Hjerne-maskin-grensesnitt kan en dag hjelpe pasienter som har mistet evnen til å snakke

Hjerne-maskin-grensesnitt kan en dag hjelpe pasienter som har mistet evnen til å snakke

Ny forskning fra Caltech viser hvordan enheter implantert i folks hjerner, kalt hjerne-maskin-grensesnitt (BMI), kan en dag hjelpe pasienter som har mistet evnen til å snakke. I en ny studie presentert på 2022 Society for Neuroscience-konferansen i San Diego, viste forskere at de kunne bruke en BMI for nøyaktig å forutsi hvilke ord en kvadriplegisk deltaker bare tenkte og ikke snakket eller mimet.

"Du har kanskje sett videoer av personer med quadriplegi som bruker BMI-er for å kontrollere robotarmer og hender for for eksempel å ta en flaske og drikke av den eller spise en sjokoladebit," sier Sarah Wandelt, en doktorgradsstudent i Caltechs Richard Andersen-laboratorium, James G. Boswell-professor i nevrovitenskap og direktør for Tianqiaen Interface Center ved Cal-Matech.

"Disse nye resultatene er lovende innen språk og kommunikasjon. Vi brukte BMI for å rekonstruere språk," sier Wandelt, som presenterte resultatene på konferansen 13. november.

Tidligere studier har hatt en viss suksess med å forutsi deltakernes tale ved å analysere hjernesignaler registrert fra motoriske områder når en deltaker hvisket eller mimet ord. Men å forutsi hva noen tenker, den interne dialogen, er mye vanskeligere fordi det ikke er noen bevegelse, forklarer Wandelt. "Tidligere kunne algoritmer som prøvde å forutsi intern tale bare forutsi tre eller fire ord og med lav nøyaktighet eller ikke i sanntid," sier Wandelt.

Den nye forskningen er den mest nøyaktige til nå på å forutsi interne ord. I dette tilfellet ble hjernesignaler registrert fra individuelle nevroner i et hjerneområde kalt supramarginal gyrus, lokalisert i den bakre parietale cortex. I en tidligere studie fant forskerne at dette området av hjernen representerer talte ord.

Nå har teamet utvidet sine funn til internt språk. I studien trente forskerne først BMI-enheten til å gjenkjenne hjernemønstrene som ble produsert når visse ord ble snakket eller tenkt internt av den kvadriplegiske deltakeren. Denne treningsfasen varte i omtrent 15 minutter. De viste så et ord på en skjerm og ba deltakeren si ordet internt. Resultatene viste at BMI-algoritmene var i stand til å forutsi åtte ord med opptil 91 prosent nøyaktighet.

Arbeidet er fortsatt foreløpig, men kan hjelpe pasienter med hjerneskader, lammelser eller sykdommer som amyotrofisk lateral sklerose (ALS) som påvirker tale.

Nevrologiske lidelser kan resultere i fullstendig lammelse av frivillige muskler, slik at pasienter ikke kan snakke eller bevege seg, men fortsatt er i stand til å tenke og resonnere. For denne befolkningen vil en intern språk BMI være utrolig nyttig.»

Sarah Wandelt, en Caltech-student

Nevrovitenskap eBok

Sammenstilling av de beste intervjuene, artikler og nyheter fra det siste året. Last ned en gratis kopi

"Vi har tidligere vist at vi kan dekode imaginære håndformer for å gripe fra den menneskelige supramarginale gyrusen," sier Andersen. "Evnen til også å dekode tale fra dette området antyder at et implantat kan gjenopprette to viktige menneskelige evner: gripe og snakke."

Forskerne påpeker også at BMI ikke kan brukes til å lese folks tanker; Enheten må trenes i hver persons hjerne separat, og de fungerer bare når en person fokuserer på ordet.

Studien, som er i ferd med å sende inn journal, men som ennå ikke har blitt fagfellevurdert, har tittelen "Intern taledekoding på nett av enkeltnevroner hos en menneskelig deltaker." Det ble finansiert av National Institutes of Health, Tianqiao og Chrissy Chen Brain-Machine Interface Center og Boswell Foundation. Andre Caltech-forfattere i tillegg til 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

.