Innovationen in der neuronalen Signalerkennung für Brain-Computer Interface Feedback Loops

Drahtlose neuronale Überwachung und Telemetrie

Drahtgebundene Verbindungen zwischen implantierten Elektroden und externen Verarbeitungseinheiten stellen physische Einschränkungen dar, begrenzen die Mobilität des Benutzers und schaffen Infektionswege durch transkutane Kabel. Drahtlose neuronale Überwachungssysteme beseitigen diese Nachteile durch Übertragung digitalisierter neuronaler Daten über Radiofrequenz, Infrarot oder Ultraschall durch die intakte Kopfhaut und den Schädel. Aktuelle Systeme arbeiten mit extrem geringen Leistungsbudgets, mit Nahfeldkommunikation oder Energiegewinnung, um sperrige Batterien zu vermeiden, die einen chirurgischen Ersatz erfordern.

Das Brown Wireless Device (BWD) und seine Nachfolger stellen einen bedeutenden Meilenstein dar, indem sie bis zu 10 Megabit pro Sekunde aus dem Gehirn an einen externen Empfänger übertragen. Diese Bandbreite reicht aus, um Hunderte von gleichzeitigen Kanälen zu unterstützen und das Echtzeit-Streaming von Spike-Zügen und lokalen Feldpotentialen zu ermöglichen. Für BCI-Feedbackschleifen ermöglicht der drahtlose Betrieb den Benutzern, sich während der Rehabilitation, Navigation oder Gerätesteuerung frei zu bewegen, was naturalistische Trainingsbedingungen bietet, die die Generalisierung und Benutzerzufriedenheit verbessern. Darüber hinaus stellte eine 2023-Überprüfung in FLT: 1 fest Neuron[FLT: 2]][FLT: 3] stellte fest, dass drahtlose Systeme das Infektionsrisiko reduzieren und chronische Aufzeichnung in frei verhaltenden Tiermodellen ermöglichen, was die präklinische Forschung beschleunigt.

Machine Learning Algorithmen für Denoising und Decoding

Die von jeder Elektrodenanordnung erfassten neuronalen Rohsignale enthalten eine Mischung aus Aktionspotentialen, lokalen Feldpotentialen, elektrischem Rauschen von Muskeln und Umweltstörungen. Die Trennung der relevanten neuronalen Informationen vom Rauschen stützt sich traditionell auf handgefertigte Merkmalsextraktionsverfahren, wie Schwellenwertüberschreitung oder Hauptkomponentenanalyse. Moderne maschinelle Lernansätze, insbesondere Deep Learning, haben sowohl die Geschwindigkeit als auch die Genauigkeit dieses Prozesses dramatisch verbessert.

Die meisten dieser Modelle lernen, Artefakte zu unterdrücken, sich an nichtstationäres Rauschen anzupassen und subtile Muster zu extrahieren, die menschliche Ingenieure übersehen könnten. Zum Beispiel hat die klinische Studie BrainGate2 Deep Learning-Decoder eingesetzt, die eine kontinuierliche, mehrstufige Freiheitskontrolle von Roboterarmen und Computercursoren erreichen, mit einer Leistung, die sich im Laufe der Zeit langsam verschlechtert, weil die Modelle umtrainiert werden können, um allmähliche Veränderungen des neuronalen Signals aufgrund von Elektrodendrift zu berücksichtigen.

Die Echtzeit-Dekodierung ist für Rückkopplungsschleifen von entscheidender Bedeutung, und die jüngsten Fortschritte bei der Modellkomprimierung und Hardwarebeschleunigung haben es ermöglicht, dass diese tiefen Netzwerke auf leistungsschwachen eingebetteten Prozessoren innerhalb der drahtlosen Headstage laufen können. Diese On-Device-Verarbeitung reduziert die Latenz auf den Millisekundenbereich, wodurch eine Regelung mit geschlossenem Regelkreis auch bei komplexen Modellen möglich wird. Darüber hinaus ermöglichen Transfer-Learning-Techniken die Feinabstimmung von Modellen, die auf großen Datensätzen vortrainiert sind, für einzelne Benutzer mit minimaler Kalibrierzeit, wodurch der klinische Einsatz von BCI-Systemen beschleunigt wird.

Optische und optogenetische neuronale Erfassung

Auf Elektroden basierende Methoden erkennen elektrische Aktivität, aber optische Techniken bieten komplementäre Fähigkeiten mit potenziell höherer räumlicher Auflösung und Zelltypspezifität. Kalziumbildgebung ermöglicht es Forschern, die Aktivität von Hunderten bis Tausenden von Neuronen gleichzeitig mit Einzelzellauflösung zu überwachen. In Kombination mit miniaturisierten Fluoreszenzmikroskopen, die auf dem Kopf von frei beweglichen Mäusen montiert sind, bietet Kalziumbildgebung ein Fenster in die neuronale Dynamik auf Populationsebene, das mit Elektroden allein unmöglich ist.

Optogenetik, bei der Licht zur Aktivierung oder Hemmung bestimmter Neuronenpopulationen verwendet wird, die lichtempfindliche Proteine (Opsine) exprimieren, kann mit optischer Sensorik kombiniert werden, um vollständig optische Closed-Loop-Systeme zu schaffen. In solchen Systemen wird Licht sowohl zum Lesen neuronaler Aktivität (über Kalziumindikatoren oder spannungsempfindliche Farbstoffe) als auch zum Schreiben von Steuersignalen in das Gehirn verwendet. Dieser Ansatz wurde verwendet, um visuelle Reaktionen bei blinden Mäusen wiederherzustellen und epileptische Anfälle in Nagetiermodellen zu unterdrücken. Diese Techniken sind zwar weitgehend präklinisch, weisen jedoch auf eine Zukunft hin, in der BCI-Feedbackschleifen mit Lichtgeschwindigkeit arbeiten und die Bandbreitenbeschränkungen elektrischer Schnittstellen überwinden.

Spannungsempfindliche fluoreszierende Proteine sind eine weitere neue optische Nachweismethode. Diese Proteine verändern ihre Fluoreszenz als Reaktion auf Veränderungen des Membranpotentials und liefern direkte Auslesewerte der unterschwelligen Aktivität und des Spike-Timings mit zeitlicher Auflösung unter Millisekunden. Obwohl derzeit durch Photobleiching und die Notwendigkeit einer chronischen Lichtabgabe begrenzt, treiben die laufenden Verbesserungen im Protein-Engineering und in der Optik ihre Nützlichkeit sowohl für die Grundlagenforschung als auch für die klinische Translation rasch voran.

Nicht-invasive und minimal-invasive Alternativen

Viele der leistungsfähigsten BCI-Systeme erfordern Kraniotomie und Elektrodenimplantation, was ihre Verwendung auf Patienten mit schweren motorischen Behinderungen beschränkt. Es besteht großes Interesse an der Entwicklung von Nachweismethoden, die eine gute Leistung ohne offene Gehirnchirurgie bieten. Funktionelle Ultraschall-Bildgebung (fUS), die Veränderungen des zerebralen Blutvolumens und -flusses mit ultraschnellen Ultraschallimpulsen erkennt, hat sich als vielversprechende nicht-invasive Alternative herausgestellt. fUS erreicht eine räumliche Auflösung im Submillimeterbereich und kann durch einen intakten Schädel tief in das Gehirn eindringen, im Gegensatz zu optischen Techniken, die auf kortikale Oberflächen beschränkt sind. Neuere Arbeiten haben gezeigt, dass die fUS-basierte Dekodierung von Bewegungen der Gliedmaßen und visuellen Reizen bei nicht-menschlichen Primaten vorliegt.

Auf der minimal-invasiven Front werden endovaskuläre Elektroden-Arrays, wie die Stentrode, über Katheter durch die Jugularvene abgegeben und in Blutgefäßen neben dem motorischen oder sensorischen Kortex positioniert. Dieser Ansatz vermeidet das Öffnen des Schädels, während er immer noch eine Aufzeichnung liefert, die näher an den Neuronen liegt als das Kopfhaut-EEG. Die Stentrode wurde bei menschlichen Patienten verwendet, um ein Computertablett für Kommunikation und Surfen drahtlos zu steuern, was einen praktischen Mittelweg zwischen invasiven und nicht-invasiven Methoden darstellt. Die Weiterentwicklung dieser Technologien wird die Bevölkerung erweitern, die von einem geschlossenen BCI-Feedback profitieren kann.

Auswirkungen auf Feedback Loops: Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit

Die oben beschriebenen Innovationen verbessern gemeinsam Rückkopplungsschleifen entlang drei Dimensionen: Geschwindigkeit, Genauigkeit und Adaptivität. Geschwindigkeitsverbesserungen resultieren aus einer reduzierten Latenz in jeder Phase der Signalkette: schnellere Analog-Digital-Wandlung, parallele Verarbeitung von Multisite-Daten und effiziente Decodierungsalgorithmen, die Puffer- oder Aggregationsverzögerungen vermeiden. Rückkopplung mit niedriger Latenz ist für Aufgaben wichtig, die eine präzise zeitliche Koordination erfordern, wie das Greifen von bewegten Objekten oder die Aufrechterhaltung des Gleichgewichts in einem gehenden Exoskelett. Klinische Studien haben gezeigt, dass die Reduzierung der Systemverzögerung von 200 ms auf 50 ms die subjektiven Bewertungen der Steuerbarkeit des Benutzers erheblich verbessert und die Häufigkeit unbeabsichtigter Bewegungen reduziert.

Die Genauigkeitsverbesserungen ergeben sich aus der höheren räumlichen und zeitlichen Auflösung neuer Nachweisverfahren in Kombination mit fortschrittlichen Entrauschungsalgorithmen. Genauerer Nachweis bedeutet, dass der decodierte Befehl die Absichten des Benutzers besser erfüllt, wodurch die Notwendigkeit von korrigierenden Unterbefehlen verringert und die Interaktion geglättet wird. Dies ist besonders wichtig für Geräte mit hohem Freiheitsgrad, wie anthropomorphe Hände mit mehreren unabhängig gesteuerten Fingern. In einer kürzlich durchgeführten klinischen Studie erreichte ein Teilnehmer, der ein Elektrodenarray mit hoher Dichte mit einem Deep Learning-Decoder verwendete, eine Finger-Level-Steuerung einer Roboterhand, die Aufgaben wie das Aufnehmen einzelner Trauben ermöglicht, ohne sie zu zerkleinern.

Adaptivität bezieht sich auf die Fähigkeit des Systems, Veränderungen im neuronalen Signal im Laufe der Zeit zu verfolgen und zu kompensieren, verursacht durch Elektrodendrift, Gewebeumbildung oder Veränderungen im Benutzerverhalten. Machine-Learning-Modelle, die online über Verstärkungslernen oder Fehlerkorrekturalgorithmen aktualisiert werden, können ihre Dekodierungsparameter im laufenden Betrieb anpassen und über Tage und Wochen hinweg eine gleichbleibende Leistung beibehalten. Diese Anpassungsfähigkeit reduziert die Belastung des Benutzers, seine neuronale Strategie ständig neu zu kalibrieren, wodurch der BCI robuster und benutzerfreundlicher wird. Darüber hinaus können adaptive Feedbackschleifen Neuroplastizität nutzen, indem sie selektiv neuronale Muster verstärken, die zu erfolgreichen Ergebnissen führen, und den Erwerb von Fähigkeiten beschleunigen.

Durch die Integration dieser drei Eigenschaften entstehen Feedbackschleifen, die sich transparent anfühlen: Der Nutzer muss nicht bewusst über die BCI nachdenken, sondern kann sich auf die jeweilige Aufgabe konzentrieren. Diese Transparenz ist das ultimative Ziel der assistierenden Technologie, da sie ein Gefühl der Handlungsfähigkeit wiederherstellt und kognitive Müdigkeit reduziert.

Anwendungen, die Medizin und darüber hinaus transformieren

Wiederherstellung der motorischen Funktion in der Lähmung

Die unmittelbarste Auswirkung der verbesserten neuronalen Signalerkennung zeigt sich in der Neuroprothetik für Personen mit Rückenmarksverletzungen, amyotropher Lateralsklerose oder Hirnstammschlag. Closed-Loop-BCI-Systeme, die funktionelle elektrische Stimulationseinheiten oder Roboter-Exoskelette steuern, ermöglichen es Patienten nun, Handlungen wie Erreichen, Greifen und Gehen durchzuführen. Zum Beispiel hat die BrainGate2-Studie gezeigt, dass die Teilnehmer einen Roboterarm steuern können, um Kaffee aus einer Flasche zu trinken, eine Aufgabe, die ein koordiniertes Erreichen, Greifen, Heben und Bringen des Strohs zum Mund erfordert. Die Rückkopplungsschleife umfasst visuelle Führung, propriozeptive Hinweise aus der Armbewegung und das Gefühl des Kontakts, wenn die Hand die Flasche ergreift.

Jüngste Studien untersuchen auch die Verwendung von intrakortikalen Mikrostimulationen, um künstliche sensorische Rückmeldungen direkt an das Gehirn zu liefern und eine somatosensorische Komponente in der Schleife zu erzeugen. Indem sie den sensorischen Kortex in Mustern stimulieren, die Druck, Textur oder gemeinsame Position codieren, können Forscher den Benutzern, die das Gefühl verloren haben, wieder ein Gefühl der Berührung geben. Diese bidirektionale BCI, die motorische Dekodierung mit sensorischer Kodierung kombiniert, beruht auf einer präzisen Erkennung der motorischen Absicht des Benutzers und einer ebenso präzisen Lieferung von sensorischem Feedback. Die zuvor diskutierten Innovationen zur Signalerkennung bieten die Bandbreite und Auflösung, die erforderlich sind, um beide Richtungen des Informationsflusses zu unterstützen.

Kommunikation für Locked-In-Patienten

Personen mit Locked-in-Syndrom behalten die kognitive Funktion, können sich aber nicht bewegen oder sprechen. BCIs, die Sprachversuche direkt aus neuronalen Aktivitäten in Bereichen wie dem Gyrus temporalis superior, dem prämotorischen Cortex oder dem primären motorischen Cortex dekodieren, haben verblüffende Fortschritte erzielt. 2023 berichteten Forscher der University of California, San Francisco und der University of California, Berkeley, über einen BCI, der Sprachversuche von Teilnehmern mit schwerer Dysarthrie dekodierte und Text mit 78 Wörtern pro Minute mit einer Zeichenfehlerrate von 25,5 Prozent ausgab. Das System verwendete eine hochdichte Elektrodenanordnung, die den ventralen sensomotorischen Cortex abdeckte, und ein rezidivierendes neuronales Netzwerk, das auf einem großen Korpus sprachbezogener neuronaler Daten trainiert wurde.

Die Rückkopplungsschleife in einem solchen System beinhaltet die visuelle Bestätigung jedes dekodierten Wortes, so dass der Benutzer Fehler selbst korrigieren kann. Fortschritte bei der Signalerkennung haben eine Dekodierung ermöglicht, die schnell genug ist, um eine Konversation in Echtzeit zu unterstützen, eine dramatische Verbesserung gegenüber früheren Systemen, die mehrere Sekunden pro Wort benötigten. Weitere Fortschritte bei der drahtlosen Erkennung und Miniaturisierung ermöglichen es eingesperrten Benutzern, mit ihrer Umgebung und ihren Lieben zu interagieren, ohne an einen Computer am Bett angebunden zu werden.

Mental State Monitoring und Neurofeedback

Über die motorische Wiederherstellung und Kommunikation hinaus ermöglichen Neuheiten bei der Erkennung neuronaler Signale Neurofeedback-Systeme mit geschlossenem Kreislauf für psychische Gesundheit und kognitive Verbesserung. EEG mit hoher Dichte in Kombination mit maschinellem Lernen in Echtzeit können Zustände wie Aufmerksamkeit, Müdigkeit, Stress oder emotionale Wertigkeit erkennen und auditive oder visuelle Rückmeldungen liefern, um dem Benutzer bei der Selbstregulierung zu helfen. Zum Beispiel trainieren Neurofeedback-Protokolle für Aufmerksamkeitsdefizit-Hyperaktivitätsstörung Benutzer, bestimmte EEG-Rhythmen zu erhöhen, die mit Fokus verbunden sind, wobei Feedback als Videospiel präsentiert wird, das Aufmerksamkeitszustände belohnt.

Optische und nicht-invasive Nachweisverfahren erweitern das Repertoire der kontrollierbaren Zustände. Funktionelle Nahinfrarotspektroskopie, die Veränderungen der kortikalen Sauerstoffversorgung erkennt, wurde bei Neurofeedback für Angst und Depression eingesetzt. Da die Nachweistechnologie tragbarer und komfortabler wird, können diese Anwendungen außerhalb der Klinik zugänglich werden, was tägliches kognitives Training oder Stressmanagement ermöglicht.

Mensch-Maschine-Zusammenarbeit und Augmentation

In industriellen und militärischen Umgebungen könnten BCIs mit verbesserten Rückkopplungsschleifen es Betreibern ermöglichen, Roboterassistenten, Drohnen oder Exoskelette freihändig zu steuern, während sie aufgabenrelevante Informationen durch sensorische Substitution erhalten. Zum Beispiel könnte ein Qualitätskontrollinspektor in einer Fabrik mehrere Inspektionsfeeds überwachen, indem er eine BCI verwendet, die defekte Gegenstände basierend auf ihrer neuronalen Signatur auf visuelle Reize hin kennzeichnet, was eine schnellere als bewusste Erkennung von Anomalien ermöglicht. Obwohl diese Anwendungen spekulativ sind, schreiten die wichtigsten Erkennungstechnologien schnell voran und die ethischen Rahmenbedingungen für ihren Einsatz werden aktiv diskutiert.

Zukünftige Richtungen: Auf dem Weg zu vollständig autonomen Closed-Loop-Systemen

Die Flugbahn der neuronalen Signalerkennung weist auf Systeme hin, die vollständig autonom sind, sich kontinuierlich anpassen und minimal aufdringlich sind. Künftige BCI werden wahrscheinlich mehrere Detektionsmodalitäten integrieren, um individuelle Schwächen auszugleichen: elektrische Erfassung für zeitliche Präzision, optische Erfassung für räumliche Auflösung und Zelltypspezifität und Ultraschall für nicht-invasiven tiefen Zugriff auf das Gehirn. Sensorfusionsalgorithmen werden diese Ströme zu einer einheitlichen neuronalen Darstellung kombinieren, die robuster ist als jede einzelne Modalität.

Miniaturisierung und Energieeffizienz werden die Entwicklung injizierbarer oder ingestibler neuronaler Sensoren vorantreiben, die von vielen verteilten Orten aus ohne große chirurgische Einschnitte aufnehmen können. Diese Sensoren würden drahtlos mit einem Körperbereichsnetzwerk kommunizieren und eine Überwachung des gesamten Gehirns ermöglichen, ohne den Benutzer zu belasten. Fortschritte bei der drahtlosen Energieübertragung und der Energiegewinnung aus biologischen Quellen könnten den Bedarf an Batterien insgesamt eliminieren.

Auf der algorithmischen Seite werden selbstüberwachte und Meta-Learning-Ansätze es den Decodern ermöglichen, sich mit minimalem menschlichen Eingriff an neue Aufgaben und Umgebungen anzupassen. Groß angelegte neuronale Datensätze, die von vielen Benutzern gesammelt wurden, könnten verwendet werden, um Grundlagenmodelle für die BCI-Dekodierung zu trainieren, die dann in Minuten anstatt Tagen für einzelne Benutzer verfeinert werden könnten. Dies würde die Eintrittsbarriere dramatisch verringern und die BCI-Technologie einer viel breiteren Bevölkerung zugänglich machen.