КЛЮЧЕВЫЕ МОМЕНТЫ
Интерфейсы "Мозг-машина" (BMI) позволяют декодировать активность человеческого мозга в команды, которые могут управлять устройствами.
В новом исследовании участники с параличом нижних конечностей научились мысленно управлять инвалидными колясками, используя интерфейсы "мозг-машина".
Способность BMI декодировать действия человека в команды является функцией как искусственного интеллекта, так и обучения человека.
Новое исследование, опубликованное в iScience, журнале Cell Press, показывает, как сильно парализованные люди могут мысленно управлять инвалидными колясками в реалистичной среде после неинвазивного обучения алгоритму интерфейса мозг-машина с поддержкой искусственного интеллекта (ИИ).
"Основная цель этого исследования - проверить гипотезу о том, что приобретение конечными пользователями навыков ИМТ имеет основополагающее значение для управления неинвазивной интеллектуальной инвалидной коляской с мозговым приводом в реальных условиях", - пишут авторы исследования из Техасского университета в Остине.
Интерфейсы мозг-машина, также известные как интерфейсы мозг-компьютер (BCIS), представляют собой нейротехнологические устройства, которые позволяют декодировать активность человеческого мозга в команды, которые могут управлять такими устройствами, как смартфоны, компьютеры, роботизированные конечности и инвалидные коляски.
"В этой работе мы демонстрируем, что три человека, страдающие тяжелой тетраплегией после травмы спинного мозга (SCI), научились управлять ИМТ на основе сенсомоторного ритма (SMR), чтобы управлять интеллектуальной роботизированной инвалидной коляской в реальных сценариях с разной степенью мастерства", - пишут исследователи.
Три мужчины с параличом нижних конечностей, также известные как тетраплегические, участники исследования были инвалидами-колясочниками из-за травм спинного мозга. Нейронная активность участников регистрировалась неинвазивно с помощью электроэнцефалографии (ЭЭГ), когда они сидели в инвалидном кресле, тренируясь три раза в неделю в течение определенного периода в два, три или пять месяцев.
Для исследования использовались технологии Matlab, OpenGL, роботизированная операционная система (ROS), eego ™ sport от ANT Neuro, TDX SP2 от Invacare и Hokuyo URG-04LX-UG01.
Чтобы обучить интерфейс "мозг-машина", участников попросили подумать о конкретных движениях с помощью визуальных подсказок. После обучения интерфейсу "мозг-машина" участникам было поручено мысленно управлять инвалидным креслом в загроможденной реальной среде.
"Наша работа показывает, что способность участников ориентироваться в естественной, загроможденной клинической среде прямо пропорциональна приобретенным навыкам ИМТ", - сообщили ученые.
У двух из трех участников произошли заметные изменения в паттернах нейронной активности, поскольку их точность в управлении устройством интерфейса "мозг-машина" улучшилась. У оставшегося участника была относительно стабильная нейронная активность в течение периода. Помимо небольшого повышения точности на начальных тренировках, его производительность достигла пика и впоследствии не сильно изменилась.
Сила ИИ и человеческого обучения
Основываясь на индивидуальных выступлениях участников, исследователи узнали, что способность алгоритма машинного обучения различать и расшифровывать активность мозга для различных команд движения была функцией как искусственного интеллекта, так и обучения участников на людях.
Исследователи обнаружили, что совместное управление с роботизированным искусственным интеллектом и предметное обучение являются важнейшими компонентами трансляционных неинвазивных интерфейсов "мозг-машина".
С учетом этих новых идей исследователи предполагают, что в будущих исследованиях следует изучить способы “сочетания машинного обучения и предметного обучения" и что "необходимы более масштабные исследования, чтобы определить точный трансляционный потенциал вспомогательных робототехнических технологий BMI”.
источник: Подробнее ➤
66.4к
