M8 Gehirn-Maschine-Schnittstellen

Thema

Eine Gehirn-Computer-Schnittstelle zeichnet die neuronale Aktivität einer Neuronenpopulation auf und interpretiert diese Aktivität gemäß dem Populationskodierungs- und -dekodierungsmodell als kollektiven Code, der die motorische oder kognitive Intention einer Person im jeweiligen Moment repräsentiert. Die Dekodierung dieser aufgezeichneten neuronalen Aktivität bedeutet, den Populationscode zu invertieren, um aus der gleichzeitigen Aktivität vieler Neuronen die spezifische Intention zu extrahieren, die die Person ausdrücken möchte. Ein adaptiver linearer Dekodierer führt diese Dekodierungsaufgabe durch, indem er die Aktivität der neuronalen Population mithilfe von Eigengewichten – eines für jedes aufgezeichnete Neuron – kombiniert, um ein dekodiertes Signal zu erzeugen, das die Intention der Person im jeweiligen Moment schätzt. Anfänglich kombinieren diese Gewichte die neuronale Aktivität nicht optimal, und das erzeugte dekodierte Signal weicht vom tatsächlichen Zielwert ab. Eine überwachte Lernregel passt diese Gewichte jedoch Sitzung für Sitzung so an, dass der Fehler zwischen dem dekodierten Signal und der während des Trainings des Dekodierers bekannten Zielintention minimiert wird. Je häufiger diese Anpassung wiederholt wird, desto geringer wird der Fehler und desto genauer spiegelt das dekodierte Signal die wahre Absicht der Person wider.

Dieses dekodierte Signal bleibt nicht bloß eine Schätzung: Es steuert direkt einen externen Aktor, wie beispielsweise einen Cursor oder einen Roboterarm. Die Bewegung dieses Aktors wiederum erzeugt eine sensorische Konsequenz, die über künstliches sensorisches Feedback an die Person zurückgesendet wird. Dadurch kann sie das Ergebnis ihrer eigenen dekodierten Absicht wahrnehmen und es sofort korrigieren, falls das Ergebnis nicht ihren Erwartungen entspricht. Dieser gesamte Prozess – von der aufgezeichneten neuronalen Aktivität über das dekodierte Signal und den externen Aktor bis hin zur Person über künstliches sensorisches Feedback – vervollständigt den geschlossenen Regelkreis dieser Gehirn-Maschine-Schnittstelle.

Die wiederholte Nutzung dieser Gehirn-Maschine-Schnittstelle passt nicht nur die Gewichtungen des Dekodierers an, sondern induziert, wie im Plastizitätsmodell beschrieben, auch eine kortikale Reorganisation bei der Person, analog zu den Beschreibungen im M05-Modell. Bei wiederholter Nutzung der Schnittstelle lernt der Cortex selbstständig, die Aktivität derselben Neuronenpopulation so zu modulieren, dass die Dekodierung erleichtert wird. Der Dekodierer passt sich dem Cortex durch überwachtes Lernen seiner Gewichtungen an, während der Cortex sich durch eigene kortikale Reorganisation an den Dekodierer anpasst. Zusammen verbessern diese Anpassungen die Gerätesteuerung letztendlich stärker, als es ihnen einzeln möglich wäre.

Die Leistung dieser Gehirn-Computer-Schnittstelle wird auf zwei Arten quantifiziert. Die erste ist die Informationsübertragungsrate, berechnet nach der von Wolpaw eingeführten Methode, basierend auf derselben Informationstheorie, die das Modell der Populationskodierung und -dekodierung beschreibt. Diese Kennzahl fasst in einem einzigen Wert zusammen, wie viele verschiedene Optionen die Schnittstelle unterscheiden kann, wie genau ihre Entscheidungen sind und wie viele Entscheidungen sie pro Minute treffen kann. Das zweite Kriterium ist die Genauigkeit der Dekodierung, bei der das dekodierte Signal mit der Zielabsicht auf die gleiche Weise wie bei der überwachten Lernregel während des Trainings verglichen wird. Diese Genauigkeit nimmt typischerweise mit fortschreitender Dauer der Sitzung ab, da die Ermüdung des Benutzers es ihm erschwert, die gleiche klare und konsistente neuronale Aktivität aufrechtzuerhalten, die die Schnittstelle aufzeichnen muss, um seine Absicht richtig zu dekodieren.

ID:4280