EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

Il cervello umano è un flusso costante di attività elettrica, una complessa sinfonia di segnali che si sposta e cambia in millisecondi. Per decenni, gli scienziati che hanno cercato di costruire macchine in grado di leggere questi segnali hanno affrontato un problema difficile: i dati grezzi sono travolgenti. È un caos di informazioni provenienti da migliaia di sensori posizionati sul cuoio capelluto, il che rende difficile trovare i modelli specifici che corrispondono ai pensieri o alle intenzioni di una persona. Per risolvere questo problema, i ricercatori hanno iniziato a osservare l'attività cerebrale non come un flusso continuo e disordinato, ma come una serie di istantanee distinte e stabili. Queste istantanee, note come microstati, rappresentano brevi momenti in cui il cervello si assesta in una specifica disposizione spaziale dell'attività prima di passare rapidamente alla successiva. Pensate a questi microstati come ai mattoncini fondamentali del pensiero, le unità di base che si combinano per formare i nostri processi mentali interni. Se gli scienziati riusciranno a imparare a riconoscere e tracciare la sequenza di questi mattoncini, potrebbero essere in grado di creare un modo più semplice e affidabile affinché le persone comunichino con i computer usando solo la loro mente.

Uno studio recente si è proposto di testare se queste sequenze di istantanee cerebrali potessero servire da innesco per un'interfaccia cervello-computer, un dispositivo che traduce l'attività neurale in comandi. I ricercatori si sono concentrati su un compito mentale specifico: immaginare il movimento della mano sinistra o della mano destra. Questo è un esercizio comune nella ricerca sui computer cerebrali perché il cervello si illumina in aree diverse a seconda di quale mano la persona stia pensando di muovere. Invece di analizzare direttamente i segnali elettrici grezzi, il team ha prima convertito i dati in queste sequenze di microstati. Ha poi inserito queste informazioni semplificate in un sofisticato modello informatico progettato per apprendere i pattern. Questo modello è stato costruito in due parti: una sezione che imparava a ricostruire i modelli cerebrali dai dati, e un'altra che imparava a categorizzarli. I ricercatori hanno testato due modi per insegnare a questo modello. Nel primo metodo, hanno addestrato le due sezioni separatamente, come insegnare a uno studente a leggere prima di insegnargli a scrivere. Nel secondo metodo, hanno addestrato l'intero sistema contemporaneamente, permettendo alle parti di imparare l'una dall'altra simultaneamente.

I risultati hanno dimostrato che questo approccio ha funzionato in modo straordinario. Il modello informatico ha imparato con successo a distinguere tra i modelli cerebrali associati all'immaginazione della mano sinistra e quelli associati all'immaginazione della mano destra. Quando testato sulla stessa persona durante la stessa sessione, il sistema è stato in grado di identificare il movimento inteso con un'alta precisione. Ancora più importante, i ricercatori hanno scoperto che il sistema poteva adattarsi a nuove situazioni senza ricominciare da capo. Utilizzando una tecnica chiamata transfer learning, che permette a un modello di applicare ciò che ha appreso in un contesto a uno nuovo, il sistema ha raggiunto accuratezze di classificazione di picco di circa l'89 percento nel passaggio tra diverse sessioni o persino tra persone diverse. Ciò suggerisce che la specifica sequenza di stati cerebrali è un segnale robusto che non svanisce quando le condizioni di test cambiano.

Forse il reperto più pratico riguarda il tempo necessario per configurare un tale sistema. Un grande ostacolo per le interfacce cervello-computer è stato il lungo processo di calibrazione, in cui un utente deve sedersi e addestrare la macchina a comprendere i propri segnali cerebrali per ore. Lo studio ha indagato quanta quantità di dati di addestramento fosse necessaria per raggiungere un livello di prestazione utile. Hanno scoperto che, in media, erano necessari solo circa 400 secondi di dati per calibrare il sistema a un'accuratezza dell'80 percento. Questa è una riduzione significativa del tempo che un utente deve trascorrere nella preparazione del dispositivo. Lo studio conclude che riducendo i complessi segnali elettrici multi-canale del cervello in un numero distinto di stati nel tempo, e applicando poi metodi di apprendimento avanzati a tali stati, è possibile creare un'interfaccia più user-friendly. Sebbene il lavoro sia ancora in fase di ricerca, i risultati suggeriscono che il tracciamento di queste traiettorie cerebrali offre una strada promettente verso interfacce cervello-computer che richiedono meno configurazione e funzionano in modo più affidabile nelle applicazioni del mondo reale.