Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
Dit artikel stelt drie regressiemodellen voor en evalueert deze voor het decoderen van meerdere kinetische en kinematische bewegingsparameters uit EEG-signalen, waarbij wordt aangetoond dat een op aandacht gebaseerde regressor een superieure simultane multi-parameter decoderingsprestatie (=0,8) behaalt vergeleken met partial least squares- en multilayered perceptron-modellen, waardoor de ontwikkeling van intuïtieve, real-time hersen-machine-interfaces wordt geavanceerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin je gedachten een robotarm, een rolstoel of een computermuis direct kunnen aansturen, zonder dat je ooit een spier hoeft te bewegen. Dit is geen sciencefiction; dit is het doel van Brain-Machine Interfaces (BMI's). Beschouw een BMI als een vertaler die luistert naar de elektrische fluisteringen van de hersenen en deze omzet in commando's voor machines. Voor mensen die het vermogen om te bewegen hebben verloren door bijvoorbeeld een beroerte of amputaties, kan deze technologie de sleutel zijn tot het herwinnen van onafhankelijkheid. Er is echter een addertje onder het gras: de meeste huidige vertalers zijn als ouderwetse afstandsbedieningen met slechts een paar knoppen. Ze kunnen een machine vertellen om "naar links" of "naar rechts" te bewegen, maar ze hebben moeite met de nuance van het echte leven, zoals hoe hard je een druif moet knijpen of hoe snel je een kopje moet optillen. Om deze apparaten echt bruikbaar te maken, moeten wetenschappers niet alleen decoderen waar een ledemaat naartoe beweegt, maar ook hoe snel deze gaat en hoeveel kracht er wordt uitgeoefend, en dat allemaal tegelijkertijd.
Dit is precies de uitdaging waar Parth G. Dangi en Yogesh Kumar Meena in hun recente studie een antwoord op zochten. Ze stelden een grote vraag: kunnen we een brein-leesysteem boun dat een complexe symfonie van bewegingssignalen tegelijkertijd begrijpt, in plaats van slechts één instrument tegelijk te beluisteren? Om dit te ontdekken, zetten ze een digitale experiment op met hersengolfdata van mensen die een eenvoudige "grijp- en tiltaak" uitvoerden—het oppakken en verplaatsen van een object. Ze testten drie verschillende "decoders" (wiskundige modellen) om te zien welke het beste die hersengolven kon vertalen naar een volledig beeld van de beweging, inclusief de kracht van de grip en de positie van de vingers en pols in de 3D-ruimte.
De onderzoekers vergeleken drie verschillende benaderingen. Eerst probeerden ze een Partial Least Squares (PLS) regressor, een traditioneel, ouderwets wiskundig model. Vervolgens gebruikten ze een Multi-layered Perceptron (MLP), een type deep learning-model dat werkt als een eenvoudig neuraal netwerk dat probeert patronen in de data te vinden. Ten slotte introduceerden ze een nieuwe uitdager: een Attention-based Regressor (specifiek een Transformer-gebaseerd model), een geavanceerde AI-architectuur die bekend staat om zijn vermogen om aandacht te besteden aan de relaties tussen verschillende stukjes informatie over de tijd heen, vergelijkbaar met hoe een menselijke luisteraar zich concentreert op hoe de ene zin verbonden is met de volgende in een verhaal.
De resultaten vertelden een verhaal van twee zeer verschillende sterktes. Het traditionele PLS-model had aanzienlijke problemen en gedroeg zich als een vertaler die de draad kwijtraakt wanneer er te veel mensen tegelijk praten; het slaagde er niet in om meerdere parameters simultaan te decoderen met enige echte nauwkeurigheid. Het MLP-model was consistenter, als een betrouwbare maar gemiddelde student die de klus klaart maar niet uitblinkt in de complexe onderdelen. Echter, de Attention-based Regressor (TBR) was de absolute ster van de show als het aankwam op simultane decodering.
Toen de TBR de opdracht kreeg om alle 24 bewegingsparameters tegelijkertijd te decoderen (zoals kracht, positie en rotatie voor vingers, duimen en polsen), behaalde het een opmerkelijke nauwkeurigheidsscore (een R² van 0,8) en deed het dit ongelooflijk snel, met een latentie van slechts 29,2 milliseconden. Dit suggereert dat dit model zeer goed in staat is om de "orkestratie" van hersensignalen te verwerken, door te begrijpen hoe de verschillende delen van een beweging met elkaar verbonden zijn. Sterker nog, de studie vond dat bewegingsparameters van nature gecorreleerd zijn in de hersenen; het signaal voor "hoe hard ik knij" is nauw verbonden met "waar mijn hand naartoe beweegt". De TBR blonk uit omdat het deze verborgen connecties kon opsporen.
Er was echter een wending. Toen de onderzoekers de TBR vroegen om slechts één parameter in isolatie te decoderen (door de andere te negeren), daalde de prestatie dramatisch. Het bleek dat het model zo goed was in het gebruiken van de relaties tussen parameters, dat het struikelde wanneer die relaties werden verwijderd. In tegenstelling hiertoe was het MLP-model stabieler in beide scenario's, hoewel het nooit de hoge nauwkeurigheid van de TBR bereikte bij het decoderen van alles samen.
De studie concludeert dat hoewel de MLP een stabiele, zij het minder precieze optie biedt, het attention-gebaseerde model de meeste belofte in zich draagt voor het bouwen van intuïtieve, real-time hersengestuurde apparaten die complexe taken met meerdere commando's kunnen uitvoerden. De auteurs suggereren dat deze aanpak kan leiden tot protheses of revalidatiehulpmiddelen die veel natuurlijker aanvoelen bij het gebruik. Ze merken echter ook op dat deze bevindingen gebaseerd zijn op specifieke datasets en simulaties, en dat testen in de echte wereld met meer diverse data nodig is voordat deze systemen in ziekenhuizen of huizen kunnen worden ingezet. Voor nu suggereert het onderzoek dat als we willen dat onze hersen-computerinterfaces zo vloeiend en expressief zijn als menselijke beweging, we modellen nodig hebben die het hele gesprek kunnen beluisteren, en niet alleen de individuele woorden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.