Ученые Калифорнийского технологического института (Caltech) сделали прорыв в области интерфейсов «мозг-компьютер» (BMI), решив проблему ухудшающейся работы мозговых имплантов. С помощью машинного обучения они научились интерпретировать нейронные сигналы, даже когда имплант, с помощью которого пациент управляет устройствами, начинает давать менее точные данные со временем.
BMI позволяют пациентам, не способным двигаться или говорить, управлять компьютерами и роботами только силой мысли. Для этого в мозг имплантируется микросхема с микроэлектродами, которые фиксируют нейронную активность. Однако со временем эта система теряет эффективность: имплант может смещаться, его электроды изнашиваются, а сигналы становятся менее четкими.
Ученые нашли решение этой проблемы. Они разработали алгоритм FENet, который использует машинное обучение для анализа даже слабых и «шумных» сигналов, восстанавливая точность интерпретации намерений пациента.
Ранее для получения точных данных о нейронной активности использовали методы, такие как измерение пиковой активности нейронов. Но с годами эти методы становились менее эффективными. Теперь же алгоритм FENet способен извлекать информацию из всех изменений нейронного сигнала, что позволяет поддерживать работу системы, несмотря на деградацию импланта.
Один из участников эксперимента, потерявший подвижность из-за аварии, смог продолжить использовать имплант после трёх лет его использования, а точность управления курсором на экране восстановилась. Это открытие позволяет не только улучшить существующие системы, но и расширить возможности BMIs, делая их более доступными и функциональными для пациентов.
© Nature Biomedical Engineering
