Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

L'interfaccia portabile del cervello-commputer ha potuto aiutare i disabili a gestire una sedia a rotelle o un veicolo

Combinando le nuove classi di elettrodi del nanomembrane con l'elettronica flessibile e un algoritmo di apprendimento profondo ha potuto aiutare i disabili senza fili a gestire una sedia a rotelle elettrica, ad interagire con un computer o a fare funzionare un piccolo veicolo robot senza indossare un cappuccio ingombrante dell'capelli-elettrodo o contendersi con i collegare.

Fornendo un'interfaccia completamente portatile e wireless del cervello-commputer (BMI), il sistema portabile ha potuto offrire un miglioramento sopra l'elettroencefalografia convenzionale (EEG) per i segnali di misurazione dai potenziali visivamente evocati nel cervello umano. La capacità del sistema di misurare i segnali di elettroencefalogramma per BMI è stata valutata con sei soggetti umani, ma non è stata studiata con le persone invalide.

Il progetto, condotto dai ricercatori dal Georgia Institute of Technology, università di risonanza e Wichita State University, è stato riferito l'11 settembre nell'intelligenza artificiale della natura del giornale.

Questo lavoro riferisce le strategie fondamentali per progettare un sistema ergonomico e portatile di elettroencefalogramma per una vasta gamma di unità assistive, i sistemi domestici astuti e le interfacce di neuro-gioco. L'innovazione primaria è nello sviluppo di un pacchetto completamente integrato dei sistemi di controllo e dei circuiti ad alta definizione di elettroencefalogramma all'interno di un sistema interfaccia-conforme miniaturizzato.„

Woon-Hong Yeo, assistente universitario, banco dell'asperula di George W. della tecnologia di Georgia di ingegneria meccanica e Wallace H. Coulter Department dell'assistenza tecnica biomedica

BMI è una parte essenziale di tecnologia di ripristino che permette che quelli con la sclerosi laterale amiotrofica (ALS), il colpo cronico o altre inabilità severe del motore gestiscano i sistemi prostetici. I segnali del cervello della riunione conosciuti come i potenziali virtualmente evocati dello costante-stato (SSVEP) ora richiede l'uso di un cappuccio elettrodo-fissato dei capelli che usa gli elettrodi, i collanti ed i collegare bagnati per connettere con il materiale informatico che interpreta i segnali.

Yeo ed i suoi collaboratori stanno approfittando di nuova classe di sensori flessibili e wireless e di elettronica che possono applicarsi facilmente all'interfaccia. Il sistema comprende tre componenti primarie: elettrodi altamente flessibili e capelli-montati che stabiliscono il contatto diretto con il cuoio capelluto tramite capelli; un elettrodo ultrasottile del nanomembrane; e circuity molle e flessibile con un'unità di telemetria di Bluetooth. I dati registrati di elettroencefalogramma dal cervello sono elaborati nei circuiti flessibili, quindi senza fili sono consegnati ad un computer della compressa via Bluetooth di distanza da fino a 15 metri.

Oltre i requisiti di percezione, individuare ed analizzare i segnali di SSVEP sono stati provocatorie a causa dell'ampiezza bassa del segnale, che è nell'ordine dei dieci dei micro-volt, simile a disturbo elettrico nell'organismo. I ricercatori anche devono occuparsi della variazione in cervelli umani. Eppure esattamente misurare i segnali è essenziale a determinare che cosa l'utente vuole il sistema fare.

Per indirizzare quelle sfide, il gruppo di ricerca si è girato verso in profondità l'apprendimento degli algoritmi della rete neurale che funzionano sui circuiti flessibili.

“Metodi d'apprendimento profondi, comunemente usati classificare le maschere delle cose di ogni giorno quali i caponi ed i cani, è usata per analizzare i segnali di elettroencefalogramma,„ ha detto il ANG di Chee Siang (JIM), professore di seconda fascia nelle multimedia/sistemi di Digital all'università di risonanza. “Come le maschere di un cane che può avere molte variazioni, segnali di elettroencefalogramma abbia la stessa sfida di alta variabilità. I metodi d'apprendimento profondi sono risultato lavorare bene con le maschere ed indichiamo che funzionano molto bene con i segnali di elettroencefalogramma pure.„

Inoltre, i ricercatori hanno usato in profondità l'apprendimento dei modelli per identificare quali elettrodi sono il più utile per riunire le informazioni per classificare i segnali di elettroencefalogramma. “Abbiamo trovato che il modello può identificare le posizioni pertinenti nel cervello per BMI, che è in accordo gli esperti umani,„ il ANG aggiunto. “Questo diminuisce il numero dei sensori che abbiamo bisogno di, riducendo il costo e migliorando la trasferibilità.„

Il sistema utilizza tre elettrodi elastomerici del cuoio capelluto tenuti sulla testa con una banda del fabbricato, l'elettronica wireless ultrasottile si è conformata al collo e ad un elettrodo stampato del tipo di interfaccia collocato sull'interfaccia sotto un orecchio. Gli elettrodi molli asciutti aderiscono all'interfaccia e non usano il collante o il gel. Lungo facilmente di uso, il sistema potrebbe diminuire il disturbo e l'interferenza e fornire le più alte tariffe di trasmissione dei dati ha confrontato ai sistemi attuali.

Il sistema è stato valutato con sei soggetti umani. L'algoritmo di apprendimento profondo con la classificazione in tempo reale di dati ha potuto gestire una sedia a rotelle elettrica e un piccolo veicolo robot. I segnali potrebbero anche essere usati per gestire un sistema di visualizzazione senza per mezzo di una tastiera, leva di comando o l'altro regolatore, Yeo ha detto.

“I sistemi tipici di elettroencefalogramma devono riguardare la maggior parte del cuoio capelluto per ottenere i segnali, ma gli utenti potenziali possono essere sensibili circa l'uso loro,„ Yeo ha aggiunto. “Questo miniaturizzato, unità molle portabile completamente è integrato e destinato per stare bene per uso a lungo termine.„

I punti seguenti includeranno il miglioramento degli elettrodi e rendere il sistema più utile per le persone motore-alterate.

“Lo studio futuro metterebbe a fuoco su indagine sugli elettrodi autoadesivi completamente elastomerici e wireless che possono essere montati sul cuoio capelluto peloso senza alcun supporto dal copricapo, con ulteriore miniaturizzazione dell'elettronica per incorporare più elettrodi per uso con altri studi,„ Yeo ha detto. “Il sistema di elettroencefalogramma può anche essere modificato per riflettere i potenziali o l'immaginazione motore-evocati del motore per gli oggetti motore-alterati, che più ulteriormente saranno studiati come lavori futuri sulle applicazioni terapeutiche.„

Il lungo termine, il sistema può avere potenziale per altre applicazioni dove il video più semplice di elettroencefalogramma sarebbe utile, quali negli studi di sonno fatti da Audrey Duarte, un professore associato a scuola della tecnologia della Georgia della psicologia.

“Questo sistema di controllo di elettroencefalogramma ha il potenziale definitivo di permettere che gli scienziati riflettano l'attività neurale umana in un modo relativamente discreto mentre gli oggetti vanno circa le loro vite,„ lei ha detto. “Per esempio, il Dott. Yeo ed io corrente stanno usando un simile sistema ad attività neurale del video mentre la gente dorme nella comodità delle loro proprie case, piuttosto che il laboratorio con strumentazione ingombrante, rigida, scomoda, come è fatto abitualmente. L'attività neurale in relazione con il sonno di misurazione con un sistema impercettibile può permettere che noi identifichiamo i nuovi, biomarcatori non invadenti di patologia neurale Alzheimer's in relazione con premonitrice di demenza.„

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.