Hjerne-maskine-grænseflader kunne en dag hjælpe patienter, der har mistet deres evne til at tale

Hjerne-maskine-grænseflader kunne en dag hjælpe patienter, der har mistet deres evne til at tale

Ny Caltech-forskning viser, hvordan enheder implanteret i folks hjerner, kaldet hjerne-maskine-grænseflader (BMI'er), en dag kan hjælpe patienter, der har mistet evnen til at tale. I en ny undersøgelse præsenteret på 2022 Society for Neuroscience-konferencen i San Diego, viste forskere, at de kunne bruge et BMI til præcist at forudsige, hvilke ord en quadriplegisk deltager kun tænkte og ikke talte eller mimer.

"Du har måske set videoer af mennesker med quadriplegi, der bruger BMI'er til at styre robotarme og -hænder til for eksempel at få fat i en flaske og drikke af den eller spise et stykke chokolade," siger Sarah Wandelt, en kandidatstuderende i Caltechs Richard Andersen-laboratorium, James G. Boswell-professor i neurovidenskab og direktør for Tianqiao-centret ved Cal-Matechen Interface og Chrissychin.

"Disse nye resultater er lovende på områderne sprog og kommunikation. Vi brugte BMI til at rekonstruere sproget," siger Wandelt, som præsenterede resultaterne på konferencen den 13. november.

Tidligere undersøgelser har haft en vis succes med at forudsige deltagernes tale ved at analysere hjernesignaler optaget fra motoriske områder, når en deltager hviskede eller mimede ord. Men at forudsige, hvad nogen tænker, den interne dialog, er meget sværere, fordi der ikke er nogen bevægelse, forklarer Wandelt. "Tidligere kunne algoritmer, der forsøgte at forudsige intern tale, kun forudsige tre eller fire ord og med lav nøjagtighed eller ej i realtid," siger Wandelt.

Den nye forskning er den mest præcise endnu til at forudsige interne ord. I dette tilfælde blev hjernesignaler optaget fra individuelle neuroner i et hjerneområde kaldet supramarginal gyrus, placeret i den bageste parietale cortex. I en tidligere undersøgelse fandt forskerne ud af, at dette område af hjernen repræsenterer talte ord.

Nu har holdet udvidet sine resultater til internt sprog. I undersøgelsen trænede forskerne først BMI-enheden til at genkende de hjernemønstre, der produceres, når bestemte ord blev talt eller tænkt internt af den quadriplegiske deltager. Denne træningsfase varede cirka 15 minutter. De viste derefter et ord på en skærm og bad deltageren om at sige ordet internt. Resultaterne viste, at BMI-algoritmerne var i stand til at forudsige otte ord med op til 91 procents nøjagtighed.

Arbejdet er stadig foreløbigt, men kan hjælpe patienter med hjerneskader, lammelser eller sygdomme som amyotrofisk lateral sklerose (ALS), der påvirker talen.

Neurologiske lidelser kan resultere i fuldstændig lammelse af frivillige muskler, hvilket efterlader patienter ude af stand til at tale eller bevæge sig, men stadig i stand til at tænke og ræsonnere. For denne befolkning ville et internt sprog BMI være utrolig nyttigt."

Sarah Wandelt, en Caltech kandidatstuderende

Neurovidenskab e-bog

Samling af de bedste interviews, artikler og nyheder fra det sidste år. Download en gratis kopi

"Vi har tidligere vist, at vi kan afkode imaginære håndformer til at gribe fra den menneskelige supramarginale gyrus," siger Andersen. "Evnen til også at afkode tale fra dette område tyder på, at et implantat kan genoprette to vigtige menneskelige evner: at gribe og tale."

Forskerne påpeger også, at BMI ikke kan bruges til at læse folks tanker; Enheden skal trænes i hver persons hjerne separat, og de virker kun, når en person fokuserer på ordet.

Undersøgelsen, som er i gang med indsendelse af journal, men endnu ikke er blevet peer-reviewed, har titlen "Online intern taleafkodning af enkelte neuroner hos en menneskelig deltager." Det blev finansieret af National Institutes of Health, Tianqiao og Chrissy Chen Brain-Machine Interface Center og Boswell Foundation. Andre Caltech-forfattere udover Wandelt og Andersen inkluderer David Bjanes, Kelsie Pejsa, Brian Lee (PhD '06) og Charles Liu. Lee og Liu er Caltech Visiting Associates, som er på fakultetet ved Keck School of Medicine ved USC.

Kilde:

California Institute of Technology

.