M8 Interfaces cerveau-machine

Topique

Une interface cerveau-machine enregistre l'activité neuronale d'une population de neurones et traite cette activité, telle que décrite par le modèle de codage et de décodage de la population, comme un code collectif qui représente l'intention motrice ou cognitive de la personne à chaque instant. Décoder l'activité neuronale enregistrée signifie alors inverser ce code de population pour récupérer, à partir de l'activité de plusieurs neurones en même temps, quelle est l'intention spécifique que cette personne essaie d'exprimer.

Un décodeur linéaire adaptatif accomplit cette tâche de décodage en combinant l'activité de cette population de neurones à l'aide d'un ensemble de poids propres, un pour chaque neurone enregistré, pour produire un signal décodé qui estime l'intention de la personne à chaque instant. Au début, ces poids ne correspondent pas bien à l'activité neuronale et le signal décodé qu'ils produisent s'écarte de la cible réelle, mais une règle d'apprentissage supervisé ajuste ces poids, session après session, dans le sens qui réduit l'erreur entre le signal décodé et l'intention cible connue lors de l'entraînement du décodeur ; Plus cet ajustement est répété, plus l'erreur finit par être faible et plus le signal décodé reflète fidèlement l'intention réelle de la personne.

Ce signal décodé ne reste pas seulement une estimation : il contrôle directement un effecteur externe, tel qu'un curseur ou un bras robotique, et le mouvement de cet effecteur externe génère à son tour une conséquence sensorielle qu'un retour sensoriel artificiel renvoie à la personne, afin qu'elle perçoive le résultat de sa propre intention décodée et puisse le corriger immédiatement si ce résultat n'était pas celui recherché. Ce chemin complet – de l’activité neuronale enregistrée au signal décodé, du signal décodé à l’effecteur externe et de l’effecteur externe à la personne via un retour sensoriel artificiel – est ce qui ferme la boucle de contrôle fermée de cette interface cerveau-machine.

L'utilisation répétée de cette interface cerveau-machine n'ajuste pas seulement les poids du décodeur : elle induit également, comme le décrit le modèle de plasticité, une réorganisation corticale chez la personne elle-même, dans le sens déjà décrit par le modèle M05. Au fur et à mesure que la personne utilise l'interface encore et encore, le cortex apprend tout seul à moduler l'activité de cette même population de neurones de manière à la rendre plus facile à décoder, de sorte que le décodeur s'adapte au cortex par apprentissage supervisé de ses poids en même temps que le cortex s'adapte au décodeur par sa propre réorganisation corticale, et les deux adaptations ensemble finissent par améliorer le contrôle de l'appareil plus que ce que l'un ou l'autre pourrait réaliser seul.

Les performances de cette interface cerveau-machine sont quantifiées de deux manières. Le premier est le taux de transfert d’informations, calculé à l’aide de la méthode introduite par Wolpaw, basée sur la même théorie de l’information qui décrit déjà le modèle de codage et de décodage de la population, et qui résume en un seul chiffre le nombre d’options différentes que l’interface peut distinguer, la précision de ses succès et le nombre de décisions qu’elle peut prendre par minute. La seconde est la fidélité du décodage, qui compare le signal décodé à l'intention cible de la même manière que la règle d'apprentissage supervisé pendant l'entraînement, et qui se dégrade généralement à mesure qu'une longue session progresse, car la fatigue de l'utilisateur rend difficile le maintien de la même activité neuronale claire et cohérente que l'interface doit enregistrer pour bien décoder son intention.

ID:4280