ملخص: طور الباحثون طريقة غير جراحية لتحديد إيماءات اليد باستخدام تصوير الدماغ.
تستخدم هذه التقنية تخطيط الدماغ المغناطيسي (MEG) ويمكن أن تساهم في تطور واجهات الدماغ والحاسوب. يمكن أن تساعد هذه الواجهات الأشخاص الذين يعانون من حالات جسدية ، مثل الشلل أو بتر الأطراف ، والتحكم في أجهزة الدعم باستخدام عقولهم.
يمثل هذا العمل أنجح تمايز إيمائي بيد واحدة غير جراحي حتى الآن.
يسلط الضوء:
- استخدم الباحثون بنجاح تقنية MEG غير الباضعة للتمييز بين إيماءات اليد المختلفة بدقة تزيد عن 85٪.
- لهذه التقنية ، الآمنة مثل قياس درجة حرارة المريض ، تطبيقات محتملة للأشخاص الذين يعانون من تحديات جسدية.
- أسفرت قياسات MEG لنصف مناطق الدماغ التي تم أخذ عينات منها فقط عن نتائج قابلة للمقارنة تقريبًا ، مما يشير إلى أن سماعات الرأس MEG المستقبلية قد تتطلب عددًا أقل من أجهزة الاستشعار.
مصدر: جامعة كاليفورنيا في سان فرانسيسكو
وجد باحثون في جامعة كاليفورنيا في سان دييغو طريقة للتمييز بين إيماءات اليد التي يقوم بها الناس من خلال فحص البيانات فقط من تصوير الدماغ غير الباضع ، دون أي معلومات من اليدين أنفسهم.
النتائج هي الخطوة الأولى في تطوير واجهة غير جراحية بين الدماغ والحاسوب والتي يمكن أن تسمح يومًا ما للمرضى المصابين بالشلل أو الأطراف المبتورة أو غير ذلك من الظروف المادية باستخدام عقولهم للتحكم في جهاز يساعدهم في مهامهم اليومية.
نُشر البحث مؤخرًا على الإنترنت قبل طباعته في المجلة القشرة الدماغيةيمثل أفضل النتائج حتى الآن في التمييز بين الإيماءات أحادية اليد باستخدام تقنية غير جراحية تمامًا ، في هذه الحالة ، تخطيط الدماغ المغناطيسي (MEG).
قال المؤلف الرئيسي للورقة Mingxiong Huang ، الحاصل على درجة الدكتوراه ، والمدير المشارك لمركز MEG في معهد كوالكوم بجامعة كاليفورنيا في سان دييغو: “كان هدفنا هو التحايل على المكونات الغازية”. هوانغ أيضًا تابع لقسم الهندسة الكهربائية وهندسة الحاسبات في كلية الهندسة بجامعة كاليفورنيا في سان دييغو جاكوبس وقسم الأشعة في كلية الطب بجامعة كاليفورنيا في سان دييغو ، بالإضافة إلى النظام الصحي للمحاربين القدامى (VA) من سان دييغو.
“يوفر MEG خيارًا آمنًا ودقيقًا لتطوير واجهة بين الدماغ والحاسوب يمكن أن تساعد المرضى في النهاية.
وأشار الباحثون إلى فوائد تقنية MEG ، التي تستخدم سماعة رأس مزودة بمجموعة من 306 مستشعرات مدمجة للكشف عن المجالات المغناطيسية التي تنتجها التيارات الكهربائية العصبية التي تنتقل بين الخلايا العصبية في الدماغ.
تشمل تقنيات الواجهة الأخرى بين الدماغ والحاسوب تخطيط كهربية القشرة (ECoG) ، والذي يتطلب غرسًا جراحيًا لأقطاب كهربائية على سطح الدماغ ، وتخطيط كهربية فروة الرأس (EEG) ، والذي يحدد موقع نشاط الدماغ بدقة أقل.
قال مؤلف مشارك في الدراسة Roland Lee ، دكتوراه في الطب ، مدير مركز MEG في معهد UC San Diego Qualcomm ، أستاذ فخري في قسم الأشعة: “باستخدام MEG ، يمكنني رؤية الدماغ يفكر دون إزالة الجمجمة ووضع أقطاب كهربائية على الدماغ نفسه”. كلية الطب بجامعة كاليفورنيا في سان دييغو وطبيب في نظام الرعاية الصحية في فيرجينيا سان دييغو.
“لا بد لي من وضع خوذة MEG على رؤوسهم. لا توجد أقطاب كهربائية يمكن أن تنكسر عند زرعها داخل الرأس ؛ لا جراحة دماغ حساسة ومكلفة ؛ لا يوجد عدوى دماغية محتملة.
يحب لي سلامة جهاز MEG في قياس درجة حرارة المريض. “يقيس جهاز MEG الطاقة المغناطيسية التي يبثها دماغك ، مثل مقياس الحرارة الذي يقيس الحرارة التي ينبعث منها جسمك. وهذا يجعله آمنًا وغير جراحي تمامًا.
قرعة
قيمت الدراسة الحالية القدرة على استخدام MEG للتمييز بين إيماءات اليد التي قام بها 12 متطوعًا. تم تزويد المتطوعين بسماعة رأس MEG وتم تكليفهم بشكل عشوائي بأداء إحدى الإيماءات المستخدمة في لعبة Rock Paper Scissors (كما في الدراسات السابقة من هذا النوع). تم تراكب معلومات MEG الوظيفية على صور التصوير بالرنين المغناطيسي ، والتي قدمت معلومات هيكلية حول الدماغ.
لتفسير البيانات التي تم إنشاؤها ، حصل Yifeng (“Troy”) Bu على دكتوراه في الهندسة الكهربائية وهندسة الحاسبات. كتب طالب في كلية الهندسة بجامعة كاليفورنيا في سان دييغو جاكوبس والمؤلف الأول للورقة ، نموذجًا للتعلم العميق قادرًا للغاية يسمى MEG-RPSnet.
قال بو “خصوصية هذه الشبكة هي أنها تجمع بين الخصائص المكانية والزمانية في آن واحد”. “هذا هو السبب الرئيسي وراء أدائها بشكل أفضل من الموديلات السابقة.”
عندما تم نشر نتائج الدراسة ، وجد الباحثون أنه يمكن استخدام تقنياتهم للتمييز بين إيماءات اليد بدقة تزيد عن 85٪. كانت هذه النتائج قابلة للمقارنة مع الدراسات السابقة بحجم عينة أصغر بكثير باستخدام واجهة ECoG الغازية للواجهة الحاسوبية.
وجد الفريق أيضًا أن قياسات MEG لنصف مناطق الدماغ التي تم أخذ عينات منها فقط يمكن أن تولد نتائج بفقدان ضئيل للدقة (2-3٪) ، مما يشير إلى أن سماعات الرأس MEG المستقبلية قد تتطلب عددًا أقل من أجهزة الاستشعار.
وبالنظر إلى المستقبل ، أشار بو إلى أن “هذا العمل يضع الأساس للتطوير المستقبلي لواجهة بين الدماغ والحاسوب قائمة على تقنية MEG.”
بالإضافة إلى Huang، Lee، and Bu ، تم تأليف المقال بعنوان “واجهة الدماغ والحاسوب المستندة إلى مخطط الدماغ المغناطيسي لفك تشفير إيماءات اليد باستخدام التعلم العميق” ، من قبل ديبورا إل.هارينجتون وكيان شين وأنيماري أنجيليس-كوينتو من فيرجينيا سان دييغو للرعاية الصحية نظام وكلية الطب بجامعة كاليفورنيا في سان دييغو ؛ هايدن هانسن من VA San Diego Health System ؛ Zhengwei Ji و Jaqueline Hernandez-Lucas و Jared Baumgartner و Tao Song و Sharon Nichols من كلية الطب بجامعة كاليفورنيا في سان دييغو ؛ ديولين بيكر من مركز فيرجينيا للتميز في الإجهاد والصحة العقلية وكلية الطب بجامعة كاليفورنيا في سان دييغو ؛ إيمانويل ليرمان من جامعة كاليفورنيا في سان دييغو ، وكلية الطب التابعة لها ومركز فيرجينيا للتميز في مجال الإجهاد والصحة العقلية ؛ ورامش راو (مدير معهد كوالكوم) وتو لين وشين مينج تو من جامعة كاليفورنيا في سان دييغو.
حول هذا البحث عن أخبار التكنولوجيا العصبية
الكاتب: سكوت لافي
مصدر: جامعة كاليفورنيا في سان فرانسيسكو
اتصال: سكوت لا في – جامعة كاليفورنيا
صورة: تُنسب الصورة إلى أخبار العلوم العصبية
البحث الأصلي: الوصول مغلق.
“واجهة الدماغ والحاسوب المستندة إلى Magnetoencephalogram لفك تشفير إيماءات اليد باستخدام التعلم العميقبواسطة Yifeng Bu et al. القشرة الدماغية
خلاصة
واجهة الدماغ والحاسوب المستندة إلى Magnetoencephalogram لفك تشفير إيماءات اليد باستخدام التعلم العميق
أدت التطورات في خوارزميات التعلم العميق على مدى العقد الماضي إلى تطورات مهمة في واجهات الدماغ والحاسوب (BCIs). طريقة التصوير الواعدة لـ BCI هي التصوير المغناطيسي للدماغ (MEG) ، وهي تقنية تصوير وظيفي غير جراحية.
طورت الدراسة الحالية شبكة عصبية BCI تعتمد على مستشعر MEG لفك تشفير إيماءات مقص الورق الصخري (MEG-RPSnet). خطوط أنابيب فريدة من نوعها قبل المعالجة جنبًا إلى جنب مع نماذج التعلم العميق للشبكة العصبية التلافيفية المصنفة بدقة للإيماءات.
بناءً على تجربة واحدة ، وجدنا متوسط دقة تصنيف 85.56٪ في 12 موضوعًا. تفوق نموذج MEG-RPSnet الخاص بنا على اثنين من أحدث هياكل الشبكات العصبية لـ BCI المستندة إلى EEG بالإضافة إلى طريقة التعلم الآلي التقليدية ، وأظهر أداءً مكافئًا و / أو أفضل من أساليب التعلم الآلي.الذين استخدموا تخطيط كهربية القشرة. BCI باستخدام نفس المهمة.
بالإضافة إلى ذلك ، تفوق أداء تصنيف MEG-RPSnet باستخدام نهج داخل الموضوعات في الأداء على نموذج باستخدام نهج بين الموضوعات.
بشكل ملحوظ ، وجدنا أيضًا أنه باستخدام المستشعرات الإقليمية المركزية-الجدارية-القذالية فقط أو المستشعرات الإقليمية القذالية-الزمنية ، حقق نموذج التعلم العميق أداء تصنيف مشابهًا لنموذج مستشعر الدماغ بالكامل. ميز نموذج MEG-RSPnet أيضًا الخصائص العصبية لإيماءات اليد الفردية بدقة جيدة جدًا.
بشكل عام ، تُظهر هذه النتائج أن تطبيقات BCI غير الغازية المستندة إلى MEG تبشر بالتطورات المستقبلية لـ BCI في فك تشفير إيماءات اليد.