La combinazione di nuove classi di elettrodi a nanomembrana con elettronica flessibile e un algoritmo di deep learning potrebbe aiutare le persone disabili a controllare in modalità wireless una sedia a rotelle elettrica, interagisci con un computer o aziona un piccolo veicolo robotico senza indossare un ingombrante cappuccio di elettrodi per capelli o lottare con i cavi.

Fornendo un completamente portatile, interfaccia cervello-macchina senza fili (BMI), il sistema indossabile potrebbe offrire un miglioramento rispetto all'elettroencefalografia convenzionale (EEG) per misurare i segnali dei potenziali evocati visivamente nel cervello umano. La capacità del sistema di misurare i segnali EEG per l'IMC è stata valutata con sei soggetti umani, ma non è stato studiato con soggetti disabili.

Il progetto, condotto da ricercatori del Georgia Institute of Technology, Università del Kent e Wichita State University, è stato riportato l'11 settembre sulla rivista Intelligenza della macchina della natura .

"Questo lavoro riporta strategie fondamentali per progettare un ambiente ergonomico, sistema EEG portatile per un'ampia gamma di dispositivi di assistenza, sistemi di casa intelligente e interfacce di neuro-gioco, " disse Woon-Hong Yeo, un assistente professore presso la George W. Woodruff School of Mechanical Engineering della Georgia Tech e il Wallace H. Coulter Department of Biomedical Engineering. "L'innovazione principale consiste nello sviluppo di un pacchetto completamente integrato di sistemi e circuiti di monitoraggio EEG ad alta risoluzione all'interno di un sistema miniaturizzato per la conformazione cutanea".

Il BMI è una parte essenziale della tecnologia riabilitativa che consente a chi soffre di sclerosi laterale amiotrofica (SLA), ictus cronico o altre gravi disabilità motorie per controllare i sistemi protesici. La raccolta di segnali cerebrali noti come potenziali evocati virtualmente allo stato stazionario (SSVEP) ora richiede l'uso di una cuffia per capelli tempestata di elettrodi che utilizza elettrodi bagnati, adesivi e fili per collegare apparecchiature informatiche che interpretano i segnali.

Yeo e i suoi collaboratori stanno approfittando di una nuova classe di flessibili, sensori wireless ed elettronica che possono essere facilmente applicati sulla pelle. Il sistema comprende tre componenti principali:altamente flessibile, elettrodi montati sui capelli che entrano in contatto diretto con il cuoio capelluto attraverso i capelli; un elettrodo a nanomembrana ultrasottile; e morbido, circuiti flessibili con un'unità di telemetria Bluetooth. I dati EEG registrati dal cervello vengono elaborati nel circuito flessibile, quindi consegnato in modalità wireless a un tablet tramite Bluetooth fino a 15 metri di distanza.

Al di là dei requisiti di rilevamento, il rilevamento e l'analisi dei segnali SSVEP sono stati difficili a causa della bassa ampiezza del segnale, che è nell'intervallo di decine di micro-volt, simile al rumore elettrico nel corpo. I ricercatori devono anche occuparsi della variazione nel cervello umano. Tuttavia, misurare accuratamente i segnali è essenziale per determinare ciò che l'utente vuole che il sistema faccia.

Per affrontare queste sfide, il team di ricerca si è rivolto ad algoritmi di rete neurale di deep learning in esecuzione su circuiti flessibili.

"Metodi di apprendimento profondo, comunemente usato per classificare immagini di cose di tutti i giorni come cani e gatti, vengono utilizzati per analizzare i segnali EEG, " ha detto Chee Siang (Jim) Ang, docente senior di Sistemi multimediali/digitali presso l'Università del Kent. "Come le immagini di un cane che possono avere molte varianti, I segnali EEG hanno la stessa sfida dell'elevata variabilità. I metodi di deep learning hanno dimostrato di funzionare bene con le immagini, e dimostriamo che funzionano molto bene anche con i segnali EEG".

Inoltre, i ricercatori hanno utilizzato modelli di deep learning per identificare quali elettrodi sono i più utili per raccogliere informazioni per classificare i segnali EEG. "Abbiamo scoperto che il modello è in grado di identificare le posizioni rilevanti nel cervello per l'IMC, che è in accordo con esperti umani, " ha aggiunto Ang. "Questo riduce il numero di sensori di cui abbiamo bisogno, ridurre i costi e migliorare la portabilità."

Il sistema utilizza tre elettrodi elastomerici del cuoio capelluto tenuti sulla testa con una fascia in tessuto, elettronica wireless ultrasottile conformata al collo, e un elettrodo stampato simile alla pelle posizionato sulla pelle sotto un orecchio. Gli elettrodi morbidi asciutti aderiscono alla pelle e non utilizzano adesivi o gel. Insieme alla facilità d'uso, il sistema potrebbe ridurre il rumore e le interferenze e fornire velocità di trasmissione dati più elevate rispetto ai sistemi esistenti.

Il sistema è stato valutato con sei soggetti umani. L'algoritmo di deep learning con classificazione dei dati in tempo reale potrebbe controllare una sedia a rotelle elettrica e un piccolo veicolo robotico. I segnali potrebbero essere utilizzati anche per controllare un sistema di visualizzazione senza utilizzare una tastiera, joystick o altro controller, Sì ha detto.

"I tipici sistemi EEG devono coprire la maggior parte del cuoio capelluto per ricevere segnali, ma i potenziali utenti potrebbero essere sensibili nell'indossarli, " Yeo ha aggiunto. "Questo miniaturizzato, dispositivo morbido indossabile è completamente integrato e progettato per essere comodo per un uso a lungo termine."

I prossimi passi includeranno il miglioramento degli elettrodi e il rendere il sistema più utile per le persone con problemi motori.

"Lo studio futuro si concentrerà sull'indagine su materiali completamente elastomerici, elettrodi autoadesivi senza fili che possono essere montati sul cuoio capelluto peloso senza alcun supporto da copricapo, insieme a un'ulteriore miniaturizzazione dell'elettronica per incorporare più elettrodi da utilizzare con altri studi, " Yeo ha detto. "Il sistema EEG può anche essere riconfigurato per monitorare i potenziali evocati motori o l'immaginazione motoria per i soggetti con disabilità motorie, che sarà ulteriormente studiato come un lavoro futuro sulle applicazioni terapeutiche."

Lungo termine, il sistema potrebbe avere il potenziale per altre applicazioni in cui sarebbe utile un monitoraggio EEG più semplice, come negli studi sul sonno fatti da Audrey Duarte, professore associato presso la School of Psychology della Georgia Tech.

"Questo sistema di monitoraggio EEG ha il potenziale per consentire finalmente agli scienziati di monitorare l'attività neurale umana in modo relativamente discreto mentre i soggetti affrontano le loro vite, " ha detto. "Per esempio, Il dottor Yeo ed io stiamo attualmente utilizzando un sistema simile per monitorare l'attività neurale mentre le persone dormono nel comfort delle proprie case, piuttosto che il laboratorio con ingombranti, rigido, attrezzatura scomoda, come è consuetudine fare. Misurare l'attività neurale correlata al sonno con un sistema impercettibile può consentirci di identificare nuovi, biomarcatori non invasivi della patologia neurale correlata all'Alzheimer predittivo di demenza".

Oltre a quelli già citati, il gruppo di ricerca includeva Musa Mahmood, Yun-Soung Kim, Saswat Mishra, e Robert Herbert della Georgia Tech; Deogratias Mzurikwao dell'Università del Kent; e Yongkuk Lee della Wichita State University.