Att kombinera nya klasser av nanomembranelektroder med flexibel elektronik och en algoritm för djupinlärning kan hjälpa funktionshindrade människor att trådlöst styra en elektrisk rullstol, interagera med en dator eller köra ett litet robotfordon utan att ta på sig en skrymmande hårelektrodhatt eller kämpa med kablar.

Genom att tillhandahålla en helt bärbar, trådlöst hjärn-maskin-gränssnitt (BMI), det bärbara systemet skulle kunna erbjuda en förbättring jämfört med konventionell elektroencefalografi (EEG) för att mäta signaler från visuellt framkallade potentialer i den mänskliga hjärnan. Systemets förmåga att mäta EEG-signaler för BMI har utvärderats med sex mänskliga försökspersoner, men har inte studerats med funktionshindrade individer.

Projektet, utförd av forskare från Georgia Institute of Technology, University of Kent och Wichita State University, rapporterades den 11 september i tidskriften Nature Machine Intelligence .

"Detta arbete rapporterar grundläggande strategier för att designa en ergonomisk, bärbart EEG-system för ett brett utbud av hjälpmedel, smarta hemsystem och gränssnitt för neurospel, sa Woon-Hong Yeo, en biträdande professor vid Georgia Techs George W. Woodruff School of Mechanical Engineering och Wallace H. Coulter Department of Biomedical Engineering. "Den primära innovationen är utvecklingen av ett helt integrerat paket med högupplösta EEG-övervakningssystem och kretsar i ett miniatyriserat hudkonformt system."

BMI är en viktig del av rehabiliteringsteknik som gör det möjligt för personer med amyotrofisk lateralskleros (ALS), kronisk stroke eller andra allvarliga motoriska funktionshinder för att kontrollera protessystem. Att samla in hjärnsignaler som kallas steady-state virtually evoked potentials (SSVEP) kräver nu användning av en elektrodbesatt hårkåpa som använder våta elektroder, lim och ledningar för att koppla ihop med datorutrustning som tolkar signalerna.

Yeo och hans medarbetare drar fördel av en ny klass av flexibla, trådlösa sensorer och elektronik som enkelt kan appliceras på huden. Systemet innehåller tre primära komponenter:mycket flexibel, hårmonterade elektroder som gör direktkontakt med hårbotten genom håret; en ultratunn nanomembranelektrod; och mjuk, flexibel krets med en Bluetooth-telemetrienhet. De inspelade EEG-data från hjärnan bearbetas i de flexibla kretsarna, levereras sedan trådlöst till en surfplatta via Bluetooth på upp till 15 meters avstånd.

Utöver avkänningskraven, att detektera och analysera SSVEP-signaler har varit utmanande på grund av den låga signalamplituden, som är i intervallet tiotals mikrovolt, liknande elektriskt brus i kroppen. Forskare måste också hantera variation i mänskliga hjärnor. Ändå är det viktigt att noggrant mäta signalerna för att avgöra vad användaren vill att systemet ska göra.

För att möta dessa utmaningar, forskargruppen övergick till algoritmer för djupinlärning av neurala nätverk som körs på de flexibla kretsarna.

"Djupa inlärningsmetoder, används ofta för att klassificera bilder av vardagliga saker som katter och hundar, används för att analysera EEG-signaler, " sa Chee Siang (Jim) Ang, universitetslektor i multimedia/digitala system vid University of Kent. "Som bilder på en hund som kan ha många variationer, EEG-signaler har samma utmaning med hög variabilitet. Metoder för djupinlärning har visat sig fungera bra med bilder, och vi visar att de fungerar väldigt bra med EEG-signaler också."

Dessutom, forskarna använde djupinlärningsmodeller för att identifiera vilka elektroder som är mest användbara för att samla information för att klassificera EEG-signaler. "Vi fann att modellen kan identifiera de relevanta platserna i hjärnan för BMI, som är överens med mänskliga experter, " Ang tillade. "Detta minskar antalet sensorer vi behöver, sänka kostnaderna och förbättra portabiliteten."

Systemet använder tre elastomeriska hårbottenelektroder som hålls på huvudet med ett tygband, ultratunn trådlös elektronik anpassad till nacken, och en hudliknande tryckt elektrod placerad på huden under ett öra. De torra mjuka elektroderna fäster på huden och använder inte lim eller gel. Tillsammans med användarvänlighet, systemet skulle kunna minska brus och störningar och ge högre dataöverföringshastigheter jämfört med befintliga system.

Systemet utvärderades med sex mänskliga försökspersoner. Algoritmen för djupinlärning med dataklassificering i realtid skulle kunna styra en elektrisk rullstol och ett litet robotfordon. Signalerna kan också användas för att styra ett displaysystem utan att använda ett tangentbord, joystick eller annan styrenhet, sa Yeo.

"Typiska EEG-system måste täcka större delen av hårbotten för att få signaler, men potentiella användare kan vara känsliga för att bära dem, " tillade Yeo. "Denna miniatyriserade, bärbar mjuk enhet är helt integrerad och designad för att vara bekväm för långvarig användning."

Nästa steg kommer att inkludera att förbättra elektroderna och göra systemet mer användbart för personer med motorisk funktionsnedsättning.

"Framtida studie skulle fokusera på undersökning av helt elastomer, trådlösa självhäftande elektroder som kan monteras på den håriga hårbotten utan stöd från huvudbonader, tillsammans med ytterligare miniatyrisering av elektroniken för att införliva fler elektroder för användning med andra studier, "Yeo sa. "EEG-systemet kan också konfigureras om för att övervaka motorisk framkallade potentialer eller motorisk fantasi för personer med motorisk funktionsnedsättning, som kommer att studeras vidare som ett framtida arbete med terapeutiska tillämpningar."

Långsiktigt, systemet kan ha potential för andra tillämpningar där enklare EEG-övervakning skulle vara till hjälp, som i sömnstudier gjorda av Audrey Duarte, en docent vid Georgia Techs School of Psychology.

"Det här EEG-övervakningssystemet har potentialen att äntligen tillåta forskare att övervaka mänsklig neurala aktivitet på ett relativt diskret sätt när försökspersoner går igenom sina liv, " sa hon. "T.ex. Dr. Yeo och jag använder för närvarande ett liknande system för att övervaka neural aktivitet medan människor sover i bekvämligheten av sina egna hem, snarare än labbet med skrymmande, stel, obekväm utrustning, som man brukar göra. Att mäta sömnrelaterad neural aktivitet med ett omärkligt system kan göra det möjligt för oss att identifiera nya, icke-invasiva biomarkörer för Alzheimers-relaterad neural patologi som förutsäger demens."

Utöver de som redan nämnts, forskargruppen inkluderade Musa Mahmood, Yun-Soung Kim, Saswat Mishra, och Robert Herbert från Georgia Tech; Deogratias Mzurikwao från University of Kent; och Yongkuk Lee från Wichita State University.