خواندن قصد موتور از فعالیت مغز در 100ms

خواندن قصد موتور از فعالیت مغز در 100ms

546 0

یک مطالعه مشترک توسط محققان در موسسه فناوری توکیو، یک روش جدید برای رمزگشایی قصد موتور از انسان از الکتروانسفالوگرافی (EEG) ایجاد کرده است. این تکنیک با توانایی مستندسازی مغز به منظور پیش بینی نتایج حسی اقدامات خودگردان و تصور شده با استفاده از مدل های به اصطلاح پیش رو، انگیزه دارد. این روش برای اولین بار فعال شد، تقریبا 90٪ دقت پردازش تک محاکمه را در میان افراد آزمایش شده، در 96 میلی ثانیه تحریک، با آموزش کاربر صفر و بدون هیچگونه شناختی اضافی بر روی کاربران می باشد.

رویای نهایی رابط کاربری کامپیوتر مغز (BCI) این است که یک ارتباط کارآمد بین ماشین ها و مغز انسان ایجاد کند، به طوری که ممکن است ماشین ها به صورت اراده مورد استفاده قرار گیرند. به عنوان مثال، قادر به استفاده از یک انگشت ربات می شود که به او متصل است، فقط با فکر کردن به آن، مثل اینکه بازوی خودش باشد. یک چالش بزرگ برای چنین کاری، کشف یک قصد جنبش کاربر انسانی از فعالیت مغز خود است، در حالی که به حداقل رساندن تلاش کاربر و فراوانی روشها برای این دو دهه (1-2) پیشنهاد شده است، همه آنها نیاز به تلاش زیادی در بخشی از کاربر انسانی دارند و یا آنها نیاز به آموزش گسترده کاربر، ک با تنها یک بخش از کاربران، و یا نیاز به استفاده از یک محرک آشکار، القا بار اضافی توجه و شناختی بر روی کاربران است.

در این مطالعه، تفاوت اساسی بین روش های قبلی و آنچه که آنها پیشنهاد می دهند، در آنچه که رمزگشایی می شود، است. تمام روش های قبلی رمزگشایی آنچه کاربر می خواهد تصور می کند، یا به طور مستقیم (همانطور که در سیستم های فعال BCI فعال) و یا به طور غیر مستقیم، با رمز گشایی آنچه که او در حال انجام است (مانند سیستم های BCI واکنشی). در اینجا محققان پیشنهاد می کنند که با استفاده از الکتروانسفالوگرافی (EEG) از یک محرک حساسیتی متعلق به محرک استفاده کنند و رمزگشایی کنند نه اینکه جنبشی که یک کاربر در نظر دارد تصور کنند، بلکه برای رمزگشایی اینکه آیا جنبشی که در نظر دارد (یا نه) بازخورد حسی ارسال شده به کاربر با استفاده از محرک، پیشنهادات خود را با بسیاری از مطالعات در مورد مدل های به اصطلاح به جلو در مغز و انگیزه، مدارهای عصبی مربوط به پیش بینی نتایج حسی حرکات خود تولید شده است .(3) خطاهای پیش بینی حسی، بین پیش بینی های مدل پیشین و سیگنال های حسی واقعی، شناخته شده است. برای توانایی های حرکتی حسی ما و برای درک هپتیک (4)، کنترل موتور (5)، یادگیری حرکتی (6)، و حتی تعاملات شخصی (7 -8) و شناخت خود (9). به همین دلیل محققان پیش بینی اشتباهات را به امضای بزرگ در EEG فرض کردند و خطرات پیش بینی (با استفاده از یک محرک حس گر خارجی) را به عنوان یک راه امیدوار کننده برای نادیده گرفتن اهداف جنبش تحریک می کنند.

این پیشنهاد در یک کار صندوق چرخشی شبیه سازی باینری آزمایش شده بود، که در آن کاربران تصور می کردند چرخ صندلی خود را چپ یا راست بچرخانند. محققان از سیستم وستیموس کاربر (به عنوان بازخورد حس گران حاکم در هنگام چرخش)، به سوی مسیر سمت چپ یا راست، محرک، با استفاده از محرک وسیله ای از وستیبولا گالوانیک، تحریک می کنند. سپس آنها را برای حضور اشتباهات پیش بینی (یعنی اینکه آیا جهت تحریک یا مطابقت با جهتی که کاربر تصور می کند یا نه) را رمزگشایی می کند و در نتیجه، همانطور که جهت تحریک شناخته شده است، جهتی که کاربر تصور می کند. این روش، دقت رمز گشایی تک محاکمه (87.2٪ متوسط) را در تمام موارد آزمایش شده و در عرض 96 میلی ثانیه تحریک فراهم می کند. این نتایج با آموزش کاربر صفر و بدون بار شناختی اضافی بر روی کاربران به دست آمد.

این پیشنهاد وعده داده است که به دلایل مختلف، چگونه قصد جنبش رمزگشایی شود. در ابتدا، به این دلیل که روش وظایف رمزگشایی دقیق تر را بدون آموزش کاربر و بدون ایجاد بارهای شناختی اضافی بر روی کاربران انجام می دهد. علاوه بر این، این واقعیت که رمزگشایی را می توان در کمتر از 100 میلی ثانیه تحریک انجام داد، استفاده از آن را برای رمزگشایی در زمان واقعی برجسته می کند. در نهایت، این روش متمایز از روش های دیگر استفاده از ERP، ERD و ERN، نشان می دهد که می توان آن را به موازات روش های فعلی برای بهبود دقت آنها استفاده کرد.

منبع

Gowrishankar Ganesh, et al, 2018. Utilizing sensory prediction errors for movement intention decoding: A new methodology. Science Advances; 4 (5): eaaq0183 DOI: 10.1126/sciadv.aaq0183

4.7
بازنشر(Cite this article as):
دکتر دلارام رسولی مکرمی. تاپ نیوز: خواندن قصد موتور از فعالیت مغز در 100ms. آخرین ویرایش: آگوست 10, 2018. https://psychology.e-teb.com/?post_type=post&p=1980

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.