Lineært ligningssystem vil genoprette forringede håndbevægelser

Forskere fra Moskva Institut for Fysik og Teknologi har udviklet en model til at forudsige håndbevægelsesbaner baseret på kortikal aktivitet:Signaler måles direkte fra en menneskelig hjerne. Forudsigelserne er baseret på lineære modeller. Dette aflaster processoren, da det kræver mindre hukommelse og færre beregninger i sammenligning med neurale netværk. Som resultat, processoren kan kombineres med en sensor og implanteres i kraniet. Ved at forenkle modellen uden at forringe forudsigelserne, bliver det muligt at reagere på de skiftende hjernesignaler. Denne teknologi kunne drive eksoskeletoner, der ville give patienter med nedsat mobilitet mulighed for at genvinde bevægelse. Avisen blev udgivet i Ekspertsystemer med applikationer , førende tidsskrift inden for kunstig intelligens.

Skader på rygmarven forhindrer motoriske signaler genereret af hjernen i at nå musklerne. Som resultat, patienter kan ikke længere bevæge sig frit. For at genoprette bevægelse, hjernebarksignaler måles, afkodet, og overføres til et eksoskelet. Afkodning betyder at fortolke signalerne som en forudsigelse af den ønskede lemmerbevægelse. For at opfange signaler af høj kvalitet, sensoren skal implanteres direkte i hjernekassen.

Kirurgisk implantation af en sensor med elektroder på den motoriske cortex, det område af hjernen, der er ansvarlig for frivillige bevægelser, er allerede udført. En sådan sensor drives af et kompakt batteri, der genoplades trådløst. Enheden leveres med en behandlingsenhed, der håndterer de indgående signaler, og en radiosender, der videresender dataene til en ekstern modtager. Processoren varmes op under drift, hvilket bliver problematisk, da det er i kontakt med hjernen. Dette sætter en begrænsning på forbrugt strøm, hvilket er afgørende for at afkode signalet.

Tilstrækkelig måling af hjernesignaler er kun en del af udfordringen. For at bruge disse data til at kontrollere kunstige lemmer, bevægelsesbaner skal rekonstrueres ud fra elektrokortikogrammet - en registrering af hjernens elektriske aktivitet. Dette er pointen med signalafkodning. Forskerholdet ledet af professor Vadim Strijov fra MIPT arbejder på modeller til forudsigelse af håndbaner baseret på elektrokortikogrammer. Sådanne forudsigelser er nødvendige for at muliggøre exoskeletter, som patienter med nedsat motorisk funktion ville kontrollere ved at forestille sig naturlige bevægelser af deres lemmer.

"Vi vendte os til lineær algebra til at forudsige bevægelsesbaner i lemmer. Fordelen ved de lineære modeller i forhold til neurale netværk er, at optimeringen af ​​modelparametre kræver meget færre operationer. Det betyder, at de er velegnede til en langsom processor og en begrænset hukommelse, " forklarer Strijov, avisens seniorforfatter.

"Vi løste problemet med at bygge en model, der ville være enkel, robust, og præcis, " tilføjer Strijov, der er chefforsker ved MIPTs Machine Intelligence Laboratory. "Simpelthen, Jeg mener, der er relativt få parametre. Robusthed refererer til evnen til at bevare en rimelig forudsigelseskvalitet under mindre ændringer af parametre. Præcision betyder, at forudsigelserne tilstrækkeligt tilnærmer naturlige fysiske lemmerbevægelser. For at opnå dette, vi forudsiger bevægelsesbaner som en lineær kombination af elektrokortikogrammets funktionsbeskrivelser."

Hver elektrode udsender sit eget signal repræsenteret ved en frekvens og en amplitude. Frekvenserne er opdelt i bånd. Funktionsbeskrivelsen er en historie med kortikogramsignalværdier for hver elektrode og hvert frekvensbånd. Denne signalhistorie er en tidsserie, en vektor i lineært rum. Hver funktion er derfor en vektor. Forudsigelsen af ​​håndbevægelsesbane beregnes som en lineær kombination af funktionsvektorer, deres vægtede sum. For at finde de optimale vægte til den lineære model – dvs. dem, der resulterer i en passende forudsigelse - et system af lineære ligninger skal løses.

Imidlertid, løsningen på systemet nævnt ovenfor er ustabil. Dette er en konsekvens af, at sensorerne er placeret tæt på hinanden, så nabosensorer udsender lignende signaler. Som resultat, den mindste ændring i de signaler, der opfanges, forårsager en betydelig ændring i baneforudsigelsen. Derfor, problemet med reduktion af funktionsrumdimensionalitet skal løses.

Forfatterne af papiret introducerer en metode til valg af funktion baseret på to kriterier. Først, trækparrene skal være adskilte, og for det andet, deres kombinationer skal tilnærme målvektoren rimeligt godt. Denne tilgang gør det muligt at opnå det optimale funktionssæt, selv uden beregning af modelparametrene. Under hensyntagen til sensorernes indbyrdes positioner, forskerne kom frem til en simpel, robust, og ret præcis model, hvilket er sammenligneligt med dets analoger med hensyn til forudsigelseskvalitet.

I deres fremtidige arbejde, holdet planlægger at løse problemet med beskrivelse af lemmerbane i tilfælde af en variabel hjernestruktur.

Strijov forklarer:"Ved at bevæge sig rundt og få respons fra omgivelserne, mennesker lærer. Hjernens struktur ændres. Nye forbindelser formular, gør modellen forældet. Vi er nødt til at foreslå en model, der vil tilpasse sig ændringerne i hjernen ved at ændre sin egen struktur. Denne opgave er langt fra enkel, men vi arbejder på det."