Gränssnitt mellan hjärna och maskin skulle en dag kunna hjälpa patienter som har förlorat sin förmåga att tala

Gränssnitt mellan hjärna och maskin skulle en dag kunna hjälpa patienter som har förlorat sin förmåga att tala

Ny forskning från Caltech visar hur enheter som implanteras i människors hjärnor, kallade hjärn-maskingränssnitt (BMI), en dag kan hjälpa patienter som har förlorat förmågan att tala. I en ny studie som presenterades vid 2022 Society for Neuroscience-konferensen i San Diego, visade forskare att de kunde använda ett BMI för att exakt förutsäga vilka ord en kvadriplegisk deltagare bara tänkte och inte talade eller mimade.

"Du kanske har sett videor av personer med quadriplegi som använder BMI för att styra robotarmar och händer för att till exempel ta en flaska och dricka ur den eller äta en bit choklad", säger Sarah Wandelt, doktorand i Caltechs Richard Andersen-labb, James G. Boswell-professorn i neurovetenskap och chef för Tianqiao-centret för Tianqiaen Brain och ChrisMatech.

"Dessa nya resultat är lovande inom områdena språk och kommunikation. Vi använde BMI för att rekonstruera språket", säger Wandelt, som presenterade resultaten vid konferensen den 13 november.

Tidigare studier har haft viss framgång i att förutsäga deltagarnas tal genom att analysera hjärnsignaler som registrerats från motoriska områden när en deltagare viskade eller mimade ord. Men att förutse vad någon tänker, den interna dialogen, är mycket svårare eftersom det inte finns någon rörelse, förklarar Wandelt. "Tidigare kunde algoritmer som försökte förutsäga internt tal bara förutsäga tre eller fyra ord och med låg noggrannhet eller inte i realtid", säger Wandelt.

Den nya forskningen är den mest exakta hittills när det gäller att förutsäga interna ord. I det här fallet registrerades hjärnsignaler från individuella neuroner i ett hjärnområde som kallas supramarginal gyrus, beläget i den bakre parietala cortex. I en tidigare studie fann forskarna att detta område av hjärnan representerar talade ord.

Nu har teamet utökat sina resultat till internt språk. I studien tränade forskarna först BMI-enheten för att känna igen de hjärnmönster som produceras när vissa ord talades eller tänktes internt av den kvadriplegiske deltagaren. Denna träningsfas varade cirka 15 minuter. De visade sedan ett ord på en skärm och bad deltagaren att säga ordet internt. Resultaten visade att BMI-algoritmerna kunde förutsäga åtta ord med upp till 91 procents noggrannhet.

Arbetet är fortfarande preliminärt men kan hjälpa patienter med hjärnskador, förlamning eller sjukdomar som amyotrofisk lateralskleros (ALS) som påverkar talet.

Neurologiska störningar kan resultera i fullständig förlamning av frivilliga muskler, vilket gör att patienterna inte kan tala eller röra sig men ändå kunna tänka och resonera. För den här befolkningen skulle ett internt språk BMI vara oerhört användbart."

Sarah Wandelt, en Caltech-student

Neurovetenskap e-bok

Sammanställning av de bästa intervjuerna, artiklarna och nyheterna från det senaste året. Ladda ner en gratis kopia

"Vi har tidigare visat att vi kan avkoda imaginära handformer för att greppa från den mänskliga supramarginalen gyrus", säger Andersen. "Förmågan att även avkoda tal från detta område tyder på att ett implantat kan återställa två viktiga mänskliga förmågor: greppa och tala."

Forskarna påpekar också att BMI inte kan användas för att läsa människors tankar; Enheten skulle behöva tränas i varje persons hjärna separat, och de fungerar bara när en person fokuserar på ordet.

Studien, som håller på att skickas in i en tidskrift men som ännu inte har granskats, har titeln "Intern talavkodning online av enstaka neuroner hos en mänsklig deltagare." Det finansierades av National Institutes of Health, Tianqiao och Chrissy Chen Brain-Machine Interface Center och Boswell Foundation. Andra Caltech-författare förutom Wandelt och Andersen inkluderar David Bjanes, Kelsie Pejsa, Brian Lee (PhD '06) och Charles Liu. Lee och Liu är Caltech Visiting Associates som är på fakulteten vid Keck School of Medicine vid USC.

Källa:

California Institute of Technology

.