Met meerdere Brain-Computer Interface (BCI)-apparaten kunnen gebruikers nu alles doen, van het besturen van computercursors, tot het vertalen van neurale activiteit in woorden, tot het omzetten van handschrift in tekst. Hoewel een van de nieuwste BCI-voorbeelden zeer vergelijkbare taken lijkt uit te voeren, doet het dit zonder de noodzaak van tijdrovende, gepersonaliseerde kalibratie of neurochirurgie met hoge inzet.
Zoals onlangs beschreven in een studie gepubliceerd in PNAS-nexushebben onderzoekers van de Universiteit van Texas in Austin een draagbare pet ontwikkeld waarmee de drager complexe computertaken kan uitvoeren door hersenactiviteit te interpreteren in uitvoerbare commando’s. Maar in plaats van dat elk apparaat moet worden aangepast aan de specifieke neurale activiteit van de gebruiker, biedt het bijbehorende machine learning-programma een nieuwe, one-size-fits-all aanpak die de trainingstijd dramatisch verkort.
“Het trainen van een BCI-onderwerp begint doorgaans met een offline kalibratiesessie om gegevens te verzamelen om een individuele decoder te bouwen”, legt het team uit in een samenvatting van hun werk. “Deze initiële decoder is niet alleen tijdrovend, maar kan ook inefficiënt zijn omdat proefpersonen geen feedback ontvangen die hen helpt de juiste informatie te verkrijgen [sensorimotor rhythms] tijdens kalibratie.”
Om dit aan te pakken, ontwikkelden de onderzoekers een nieuw machinaal leerprogramma dat de specifieke behoeften van een individu identificeert en de op herhalingen gebaseerde training indien nodig aanpast. Vanwege deze interoperabele zelfkalibratie hebben cursisten geen begeleiding van een onderzoeksteam of complexe medische procedures nodig om het implantaat te plaatsen.
[Related: Neuralink shows first human patient using brain implant to play online chess.]
“Als we erover nadenken in een klinische setting, zal deze technologie ervoor zorgen dat we geen gespecialiseerd team nodig hebben voor dit kalibratieproces, dat lang en vervelend is”, zegt Satyam Kumar, een afgestudeerde student die bij het project betrokken is. in een recente verklaring. “Het zal veel sneller zijn om van patiënt naar patiënt te gaan.”
Ter voorbereiding hoeft de gebruiker alleen maar een van de extreem rode apparaten aan te trekken met elektrodestippen die op een badmuts lijken. Van daaruit verzamelen en verzenden de elektroden neurale activiteit naar nieuw gemaakte software die het onderzoeksteam tijdens de training kan decoderen. Dankzij de machine learning-mogelijkheden van het programma hebben ontwikkelaars de tijdrovende, gepersonaliseerde training vermeden die doorgaans nodig is om andere BCI-technologieën voor elke individuele gebruiker te kalibreren.
Gedurende een periode van vijf dagen leerden 18 proefpersonen zich mentaal voor te stellen dat ze een raceautospel en een eenvoudiger barbalanceringsprogramma speelden met behulp van een nieuwe trainingsmethode. De decoder was zelfs zo efficiënt dat gebruikers tegelijkertijd op de loopband en racegames konden trainen, in plaats van één voor één. Tijdens de jaarlijkse South by Southwest-conferentie vorige maand ging het UT Austin-team nog een stap verder. Tijdens de demonstratie droegen vrijwilligers een draagbare BCI en leerden vervolgens binnen enkele minuten een paar arm- en handrevalidatierobots te besturen.
Tot nu toe heeft het team hun BCI-limiet alleen getest op proefpersonen zonder motorische beperkingen, maar ze zijn van plan de mogelijkheden van hun decoder uit te breiden naar gebruikers met een beperking.
“Aan de ene kant willen we BCI vertalen naar het klinische gebied om mensen met een beperking te helpen”, zegt José del R. Millán, co-auteur van de studie en hoogleraar elektrotechniek en computerwetenschappen aan de UT. “Aan de andere kant moeten we onze technologie verbeteren om het gebruik ervan gemakkelijker te maken, zodat de impact op deze mensen met een handicap groter is.” Het team van Millán werkt ook aan het integreren van soortgelijke BCI-technologie in rolstoelen.