第一个'即插即用'大脑假肢在瘫痪的人中展示了

稳定的录音让大脑和机器学习系统建立“合作关系”

通过 尼古拉斯威尔

在一个重大的进步中,研究人员在脑控制的假肢肢体上工作 UCSF威尔神经科学研究所 已经表明,机器学习技术有助于瘫痪的个人学会使用其大脑活动来控制计算机光标而无需广泛的日常再培训,这是所有过去脑电电脑界面(BCI)努力的要求。

ECoG electrode array and wires

ECOG阵列包括电极垫,其外科手术放置在大脑的表面上。 照片由Noah Berger

“近年来,BCI领域取得了很大进展,但由于每天必须重置和重新校准现有系统,因此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伤一遍又一遍地骑自行车,“学习高级作者 Karunesh Ganguly,博士,博士,副教授,旧金山神经病学系。 “适应人工学习系统与大脑的复杂长期学习模式顺利工作,这是在瘫痪者中从未如此展示过的东西。”

“即插即用”性能的成就演示了所谓的ECOG电极阵列的BCI应用程序的值。 ECOG阵列包括电极垫,其围绕上述后的尺寸,所述电极尺寸在手术上放置在大脑表面上。他们允许长期,稳定的神经活动记录,并已被批准用于癫痫患者的癫痫发作。相比之下,过去的BCI努力使用了“针垫”风格的尖锐电极阵列,用于穿透脑组织以进行更敏感的记录,但往往会随着时间的推移而转移或失去信号。在这种情况下,作者获得了在瘫痪的受试者中的eCog阵列的长期慢性植入的调查装置批准,以测试它们的安全性和功效,以长期稳定的BCI植入物。  

在他们的新论文中,发布了9月。 7 in. 自然生物技术,Ganguly的团队记录在个人中使用eCog电极阵列,瘫痪所有四肢瘫痪(四方峡谷)。参与者也注册了临床试验,旨在测试ECOG阵列的使用,让瘫痪患者控制假肢手臂和手,但在新纸上,参与者使用植入物在屏幕上控制计算机光标。  

研究人员开发了一种BCI算法,它使用机器学习来匹配ECOG电极记录的大脑活动,以对用户的期望的光标运动。最初,研究人员遵循每天重置算法的标准做法。参与者将首先想象特定的颈部和手腕移动,同时观察光标在屏幕上移动。逐渐将计算机算法更新本身以使光标的动作与这种生成的大脑活动的动作匹配,有效地将光标控制到用户。但是,每天开始这个过程对可以实现的控制水平进行严重限制。它可能需要数小时才能掌握设备控制,并且某些日子参与者必须完全放弃。  

Karunesh Ganguly(右),MD,博士,与2016年学生Stefan Lemke讨论Ecog Brain录制数据。 照片由Steve Babuljak

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,而无需每天重置它。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多天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,但很快参与者能够立即实现最高级别的表现。  

“我们发现我们可以进一步改善学习,通过确保算法不比大脑更快地更新 - 每10秒的大约一次速度,”练习神经科医生 UCSF健康旧金山退伍军人管理医疗中心’s 神经病学 & Rehabilitation Service. “We see this as trying to build a partnership between two learning systems – brain and computer – that ultimately lets the artificial interface become an extension of the user, like their own hand or arm.”

随着时间的推移,参与者的大脑能够扩大神经活动的模式,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 - 修剪过程,就像大脑如何被认为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”,这些模型从未发生过每日重置和重新校准。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的相同模式,有效地将算法转回其前状态。

“一旦用户建立了用于控制界面的解决方案的持久存储器,就没有必要重置,”Ganguly表示。 “大脑刚刚迅速收敛回相同的解决方案。”

最终,一旦建立了专业知识,研究人员就可以关闭算法需要完全更新算法,并且参与者可以简单地开始每天使用接口,而无需再振缩或重新校准。在没有再训练的情况下,表现没有超过44天下降,并且参与者甚至可以在没有练习的情况下过多的日子,并且表现得很小。以一种形式的BCI控制(移动光标)建立稳定的专业知识(移动光标)也允许研究人员开始“堆叠”额外的学习技能 - 例如“单击”虚拟按钮 - 没有性能损失。

这种直接的“即插即用”BCI性能长期以来一直是该领域的目标,但已经超出了,因为大多数研究人员使用的“枕形”电极随着时间的推移而移动,改变了每个电极所看到的信号。而且,因为这些电极穿透脑组织,所以免疫系统往往会拒绝它们,逐渐损害它们的信号。 ECOG阵列不如这些传统植入物敏感,但它们的长期稳定性似乎弥补了这种缺点。 ECOG录音的稳定性对于长期控制更复杂的机器人系统,例如人为肢体,这是Ganguly 研究的下一阶段的关键目标。

“我们一直始终注意到设计技术没有最终的技术,所以说话,但这将实际上改善瘫痪患者的日常生活,”Ganguly表示。 “这些数据表明,基于ECOG的BCI是这种技术的基础。”  

作者: 该研究由Daniel Silversmith,Reza Abiri,Nicholas Hardy和UCSF的Nikhilesh Natraj和旧金山退伍军人事务医疗中心联合领导。 UCSF的Adelyn Tu-Chan和旧金山VA和UCSF的Edward Chang也是共同作者。 Ganguly是研究的相应作者。

资金: 该研究由美国资助国家卫生研究院(NIH)通过NIH董事的新创新奖计划(授予第1号DP2 HD087955)。该研究中使用的信号处理和解码方法的开发得到了Doris Duke慈善基金会(授予No.20011)。

披露: 作者声明没有竞争利益。

加州大学,旧金山(UCSF)专注于卫生科学,并致力于通过先进的生物医学研究,生命科学和健康专业的研究生级教育,卓越的患者护理促进全世界健康。 UCSF健康作为UCSF的主要学术医疗中心,包括UCSF的主要学术中心 排名排名第一的专业医院 和其他临床计划,并在海湾地区进行了隶属关系。