Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

La surface adjacente portable de cerveau-machine a pu aider des handicapés à régler un fauteuil roulant ou un véhicule

La combinaison des classes neuves des électrodes de nanomembrane avec l'électronique flexible et un algorithme apprenant profond a pu aider des handicapés sans fil à régler un fauteuil roulant électrique, à agir l'un sur l'autre avec un ordinateur ou à exploiter un petit véhicule robotisé sans mettre un capuchon encombrant de cheveu-électrode ou contester avec des fils.

En fournissant une surface adjacente entièrement portative et sans fil de cerveau-machine (BMI), le système portable a pu offrir une amélioration au-dessus de l'électroencéphalographie conventionnelle (EEG) pour les signes de mesure des potentiels visuellement évoqués dans l'esprit humain. La capacité du système de mesurer des signes d'EEG pour l'indice de masse corporelle a été évaluée avec six sujets humains, mais pas étudiée avec les personnes handicapées.

Le projet, conduit par des chercheurs de l'Institut de Technologie de la Géorgie, université de Kent et université de l'Etat de Wichita, était rapporté le 11 septembre dans l'intelligence informatique de nature de tourillon.

Ce travail indique des stratégies principales pour concevoir un système ergonomique et portatif d'EEG pour une large gamme de dispositifs d'aide, des systèmes domestiques intelligents et des surfaces adjacentes de neuro-jeu. L'innovation primaire est dans le développement entièrement d'un progiciel intégré de systèmes de contrôle à haute résolution et de circuits d'EEG dans un système peau-conformé miniaturisé. »

Woon-Hong Yeo, professeur adjoint, école d'aspérule de George W. du tech de la Géorgie de l'industrie mécanique et Wallace H. Coulter Department du génie biomédical

L'indice de masse corporelle est une part essentielle de technologie de rééducation qui permet à ceux avec la sclérose latérale amyotrophique (ALS), la rappe continuelle ou d'autres invalidités sévères de moteur de régler les systèmes prothétiques. La collecte des signes de cerveau connus sous le nom de potentiels pratiquement évoqués équilibrés (SSVEP) exige maintenant l'utilisation d'un capuchon électrode-clouté de cheveu qui emploie les électrodes mouillées, les adhésifs et les fils pour brancher aux matériels de l'ordinateur qui interprètent les signes.

Yeo et ses collaborateurs tirent profit d'une classe neuve des détecteurs flexibles et sans fil et de l'électronique qui peuvent être facilement appliqués à la peau. Le système comprend trois composantes primaires : électrodes hautement flexibles et cheveu-montées qui établissent le contact direct avec du cuir chevelu par le cheveu ; une électrode ultra-mince de nanomembrane ; et circuity mou et flexible avec un élément de la télémesure de Bluetooth. La caractéristique enregistrée d'EEG du cerveau est traitée dans les circuits flexibles, puis sans fil fournie à un ordinateur de tablette par l'intermédiaire de Bluetooth de jusqu'à 15 mètres d'à l'opposé.

Au delà des conditions de détection, trouver et analyser des signes de SSVEP ont été provocants à cause de l'amplitude inférieure de signe, qui est de l'ordre des dizaines de microvolts, assimilée au bruit électrique dans le fuselage. Les chercheurs doivent également traiter la variation des esprits humains. Pourtant exactement la mesure des signes est essentielle à déterminer ce que l'usager veut que le système fait.

Pour relever ces défis, l'équipe de recherche s'est tournée vers des algorithmes apprenants profonds de réseau neuronal fonctionnant sur les circuits flexibles.

« Méthodes apprenantes profondes, utilisées généralement classifier des illustrations des choses quotidiennes telles que des chats et des crabots, sont employées pour analyser les signes d'EEG, » a dit ANG de Chee Siang (JIM), conférencier supérieur dans les multimédia/systèmes de Digitals à l'université de Kent. « Comme des illustrations d'un crabot qui peut avoir beaucoup de variations, signes d'EEG ayez le même défi de la variabilité élevée. Les méthodes apprenantes profondes ont prouvé à fonctionner bien avec des illustrations, et nous prouvons qu'elles fonctionnent très bien avec des signes d'EEG aussi bien. »

De plus, les chercheurs ont employé apprendre profondément des modèles pour recenser quelles électrodes sont les plus utiles pour recueillir des informations pour classifier des signes d'EEG. « Nous avons constaté que le modèle peut recenser l'emplacement approprié dans le cerveau pour l'indice de masse corporelle, qui est en accord avec les experts humains, » l'ANG ajouté. « Ceci réduit le numéro des détecteurs que nous avons besoin, de la réduction du coût et portabilité d'amélioration. »

Le système utilise trois électrodes élastomères de cuir chevelu retenues sur la tête avec une bande de tissu, l'électronique sans fil ultra-mince était conforme au col, et à une électrode estampée comme une peau mise sur la peau en dessous d'une oreille. Les électrodes molles sèches adhèrent à la peau et n'emploient pas l'adhésif ou le gel. Le long de facilement de l'utilisation, le système a pu réduire le bruit et l'interférence et fournir des taux de transfert de données plus élevés comparés aux systèmes actuels.

Le système a été évalué avec six sujets humains. L'algorithme apprenant profond avec la catégorie en temps réel de caractéristiques a pu régler un fauteuil roulant électrique et un petit véhicule robotisé. Les signes pourraient également être employés pour régler un système d'affichage sans utiliser un clavier, manche ou tout autre Contrôleur, Yeo a dit.

« Les systèmes particuliers d'EEG doivent couvrir la majorité du cuir chevelu pour obtenir des signes, mais les utilisateurs possibles peuvent être sensibles au sujet de s'user les, » Yeo a ajouté. « Ceci miniaturisé, dispositif mou portable est entièrement intégré et conçu pour être confortable pour l'usage à long terme. »

Les prochaines opérations comprendront améliorer les électrodes et rendre le système plus utile pour les personnes moteur-nuies.

La « future étude se concentrerait sur l'enquête sur les électrodes auto-adhésives entièrement élastomères et sans fil qui peuvent être montées sur le cuir chevelu velu sans n'importe quel support de couvre-chef, avec davantage de miniaturisation de l'électronique pour comporter plus d'électrodes pour l'usage avec d'autres études, » Yeo a dit. « Le système d'EEG peut également être modifié pour surveiller des potentiels ou l'imagination moteur-évoqués de moteur pour les sujets moteur-nuis, qui seront encore étudiés comme travaux futurs sur des applications thérapeutiques. »

Le long terme, le système peut avoir le potentiel pour d'autres applications où une surveillance plus simple d'EEG serait utile, comme dans des études de sommeil faites par Audrey Duarte, un professeur agrégé à l'école du tech de la Géorgie de la psychologie.

« Ce système de contrôle d'EEG a le potentiel de permettre finalement à des scientifiques de surveiller l'activité neurale humaine d'une voie relativement discrète pendant que les sujets se répandent leurs durées, » il a dit. « Par exemple, M. Yeo et moi emploient actuel un système assimilé à l'activité neurale de moniteur tandis que les gens dorment dans le confort de leurs propres maisons, plutôt que le laboratoire avec le matériel encombrant, rigide, inconfortable, comme est habituellement fait. L'activité neurale liée au sommeil de mesure avec un système imperceptible peut nous permettre de recenser des biomarqueurs neufs et non envahissants de la pathologie neurale liée à l'Alzheimer prévisionnelle de la démence. »

Source:
Journal reference:

Mahmood, M. et al. (2019) Fully portable and wireless universal brain–machine interfaces enabled by flexible scalp electronics and deep learning algorithm. Nature Machine Intelligence. doi.org/10.1038/s42256-019-0091-7.