Le Brain-Computer Interface (BCI) hanno da sempre ricoperto un’importanza fondamentale nel supporto a pazienti affetti da gravi malattie neurodegenerative, andando ad interpretare il segnale cerebrale per trasformarlo in movimenti, parole, stimoli. Un team di ricercatori del Weill Institute of Neurosciences di San Francisco (University of California) ha realizzato uno studio in cui viene mostrata per la prima volta un’interfaccia cervello-machina destinata ai pazienti affetti da tetraplegia, che è in grado di aggiornarsi autonomamente così da migliorare man mano le prestazioni senza bisogno di interventi correttivi.
Brain-Computer Interface: applicazioni e limiti
Ogni anno, milioni di persone soffrono di disturbi motori causati da incidenti o disturbi neurodegenerativi. Alcuni esempi sono la tetraplegia, una patologia che riguarda l’indebolimento nei movimenti di braccia e gambe, o la SLA (sclerosi laterale amiotrofica).
L’incapacità di controllare parti del proprio corpo ha un grande impatto psicologico, poiché chi ne è affetto ha difficoltà a compiere anche le più semplici azioni quotidiane. Sfortunatamente, al giorno d’oggi non esistono trattamenti farmacologici che riescano a curare queste gravi malattie. Tuttavia esistono degli ausili particolari che permettono di riconquistare alcune delle abilità perse, per mezzo della tecnologia: si pensi, ad esempio, al dispositivo usato da Stephen Hawking, che gli permetteva di comunicare attraverso l’interpretazione del movimento dei muscoli della guancia.
Le Brain Computer Interface fanno proprio questo: elaborano segnali bioelettrici prelevati dal paziente e li interpretano per trasformarli in un’azione nel mondo esterno.
Gli utenti che utilizzano dispositivi di questo tipo, però, riscontrano ancora oggi diversi limiti di usabilità. Ad esempio, per il corretto funzionamento dello strumento, è necessario che venga rieseguita giornalmente la calibrazione del sistema. Tale procedura consiste nel chiedere al paziente di pensare di eseguire un’azione, ad esempio di muovere in una posizione specifica un cursore su un’interfaccia grafica, quindi leggere il segnale bioelettrico dal paziente ed associarlo a tale azione, correggendo la risposta a quel segnale per ottenere l’azione desiderata. Tuttavia, questo iter pone un grosso limite nell’uso di questi dispositivi perché le suddette operazioni potrebbero arrivare a richiedere anche delle ore e molto spesso il paziente non riesce a portare terminare la ricalibrazione.
A rendere inoltre difficile l’introduzione di questi dispositivi nella vita di tutti i giorni, è la loro scarsa affidabilità su lunghi periodi. Il superamento di tali limiti è ancora una sfida aperta. Sfida a cui un team di ricercatori dell’Institute for Neurosciences di San Francisco ha provato a rispondere.
Il progetto
Lo scopo del progetto è stato proprio quello di rendere di più agevole utilizzo questi dispositivi, riducendo al minimo la necessità di interventi di ricalibrazione e mantenendo stabili, o addirittura migliorando, nel tempo le performance.
Un’unità di intelligenza artificiale, una sorta di computer, è stata collegata al paziente tramite un array di elettrodi (Fig.2) per l’elettrocorticografia (ECoG). I ricercatori hanno utilizzato i dati raccolti per effettuare un’operazione di mapping dell’attività cerebrale così da interpretare i segnali letti dal dispositivo ed associare ad essi dei movimenti sull’interfaccia computerizzata.
Fig.2 Array di elettrodi per l’elettrocorticografia usati nell’esperimento.
Questi segnali vengono elaborati da un algoritmo di machine learning, in grado di adattarsi continuamente nel tempo ai movimenti che vuole svolgere il paziente.
Questo si traduce in una maggiore usabilità, rendendo più agile le attività di utilizzo quotidiano senza la necessità di ricalibrare ogni giorno l’unità.
Queste interfacce cervello-computer sono, per ora, ai primi stadi di sperimentazione e hanno il fine di aumentare le possibilità di connessione del paziente al mondo esterno.
Come funziona la nuova tecnologia
Per migliorare la stabilità delle performance su lunghi periodi, è stata utilizzata l’elettrocorticografia a 128 canali, che permette un monitoraggio continuo dei segnali. Nello specifico, un array di micro-elettrodi è stato impiantato chirurgicamente sul cervello del paziente e i dati raccolti sono stati inviati ad un decoder KF (Kalman filter) che usa la stima quadratica lineare per elaborare il segnale, ripulendolo per ottenere l’informazione corretta. Tali dati vengono poi elaborati da un’intelligenza artificiale con sistema ad anello chiuso, che riadatta il decoder iterativamente. Questo consente un consolidamento del mapping neurale e un controllo “plug and play”, che si traduce in performance stabili senza ri-calibrazioni anche su diverse settimane.
Al fine di valutare l’efficacia dell’approccio proposto, è stato condotto un esperimento su un partecipante adulto affetto da tetraparesi: è stato chiesto al paziente di muovere un cursore su un’interfaccia computerizzata, utilizzando gli stimoli inviati dal cervello.
Il periodo di osservazione è durato all’incirca 6 mesi ed è stato diviso in due parti. Nella prima parte, l’algoritmo veniva re-inizializzato ogni giorno, ignorando i dati ottenuti il giorno precedente. Nella seconda parte dell’esperimento, i dati elaborati dall’intelligenza artificiale, sono stati mantenuti nel tempo e utilizzati dal sistema per avere un controllo sempre migliore del cursore.
E’ stato chiesto al paziente di eseguire ogni giorno la ripetizione dei medesimi movimenti, così da poter analizzare l’effettivo miglioramento delle performance del dispositivo in termini di velocità e precisione, cercando di capire come quest’azione si evolvesse nel tempo.
Se i risultati della prima parte hanno mostrato che una reinizializzazione giornaliera del sistema porta di fatto ad una degradazione delle performance, introducendo variabilità nell’apprendimento dell’algoritmo, la seconda parte dell’esperimento ha invece portato a conclusioni interessanti.
Infatti, inizialmente una piccola quantità di dati venivano persi ogni giorno, ma con il passare del tempo il paziente è stato in grado di raggiungere rapidamente prestazioni di alto livello, fino a premere addirittura il tasto del mouse. La vera innovazione è stata implementare un algoritmo in grado di analizzare l’attività cerebrale legata ai movimenti del paziente e rielaborarla tramite il machine learning, in modo continuativo nel tempo, così da avere performance sempre migliori ed adattarsi a quelle che sono le esigenze di movimento dell’interessato.
Nel video disponibile al seguente link, si può notare come il paziente impiega sempre meno tempo a condurre il puntatore (blu) all’obbiettivo (verde). Cosa che dimostra che l’algoritmo di apprendimento e l’hardware usato hanno portato a dei concreti sviluppi in merito all’utilizzo di queste interfacce da parte degli utenti.
Conclusioni
Abbiamo scoperto che potevamo migliorare ulteriormente l’apprendimento. Vediamo questo come cercare di costruire una interazione sempre più presente tra due sistemi di apprendimento – cervello e computer – che alla fine permette all’interfaccia artificiale di diventare un’estensione dell’utente, come la propria mano o braccio. Siamo curiosi di utilizzare questo approccio per testare il controllo su dispositivi più complessi, come un braccio e una mano robotici
Ha riferito il Dr. Ganguly, professore associato del Dipartimento di Neurologia di San Francisco, Università della California.
Sicuramente bisogna considerare che l’esperimento è stato condotto su un unico soggetto, in quanto l’obiettivo di questo progetto era quello di dimostrare la fattibilità di un dispositivo Plug and Play attraverso l’uso di ECoG. Sicuramente il prossimo step sarà testare il dispositivo su una popolazione più ampia di individui.
Lo studio getta comunque le basi per aiutare ulteriormente i pazienti affetti da malattie neurodegenerative, con la speranza che si possa fare sempre meglio in questo ambito.
Fonti e approfondimenti
- Nature biotechnology “Plug-and-play control of a brain–computer interface through neural map stabilization“
