As interfaces cérebro-computador (BCIs) oferecem o potencial para que pessoas com deficiências motoras graves controlem dispositivos auxiliares externos com a mente. Os sistemas BCI atuais são limitados, entretanto, pela necessidade de recalibração diária do decodificador que converte a atividade neural em sinais de controle. Pesquisadores do Instituto Weill de Neurociências da UC San Francisco agora empregam o aprendizado de máquina para ajudar um indivíduo com tetraplegia a aprender a controlar um cursor de computador usando sua atividade cerebral, sem exigir um grande treinamento diário.
Para registrar a atividade neural, a equipe usou um implante de eletrocorticografia (ECoG) de 128 canais, uma almofada de eletrodos que é colocada cirurgicamente na superfície do cérebro. Já aprovados para o monitoramento de convulsões em pacientes com epilepsia, os arranjos de ECoG fornecem maior estabilidade em longo prazo do que os arranjos de eletrodos afiados usados em estudos anteriores de BCI, que são mais sensíveis, mas tendem a se mover ou perder o sinal com o tempo.
“O campo BCI fez um grande progresso nos últimos anos, mas como os sistemas existentes tiveram que ser redefinidos e recalibrados a cada dia, eles não foram capazes de acessar os processos naturais de aprendizagem do cérebro”, explica o autor sênior Karunesh Ganguly. “É como pedir a alguém que aprenda a andar de bicicleta repetidamente do zero.”
Os pesquisadores desenvolveram um algoritmo BCI que usa aprendizado de máquina (com base em um filtro Kalman adaptativo) para mapear a atividade neural registrada pelos eletrodos de ECoG para os movimentos do cursor desejados pelo usuário. Durante um período de aproximadamente seis meses (dois meses após a implantação do ECoG), eles conduziram experimentos para avaliar duas abordagens de adaptação desse algoritmo de decodificador conforme o usuário aprende o controle.
Primeiro, eles testaram a prática existente de redefinir o algoritmo a cada dia. Aqui, o participante imaginou movimentos de seu pescoço e pulso direito enquanto assistia um cursor se mover pela tela, e o algoritmo se atualizou gradualmente para combinar os movimentos do cursor com a atividade cerebral gerada. Essa inicialização diária, entretanto, pode exigir horas para o participante dominar o controle do cursor; alguns dias, ele não conseguia controlar tudo.
Em seguida, os pesquisadores examinaram uma abordagem chamada adaptação de decodificador de loop fechado de longo prazo (CLDA), em que os pesos do decodificador da sessão do dia anterior são usados para a sessão atual, sem redefinir o algoritmo a cada dia. Eles descobriram que a interação contínua entre os sinais cerebrais do participante e o algoritmo resultou em melhorias contínuas no desempenho ao longo de muitos dias.
Quando a equipe redefiniu o algoritmo BCI após várias semanas de aprendizado contínuo, o participante restabeleceu rapidamente os mesmos padrões de atividade neural necessários 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 reinicialização”, diz Ganguly. “O cérebro rapidamente converge de volta para a mesma solução.”
Os pesquisadores examinaram a seguir se o CLDA de longo prazo poderia permitir um desempenho estável de longo prazo sem a necessidade de retreinamento ou recalibração – o chamado desempenho “plug-and-play” que poderia permitir o uso mais amplo de BCIs. Eles descobriram que, uma vez estabelecida a experiência, o participante poderia simplesmente começar a usar o BCI todos os dias. Seu desempenho não diminuiu em 44 dias sem retreinamento, e ele mostrou pouco declínio de desempenho após dias sem praticar.
Nessa fase, o participante também foi capaz de “empilhar” habilidades adicionais, como clicar em um botão virtual, sem afetar sua capacidade de controlar o cursor. Para diferenciar o clique do controle do cursor, os pesquisadores treinaram uma máquina de vetor de suporte linear (SVM). “Uma das principais inovações foi a taxa na qual o filtro de Kalman e os parâmetros SVM foram adaptados ao longo dos dias para rastrear o aprendizado do usuário e a plasticidade neural”, observa Ganguly.
Ganguly e colegas concluem que, ao aproveitar a estabilidade das interfaces de ECoG e a plasticidade neural, essa abordagem oferece um controle BCI confiável e estável. Essa estabilidade 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 desta pesquisa.
A equipe está agora em processo de inscrição da próxima disciplina, diz Ganguly. “Também estamos desenvolvendo novas abordagens para aumentar as taxas de comunicação; isso envolve algoritmos mais sofisticados e usando uma decodificação sem ruído da atividade neural. E estamos testando o controle de um braço robótico de seis graus de liberdade – atualmente temos uma simulação em um motor de física”, diz ele à Physics World.
Publicado em 10/09/2020 12h01
Artigo original:
Estudo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: