sehr Häufig. Diese Arbeit hat das Potenzial, erheblich zur Verbesserung der klinischen Bewährung von BCIs und zu stabilisieren helfen andere neuronale Schnittstellen.“