An Investigation of Cross-Subject Variability in EEG-EMG Fusion Models

Het menselijk lichaam is een complexe machine waarbij de hersenen commando's sturen en de spieren deze uitvoeren. Om mensen te helpen die het vermogen om te bewegen hebben verloren, proberen wetenschappers al lang machines te bouwen die deze commando's direct kunnen lezen. Ze kijken naar twee belangrijke signalen: de elektrische activiteit van de hersenen, die het plan om te bewegen laat zien, en de elektrische activiteit van de spieren, die de werkelijke beweging laat zien die plaatsvindt. Jarenlang geloofden onderzoekers dat het combineren van deze twee signalen een perfect systeem zou creëren, veel beter dan het gebruik van één van beide alleen. Het idee was dat de vroege waarschuwing van de hersenen en de uiteindelijke actie van de spier samen zouden werken om de machine precies te laten begrijpen wat een persoon wilde doen. Echter, er is een groot probleem. Elk menselijk brein en lichaam zijn net iets anders. De vorm van de schedel, de dikte van de huid en de manier waarop zenuwen vuren, variëren van individu tot individu. Dit betekent dat een systeem dat getraind is op één persoon vaak faalt wanneer het wordt gevraagd voor iemand anders te werken, een hindernis die veel veelbelovende technologieën in het laboratorium heeft gehouden.

Een recent onderzoek door Albert Schulle aan de Technische Universiteit München pakte dit exacte probleem aan. In plaats van nieuwe patiënten te werven voor een nieuw experiment, gebruikte de onderzoeker bestaande, publiekelijk beschikbare opnames van hersen- en spiersignalen van tientallen gezonde mensen. Door duizenden computersimulaties op deze gegevens uit te voeren, testte de studie hoe goed deze gecombineerde hersen-spier-systemen eigenlijk werken wanneer ze worden gevraagd de intenties van mensen die ze nog nooit hebben ontmoet te herkennen. Het doel was om te zien of de magie van het combineren van signalen standhoudt in de rommelige realiteit van menselijke verschillen.

De resultaten onthulden een aanzienlijke kloof tussen theorie en praktijk. Wanneer de computermodellen werden getest op dezelfde persoon waarop ze waren getraind, werkte de combinatie van hersen- en spiersignalen erg goed en behaalde het een hoge nauwkeurigheid. In deze vertrouwde omstandigheden vulden de twee signalen elkaar perfect aan. Echter, op het moment dat de modellen werden gevraagd om voor een nieuw persoon te werken, daalde de prestatie scherp. De studie vond dat de nauwkeurigheid van het gecombineerde systeem met ongeveer 20 tot 25 procent daalde in vergelijking met de prestaties op de oorspronkelijke gebruiker. Deze daling was niet uniform over de twee signalen. De spiersignalen bleven relatief sterk en hielden zelfs bij een nieuw persoon redelijk stand. De hersensignalen daarentegen werden bijna nutteloos wanneer ze op een vreemde werden toegepast, waarbij ze vaak zakten tot een niveau waarop de computer simpelweg gokt.

Deze ontdekking suggereert dat het voordeel van het combineren van hersen- en spiersignalen grotendeels afhankelijk is van het kennen van de specifieke persoon die het systeem gebruikt. De elektrische patronen van de hersenen zijn zo uniek voor elk individu dat een model dat op één persoon is getraind, dezelfde intentie bij een ander niet gemakkelijk kan herkennen. In tegen tegenstelling hiertoe zijn de spiersignalen consistenter over verschillende mensen heen, omdat de basismechanica van hoe spieren bewegen voor iedereen vergelijkbaar is. Wanneer de computermodellen gedwongen werden om voor nieuwe mensen te werken zonder voorafgaande training, leerden ze instinctief de onbetrouwbare hersensignalen te negeren en zich bijna volledig te richten op de stabielere spiersignalen. De fusie van de twee creëerde geen robuust super-signaal; in plaats daarvan werd het een systeem dat terugviel op de spierdata omdat de hersendata te ruizig was om te vertrouwen.

De studie onderzocht ook of geavanceerde computermethoden dit probleem konden oplossen. Onderzoekers testten methoden die ontworpen zijn om de signalen van de ene persoon naar de andere te vertalen, in de hoop de verschillen in lijn te brengen zodat een enkel model voor iedereen kan werken. Deze technieken, die onder meer wiskundige aanpassingen aan de signaalpatronen omvatten, hielpen wel degelijk. Ze slaagden erin een deel van de verloren prestaties te herstellen, waarbij de nauwkeurigheid van de hersensignalen met ongeveer 8 tot 12 procent verbeterde en die van het gecombineerde systeem met 5 tot 8 procent. Deze methoden losten het probleem echter niet volledig op. Zelfs met deze aanpassingen bleef het systeem moeite hebben om perfect voor een nieuwe persoon te werken zonder specifieke gegevens van die persoon. De studie concludeert dat hoewel we het systeem beter kunnen maken, we het nog niet echt universeel kunnen maken. De verschillen tussen menselijke hersenen zijn te diep voor een eenvoudige wiskundige oplossing om ze volledig uit te wissen.

Voor de toekomst van de medische technologie bieden deze bevindingen een duidelijk pad vooruit. De droom van een enkel apparaat dat aan elke patiënt kan worden overhandigd en onmiddellijk werkt, is vooralsnog waarschijnlijk onbereikbaar. In plaats daarvan lijkt de meest betrouwbare aanpak systemen te zijn die zich richten op spiersignalen of die een korte, gepersonaliseerde trainingsperiode voor elke nieuwe gebruiker bevatten. De studie suggereert dat de beste ontwerpen die zullen zijn die kunnen aanpassen, door het gewicht van de hersen- en spiersignalen verschillend toe te kennen afhankelijk van hoe goed het systeem de gebruiker kent. Totdat we de kloof tussen individuen volledig kunnen overbruggen, zullen de meest effectieve hulpmiddelen diegenen zijn die menselijke variabiliteit erkennen en ermee werken, in plaats van te proberen deze te negeren.