Onderzoekers van het Moscow Institute of Physics and Technology hebben een model ontwikkeld voor het voorspellen van handbewegingstrajecten op basis van corticale activiteit:signalen worden rechtstreeks gemeten vanuit een menselijk brein. De voorspellingen zijn gebaseerd op lineaire modellen. Dit ontlast de processor, omdat het minder geheugen en minder berekeningen vereist in vergelijking met neurale netwerken. Als resultaat, de processor kan worden gecombineerd met een sensor en geïmplanteerd in de schedel. Door het model te vereenvoudigen zonder de voorspellingen te verslechteren, wordt het mogelijk om te reageren op de veranderende hersensignalen. Deze technologie zou exoskeletten kunnen aandrijven waarmee patiënten met beperkte mobiliteit weer in beweging kunnen komen. De krant is gepubliceerd in expert systemen met applicaties , het toonaangevende tijdschrift op het gebied van kunstmatige intelligentie.

Schade aan het ruggenmerg verhindert dat door de hersenen gegenereerde motorische signalen de spieren bereiken. Als resultaat, patiënten kunnen zich niet meer vrij bewegen. Om beweging te herstellen, hersencortex signalen worden gemeten, gedecodeerd, en overgebracht naar een exoskelet. Decodering betekent het interpreteren van de signalen als een voorspelling van de gewenste beweging van de ledematen. Om signalen van hoge kwaliteit op te vangen, de sensor moet direct in de hersenpan worden geïmplanteerd.

Chirurgische implantatie van een sensor met elektroden op de motorcortex, het gebied van de hersenen dat verantwoordelijk is voor willekeurige bewegingen, is al uitgevoerd. Zo'n sensor wordt gevoed door een compacte batterij die draadloos wordt opgeladen. Het apparaat wordt geleverd met een verwerkingseenheid die de binnenkomende signalen verwerkt, en een radiozender die de gegevens doorstuurt naar een externe ontvanger. De processor wordt warm tijdens het gebruik, wat problematisch wordt, omdat het in contact staat met de hersenen. Dit legt een beperking op het verbruikte vermogen, wat cruciaal is voor het decoderen van het signaal.

Het adequaat meten van hersensignalen is slechts een deel van de uitdaging. Om deze gegevens te gebruiken om kunstmatige ledematen te controleren, bewegingstrajecten moeten worden gereconstrueerd op basis van het elektrocorticogram - een registratie van de elektrische activiteit van de hersenen. Dit is het punt van signaaldecodering. Het onderzoeksteam onder leiding van professor Vadim Strijov van het MIPT werkt aan modellen voor het voorspellen van handtrajecten op basis van elektrocorticogrammen. Dergelijke voorspellingen zijn nodig om exoskeletten mogelijk te maken die patiënten met een verminderde motorische functie zouden kunnen beheersen door zich natuurlijke bewegingen van hun ledematen voor te stellen.

"We zijn overgestapt op lineaire algebra voor het voorspellen van bewegingstrajecten van ledematen. Het voordeel van de lineaire modellen ten opzichte van neurale netwerken is dat de optimalisatie van modelparameters veel minder bewerkingen vereist. Dit betekent dat ze zeer geschikt zijn voor een trage processor en een beperkt geheugen, " legt Strijov uit, de senior auteur van het artikel.

"We hebben het probleem opgelost om een ​​model te bouwen dat eenvoudig zou zijn, robuust, en nauwkeurig, " voegt Strijov toe, die hoofdonderzoeker is bij het Machine Intelligence Laboratory van het MIPT. "Door simpel, Ik bedoel, er zijn relatief weinig parameters. Robuustheid verwijst naar het vermogen om een ​​redelijke voorspellingskwaliteit te behouden bij kleine veranderingen van parameters. Precisie betekent dat de voorspellingen de natuurlijke fysieke ledematenbewegingen adequaat benaderen. Om dit te behalen, we voorspellen bewegingstrajecten als een lineaire combinatie van de beschrijvingen van de elektrocorticogramkenmerken."

Elke elektrode voert zijn eigen signaal uit dat wordt weergegeven door een frequentie en een amplitude. De frequenties zijn onderverdeeld in banden. De functiebeschrijving is een geschiedenis van corticogramsignaalwaarden voor elke elektrode en elke frequentieband. Deze signaalgeschiedenis is een tijdreeks, een vector in lineaire ruimte. Elk kenmerk is dus een vector. De voorspelling van het handbewegingstraject wordt berekend als een lineaire combinatie van kenmerkvectoren, hun gewogen som. Om de optimale gewichten voor het lineaire model te vinden, dat wil zeggen, die resulteren in een adequate voorspelling - een stelsel lineaire vergelijkingen moet worden opgelost.

Echter, de oplossing voor het bovengenoemde systeem is onstabiel. Dit is een gevolg van het feit dat de sensoren dicht bij elkaar zijn geplaatst, zodat naburige sensoren vergelijkbare signalen afgeven. Als resultaat, de geringste verandering in de signalen die worden opgevangen, veroorzaakt een aanzienlijke verandering in de trajectvoorspelling. Daarom, het probleem van de reductie van de feature space-dimensionaliteit moet worden opgelost.

De auteurs van het artikel introduceren een methode voor het selecteren van kenmerken op basis van twee criteria. Eerst, de paren kenmerken moeten verschillend zijn, en ten tweede, hun combinaties moeten de doelvector redelijk goed benaderen. Met deze benadering kan de optimale functieset worden verkregen, zelfs zonder de modelparameters te berekenen. Rekening houdend met de onderlinge posities van de sensoren, kwamen de onderzoekers met een simpele, robuust, en vrij nauwkeurig model, die vergelijkbaar is met zijn analogen in termen van voorspellingskwaliteit.

In hun toekomstige werk, het team is van plan om het probleem van de baanbeschrijving van de ledematen aan te pakken in het geval van een variabele hersenstructuur.

Strijov legt uit:"Door te bewegen en een reactie te krijgen van de omgeving, mensen leren. De structuur van de hersenen verandert. Nieuwe verbindingen vormen, waardoor het model overbodig wordt. We moeten een model voorstellen dat zich zou aanpassen aan de veranderingen in de hersenen door zijn eigen structuur te veranderen. Deze taak is verre van eenvoudig, maar we werken eraan."