Saúde

Primeira prótese cerebral plug and play demonstrada em pessoa paralisada
A conquista do desempenho “plug and play” demonstra o valor dos chamados eletrodos ECoG para aplicações BCI. Um conjunto de ECoG compreende uma almofada de eletrodos do tamanho de um post-it que é colocado cirurgicamente na superfície do cér
Por Nicholas Weiler - 12/09/2019


Karunesh Ganguly (à direita), MD, Ph.D., discute dados de gravação cerebral de ECoG com o aluno Stefan Lemke em 2016. Crédito: Steve Babuljak

Em um avanço significativo, os pesquisadores que trabalham em direção a um membro protético controlado pelo cérebro no  UCSF Weill Institute for Neurosciences  mostraram que as técnicas de aprendizado de máquina ajudaram um indivíduo paralisado a aprender a controlar um cursor de computador usando sua atividade cerebral sem exigir um extenso treinamento diário, o que tem sido um requisito de todos os esforços anteriores da interface cérebro-computador (BCI).

Matriz e fios de eletrodos ECoG
Uma matriz de ECoG compreende uma almofada de
eletrodos que é colocada cirurgicamente na superfície
do cérebro. Crédito: Noah Berger

“O campo BCI fez um grande progresso nos últimos anos, mas como os sistemas existentes tiveram que ser reiniciados e recalibrados a cada dia, eles não foram capazes de acessar os processos naturais de aprendizado do cérebro. É como pedir a alguém para aprender a andar de bicicleta repetidamente do zero ", disse o autor sênior do estudo  Karunesh Ganguly , MD, Ph.D., professor associado do Departamento de Neurologia da UC San Francisco." Adaptando uma aprendizagem artificial sistema para funcionar sem problemas com os sofisticados esquemas de aprendizagem de longo prazo do cérebro é algo que nunca foi mostrado antes em uma pessoa paralisada. "

A conquista do desempenho “plug and play” demonstra o valor dos chamados eletrodos ECoG para aplicações BCI. Um conjunto de ECoG compreende uma almofada de eletrodos do tamanho de um post-it que é colocado cirurgicamente na superfície do cérebro. Eles permitem registros estáveis ​​de longo prazo da atividade neural e foram aprovados para monitoramento de convulsões em pacientes com epilepsia. Em contraste, os esforços anteriores da BCI usaram conjuntos de eletrodos afiados no estilo “almofada de alfinetes” que penetram no tecido cerebral para gravações mais sensíveis, mas tendem a mudar ou perder o sinal com o tempo. Nesse caso, os autores obtiveram a aprovação do dispositivo experimental para implantação crônica de longo prazo de matrizes de ECoG em indivíduos paralisados ​​para testar sua segurança e eficácia como implantes BCI estáveis ​​de longo prazo.

Em seu novo artigo, publicado em 7 de setembro na  Nature Biotechnology , a equipe de Ganguly documenta o uso de um arranjo de eletrodos ECoG em um indivíduo com paralisia de todos os quatro membros (tetraplegia). O participante também está inscrito em um ensaio clínico projetado para testar o uso de matrizes de ECoG para permitir que pacientes paralisados ​​controlem uma prótese de braço e mão, mas no novo artigo, o participante usou o implante para controlar um cursor de computador em uma tela.

Os pesquisadores desenvolveram um algoritmo BCI que usa aprendizado de máquina para combinar a atividade cerebral registrada pelos eletrodos de ECoG aos movimentos desejados do cursor do usuário. Inicialmente, os pesquisadores seguiram a prática padrão de redefinir o algoritmo a cada dia. O participante começaria imaginando movimentos específicos do pescoço e do pulso enquanto observava o movimento do cursor pela tela. Gradualmente, o algoritmo do computador se atualizaria para combinar os movimentos do cursor com a atividade cerebral gerada por isso, passando o controle efetivo do cursor para o usuário. No entanto, reiniciar esse processo todos os dias impõe um limite severo ao nível de controle que pode ser alcançado. Pode levar horas para dominar o controle do dispositivo, e alguns dias o participante teve que desistir completamente.

Os pesquisadores então mudaram para permitir que o algoritmo continue a atualizar para corresponder à atividade cerebral do participante sem reiniciá-lo a cada dia. Eles descobriram que a interação contínua entre os sinais cerebrais e o algoritmo aprimorado do aprendizado de máquina resultou em melhorias contínuas no desempenho ao longo de muitos dias. Inicialmente, havia um pouco de terreno perdido para recuperar a cada dia, mas logo o participante foi capaz de alcançar imediatamente um desempenho de alto nível.

“Descobrimos que poderíamos melhorar ainda mais o aprendizado certificando-nos de que o algoritmo não estava se atualizando mais rápido do que o cérebro poderia acompanhar - uma taxa de cerca de uma vez a cada 10 segundos”, disse Ganguly, neurologista da  UCSF Health  and the  San Francisco Veterans Serviço de Neurologia e Reabilitação do Centro Médico Administrativo . “Vemos isso como uma tentativa de construir uma parceria entre dois sistemas de aprendizagem - cérebro e computador - que, em última análise, permite que a interface artificial se torne uma extensão do usuário, como sua própria mão ou braço.”

Com o tempo, o cérebro do participante foi capaz de amplificar os padrões de atividade neural que poderia usar para conduzir de forma mais eficaz a interface artificial por meio da matriz ECoG, enquanto eliminava sinais menos eficazes - um processo de poda muito parecido com como se pensa que o cérebro aprende qualquer tarefa complexa , diz o pesquisador. Eles observaram que a atividade cerebral do participante parecia desenvolver um “modelo” mental arraigado e consistente para controlar a interface do BCI, algo que nunca ocorrera com a reconfiguração e recalibração diárias. Quando a interface foi redefinida após várias semanas de aprendizado contínuo, o participante restabeleceu rapidamente os mesmos padrões de atividade neural para controlar o dispositivo - efetivamente retreinando o algoritmo ao seu estado anterior.

“Uma vez que o usuário tenha estabelecido uma memória duradoura da solução para controlar a interface, não há necessidade de redefinir”, disse Ganguly. “O cérebro rapidamente converge de volta para a mesma solução.”

Eventualmente, uma vez que a experiência foi estabelecida, os pesquisadores mostraram que poderiam desligar a necessidade do algoritmo de se atualizar completamente, e o participante poderia simplesmente começar a usar a interface todos os dias, sem qualquer necessidade de retreinamento ou recalibração. O desempenho não diminuiu em 44 dias na ausência de retreinamento, e o participante poderia até mesmo passar dias sem praticar e ver pouca queda no desempenho. O estabelecimento de experiência estável em uma forma de controle BCI (mover o cursor) também permitiu aos pesquisadores começar a “empilhar” habilidades aprendidas adicionais - como “clicar” em um botão virtual - sem perda de desempenho.

Esse desempenho BCI “plug and play” imediato tem sido um objetivo no campo, mas está fora de alcance porque os eletrodos do tipo “almofada de alfinetes” usados ​​pela maioria dos pesquisadores tendem a se mover com o tempo, mudando os sinais vistos por cada eletrodo. Além disso, como esses eletrodos penetram no tecido cerebral, o sistema imunológico tende a rejeitá-los, prejudicando gradativamente seu sinal. Os arranjos de ECoG são menos sensíveis do que esses implantes tradicionais, mas sua estabilidade a longo prazo parece compensar essa deficiência. A estabilidade das gravações de ECoG pode ser ainda mais importante para o controle de longo prazo de sistemas robóticos mais complexos, como membros artificiais, um objetivo principal da próxima fase da pesquisa de Ganguly.

“Sempre estivemos cientes da necessidade de projetar uma tecnologia que não acabe em uma gaveta, por assim dizer, mas que realmente melhore o dia-a-dia de pacientes paralisados”, disse Ganguly. “Esses dados mostram que BCIs baseados em ECoG podem ser a base para tal tecnologia."  

Autores:  O estudo foi liderado conjuntamente por Daniel Silversmith, Reza Abiri, Nicholas Hardy e Nikhilesh Natraj da UCSF e do San Francisco Veterans Affairs Medical Center. Adelyn Tu-Chan da UCSF e San Francisco VA e Edward Chang da UCSF também são coautores. Ganguly é o autor correspondente do estudo.

Financiamento:  A pesquisa foi financiada pelos Institutos Nacionais de Saúde dos Estados Unidos (NIH) por meio do Programa de Prêmio de Inovador do Diretor do NIH (concessão nº 1 DP2 HD087955). O desenvolvimento do processamento de sinal e abordagem de decodificação usado neste estudo foi apoiado pela Doris Duke Charitable Foundation (concessão no. 2013101).

 

.
.

Leia mais a seguir