Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
Questo articolo propone e valuta tre modelli di regressione per la decodifica di molteplici parametri cinematici e cinetici da segnali EEG, dimostrando che un regressore basato sull'attenzione raggiunge una prestazione di decodifica simultanea di più parametri superiore (=0,8) rispetto ai modelli di minimi quadrati parziali e ai percettroni multistrato, facendo così progredire lo sviluppo di interfacce cervello-computer intuitive e in tempo reale.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate un mondo in cui i vostri pensieri possano controllare direttamente un braccio robotico, una sedia a rotelle o un cursore del computer, senza che dobbiate mai muovere un muscolo. Questa non è fantascienza; è l'obiettivo delle Interfacce Cervello-Macchina (BMI). Pensate a una BMI come a un traduttore che ascolta i sussurri elettrici del cervello e li trasforma in comandi per le macchine. Per le persone che hanno perso la capacità di muoversi a causa di ictus o amputazioni, questa tecnologia potrebbe essere la chiave per recuperare l'indipendenza. Tuttavia, c'è un problema: la maggior parte dei traduttori attuali sono come vecchi telecomandi con solo pochi tasti. Possono dire a una macchina di "muoversi a sinistra" o "muoversi a destra", ma faticano a gestire la sfumatura della vita reale, come quanto forte stringere un chicco d'uva o quanto velocemente sollevare una tazza. Per rendere questi dispositivi davvero utili, gli scienziati devono decodificare non solo dove un arto si sta muovendo, ma anche quanto velocemente si sta muovendo e quanta forza viene applicata, tutto contemporaneamente.
Questo è esattamente la sfida affrontata da Parth G. Dangi e Yogesh Kumar Meena nel loro recente studio. Si sono posti una grande domanda: possiamo costruire un sistema di lettura cerebrale che comprenda una complessa sinfonia di segnali di movimento tutti insieme, invece di ascoltare un solo strumento alla volta? Per scoprirlo, hanno allestito un esperimento digitale utilizzando dati di onde cerebrali di persone che eseguivano un semplice compito di "afferrare e sollevare" — prendere un oggetto e spostarlo. Hanno testato tre diversi "decodificatori" (modelli matematici) per vedere quale potesse tradurre meglio quelle onde cerebrali in un quadro completo del movimento, includendo la forza della presa e la posizione delle dita e del polso nello spazio 3D.
I ricercatori hanno confrontato tre approcci distinti. Per prima cosa, hanno provato un regressore a Minimi Quadrati Parziali (PLS), un modello matematico tradizionale e più datato. Successivamente, hanno utilizzato un Percezione Multistrato (MLP), che è un tipo di modello di deep learning che agisce come una semplice rete neurale, cercando di trovare schemi nei dati. Infine, hanno introdotto un nuovo contendente: un Regressore basato sull'Attenzione (specificamente un modello basato su Transformer), che è un'architettura di IA sofisticata nota per la sua capacità di prestare attenzione alle relazioni tra diversi pezzi di informazione nel tempo, proprio come un ascoltatore umano si concentra su come una frase si colleghi alla successiva in una storia.
I risultati sono stati il racconto di due forze molto diverse. Il modello tradizionale PLS ha faticato significativamente, agendo come un traduttore che si perde quando troppe persone parlano contemporaneamente; non è riuscito a decodificare più parametri simultaneamente con alcuna vera accuratezza. Il modello MLP è stato più costante, come uno studente affidabile ma mediocre che fa il lavoro ma non eccelle nelle parti complesse. Tuttavia, il Regressore basato sull'Attenzione (TBR) è stato la vera stella dello spettacolo quando si è trattato di decodifica simultanea.
Quando al TBR è stato chiesto di decodificare tutti i 24 parametri di movimento in una volta sola (come forza, posizione e rotazione per dita, pollice e polso), ha raggiunto un punteggio di accuratezza notevole (un R² di 0,8) e lo ha fatto incredibilmente velocemente, con una latenza di soli 29,2 millisecondi. Ciò suggerisce che questo modello è altamente capace di gestire l'"orchestra" di segnali cerebrali, comprendendo come le diverse parti di un movimento siano collegate tra loro. Infatti, lo studio ha scoperto che i parametri del movimento sono naturalmente correlati nel cervello; il segnale di "quanto forte sto stringendo" è strettamente legato a "dove si sta muovendo la mia mano". Il TBR ha eccelso perché era in grado di individuare queste connessioni nascoste.
Tuttavia, c'è stato un colpo di scena. Quando i ricercatori hanno chiesto al TBR di decodificare un solo parametro in isolamento (ignorando gli altri), le sue prestazioni sono crollate drasticamente. Si è scoperto che il modello era così bravo a usare le relazioni tra i parametri che inciampava quando quelle relazioni venivano rimosse. Al contrario, il modello MLP è stato più stabile in entrambi gli scenari, sebbene non abbia mai raggiunto l'alta accuratezza del TBR durante la decodifica di tutto insieme.
Lo studio conclude che, mentre l'MLP offre un'opzione costante, seppur meno precisa, il modello basato sull'attenzione detiene la maggiore promessa per la costruzione di dispositivi controllati dal cervello intuitivi e in tempo reale che possano gestire compiti complessi e multi-comando. Gli autori suggeriscono che questo approccio potrebbe portare a protesi o strumenti di riabilitazione che sembrano molto più naturali da usare. Tuttavia, notano anche che questi risultati si basano su dataset specifici e simulazioni, e che sono necessari test nel mondo reale con dati più diversificati prima che questi sistemi possano essere implementati negli ospedali o nelle case. Per ora, la ricerca suggerisce che se vogliamo che le nostre interfacce cervello-computer siano così fluide ed espressive del movimento umano, abbiamo bisogno di modelli che sappiano ascoltare l'intera conversazione, non solo le singole parole.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.