Neuraalirajapinnat, jotka yhdistävät ihmisen aivot ulkoisiin tietokonejärjestelmiin, pitävät hallussaan muuntautumispotentiaalia motorisen toiminnan palauttamiseksi, mahdollistavat viestinnän ja neurologisen terveyden seurannan. Silti näiden laitteiden käytännön käyttöönottoa on jatkuvasti haitannut signaalien epävakaus ja hankala, usein uudelleenkalibrointia ne vaativat. Koneoppiminen (ML) on nousemassa tehokkaaksi työkaluksi näiden esteiden voittamiseksi, tarjoten mukautuvia algoritmeja, jotka ylläpitävät korkea uskollisuus neurotallenteita pitkinä aikoina ilman jatkuvaa ihmisen väliintuloa.

Peruskalibrointiongelma hermoyhteyksissä

Elektrodien tallentamat hermosignaalit ovat ei-stationaarisia.

  • Elektrodin siirtymä:[] Elektrodin mikroskooppinen liike suhteessa neuroniin, joka johtuu kudospulsaatiosta tai laitteen asettumisesta, muuttaa tallennettua signaalia.
  • Kohdevaste:[ Kehon vieras kehon reaktio voi tiivistää elektrodeja gliaali arpikudokseen, lisätä impedanssia ja vähentää signaalin amplitudia viikkojen tai kuukausien aikana.
  • Ympäristömelu:[ Sähköhäiriöt lähistöllä olevista laitteista, lihasesineet ja kohteen liikkeet aiheuttavat arvaamatonta melua.
  • Kaivojen plastisuus:[ Aivot itse sopeutuu läsnäolo implantaatin, ja hermojen esitys suunnitelluista toimista voi muuttua.

Perinteiset kalibrointimenetelmät perustuvat manuaalisiin uudelleenkalibrointijaksoihin, joiden aikana käyttäjää pyydetään suorittamaan ennalta määritellyt tehtävät järjestelmän dekoodausparametrien uudelleen sovittamisen aikana. Tämä prosessi vie aikaa ja voi häiritä laitteen sujuvaa toimintaa. Lisäksi staattiset kalibrointimallit vanhenevat nopeasti signaalin kehittyessä, mikä johtaa dekoodaustarkkuuden ja käyttäjän suorituskyvyn heikkenemiseen.

Miten koneoppiminen osoittaa hermorajapinnan epävakaus

Koneoppiminen tarjoaa joukon tekniikoita, jotka voivat jatkuvasti sopeutua muuttuviin signaalitilastoihin, tunnistaa ajomalleja, ja jopa ennustaa lähestyvää hajoamista ennen kuin se vaikuttaa suorituskykyyn. Tärkein etu on kyky poimia korkean dimensionaalisia, epälineaarisia suhteita hermodatasta .

Mukautuva suodattaminen ja denosointi

Perustava askel hermosignaalin käsittelyssä on raakatallenteiden puhdistaminen. Perinteiset kaistan-pass-suodattimet ovat staattisia eivätkä voi erottaa hermopiikkejä transienttien esineistä tai paikallisesta melusta. ML-pohjaiset denesoivat autoenkoodaajat ovat koulutettuja suurille puhtaille ja meluisille hermoäänitelmille; he voivat juoksuaikana rekonstruoida taustalla olevan hermosignaalin vaimentamalla esineitä. Tämä lähestymistapa, joka on yksityiskohtaisempi tutkimuksissa kuten [a 2019 Tieteelliset raportit[] paperia syvän äänen poistamisesta solunulkoisten äänitteiden [, parantaa dramaattisesti signaali-äänisuhdetta ilman manuaalista säätöä.

Toistuvat hermoverkot (RNN) ja ajalliset konvolutionaaliset verkot (TCN) voivat mallintaa aikariippuvuutta hermosignaaleissa. Oppimalla tyypillisen toimintapotentiaalin muodon ja taustamelun tilastoinnin nämä mallit voivat sopeutua asteittain tapahtuviin muutoksiin esimerkiksi elektrodien impedanssin hitaaseen kasvuun .

Dekoodaus hermotoiminta syväoppiminen

Monien hermorajapintojen ydin on dekooderi, joka muuntaa nauhoitettua hermotoimintaa komennoksi . Esimerkiksi kursorin liike tai proteesinen raajan nopeus. Syväoppimisdekooderit ovat osoittaneet parempaa suorituskykyä verrattuna lineaarisiin dekoodereihin (kuten Wiener-suodatin) korkean dimensionaalisten, ei-stationaaristen hermodatan käsittelyssä.

Convolutional neuroverkko (CNN) voi poimia spatiaalisia kuvioita elektrodijärjestelmien välillä, kun taas pitkän aikavälin muistiverkot (LSTM) kaappaavat aikadynamiikan laukaisunopeuksissa. Aivopohjayhteenliittymän maamerkkitutkimus osoitti, että toistuva neuroverkon dekooderi voisi ylläpitää korkeaa suorituskykyä yli 1000 päivää ilman uudelleenkalibrointia, vaikka yksittäiset neuronit muuttivat viritysominaisuuksiaän. Verkko [ päivittää painojaan jatkuvasti itsevalvotulla tavalla[, käyttäen potilaan jatkuvia liikkeitä implisiittisinä opetussignaaleina.

Dynaamisen parametrin optimointiin tarkoitetun oppimisen vahvistaminen

Sen lisäksi dekoodaus, fyysinen kokoonpano hermorajapinnan itse voidaan optimoida vahvistamalla oppimista (RL). Esimerkiksi monielektrolyytti järjestelmissä, valinta, josta kanavat tallentaa ja mitkä ärsykeparametreja sovelletaan voidaan kehystää Markov päätösprosessi. RL Agent oppii politiikka, joka valitsee toimia . Esimerkiksi säätämällä elektrodin syvyys, siirtyminen toiseen referenssiin, tai muokkaamalla stimulaatio amplitudi .

Pittsburghin yliopiston tutkijat käyttivät [ syvää Q-verkkoa automaattisesti valitakseen parhaan elektrodin konfiguraation aivo-tietokonerajapintaan[, saavuttaakseen jopa 30% paremman vakaan dekoodaustehon verrattuna kiinteän kanavan valintaan. Tämä lähestymistapa vähentää tarvetta ihmisten asiantuntija-asennuksiin ja voi vastata muutoksiin reaaliajassa.

Ennusteet huolto ja itsekalibrointijärjestelmät

Yksi käytännön sovelluksista ML hermorajapinnat on ennustava huolto. Seuraamalla signaalin ominaisuuksia ...kuten impedanssi, piikki amplitudi, melulattia, ja dekoodaus virhetaso ... koneoppimismalli voi ennustaa, milloin laite todennäköisesti hajoaa tai kaatuu.

Esimerkiksi satunnaisella metsän luokittelulla, joka on koulutettu implantoitujen elektrodien historiallisiin tietoihin, voidaan tunnistaa varhaiset merkit gliakapselaatiosta tai mikromotion vaikutuksesta, käynnistää uudelleenkalibrointi tai ohjelmistokorvaus rutiini ennen käyttäjän havaitsemista. Anomaly detection using variational autoencoders has detection to defince hiljaa muutoksia hermoaaltomuodon muodossa, joka edeltää signaalin laadun heikkenemistä tunnilta tai päiviltä.

Itsekalibrointijärjestelmät yhdistävät nämä ennustavat mallit aktiiviseen oppimissilmukkaan. Kun järjestelmä havaitsee korkean todennäköisyyden suorituskyvyn pudotuksesta, se voi käynnistää lyhyen, huomaamattoman kalibrointijakson . Ehkä pyytää käyttäjää kuvittelemaan muutamia erityisiä liikkeitä . ja päivittämään dekooderiparametrit. Tämä automaatio vähentää merkittävästi käyttäjien taakkaa, jolloin hermorajapinnat ovat käytännöllisempiä jokapäiväiseen käyttöön.

Viimeaikaiset tutkimusmurrot ja reaalimaailman toteutus

Useat merkittävät tutkimusryhmät ja yritykset ovat osoittaneet ML-ohjatun mukautuvan kalibroinnin tehokkuuden todellisissa hermoimplanttijärjestelmissä.

Vuonna 2022 BrainGate-konsortio raportoi kliinisestä tutkimuksesta, jossa tetraplegiset osallistujat käyttivät toistuvaa hermoverkkoa robottihaaran ohjaamiseen jopa seitsemänä jatkuvana tuntina vain [ yhdellä automaattisella uudelleenkalibrointitapahtumalla istuntoa kohti[. Järjestelmässä käytettiin Kalman-suodatinpohjaiseen dekooderiin perustuvaa dekooderin, jota täydennettiin pienellä hermoverkolla, kompensoimaan signaalien siirtymistä istuntojen välillä.

Neuralink.s 2024-näytös täysin implantoitavissa olevasta laitteesta ihmisessä osallistuja luotti vahvasti valvomattomiin piikin lajittelualgoritmiin, joka mukautuu elektrodin liikkeisiin. Järjestelmä käyttää simuloitua hehkutusalgoritmia, jotta piikit voidaan siirtää neuroniin aaltomuotoon perustuen, päivittäen toimeksiantomatriisia reaaliajassa ilman ihmisen panosta.

Akateeminen domain, joukkue yliopiston Michigan osoitti suljetun silmukka järjestelmän, joka käyttää vahvistuksen oppimisen optimoida stimulaatio parametreja aistien palautetta. RL agentti oppi valitsemaan elektrodeja ja nykytasoja, jotka tuottivat vakaat, havaittavissa tuntemuksia, jotka eivät muuttuneet viikkoja. [] tulokset julkaistu [].Journal of Neuroscience[] osoitti, että RL-pohjainen kalibrointi ylläpitää aistien havaintoa 96 prosentin luotettavuus verrattuna 73%: iin kiinteän parametrin lähestymistapa.

Tulevat ohjeet ja kliiniset vaikutukset

Koneoppimisen kehittyessä sen integrointi hermorajapintoihin syvenee.

  • Real-time meta-oppiminen:[] Algoritmeja, jotka oppivat oppia... mukautuvat uuteen käyttäjään hermosignaalien muutamassa minuutissa tuntien sijaan, mikä vähentää merkittävästi alkukalibrointiaikaa.
  • Monimodaalinen fuusio:[] Neuraalisignaalien yhdistäminen muihin fysiologisiin tietoihin (EMG, silmien seuranta, EEG) ML-malleja käyttäen voisi luoda hybridiliittymiä, jotka olisivat vankempia yksittäisen signaalin heikentymiseen.
  • Laadutuksen:[] Kevyet ML-mallit suoraan implantaattiin. Mikrokontrollerilla ... kvantitoinnin ja laitteiston kiihdytyksen avulla ... voidaan säätää laitteen päällä ilman raakaa hermodataa, joka vastaa yksityisyyden suojaan liittyviä huolenaiheita.
  • Henkilökohtainen lääketiede:[ Adaptiivinen kalibrointi voisi automaattisesti räätälöidä käyttöliittymän jokaiselle käyttäjälle.

Eettiset ja sääntelyyn liittyvät näkökohdat ovat myös tärkeitä. Varmistetaan, että mukautuvat algoritmit eivät tuo yllättäviä ennakkoluuloja tai turvattomia käyttäytymismalleja, jotka edellyttävät tarkkaa validointia erilaisissa potilaspopulaatioissa. Läpinäkyvyys siinä, miten malli mukautuu . Ja kyky kliinikoiden ohittaa automaattiset muutokset .

Päätelmät

Koneoppiminen muokkaa perusteellisesti hermorajapintojen suunnittelua, vastaa kalibrointiin ja vakauteen liittyviin pitkäaikaisiin haasteisiin. Sopeutumalla jatkuvasti dynaamiseen aivotoimintaan ennustavat ja itsekalibrointijärjestelmät voivat ylläpitää korkeaa suorituskykyä kuukausien ja vuosien ajan ja vähentää käyttäjien ja kliinikoiden taakkaa. Näiden teknologioiden kehittyessä voimme odottaa aivo-koneiden rajapintojen muuttuvan luotettavammiksi, helpommin lähestyttäviksi ja syvemmiksi integroituneiksi kliiniseen käytäntöön, mikä lopulta palauttaa toiminnan ja riippumattomuuden neurologisista toimintaongelmista kärsiville.