رابط مغز و کامپیوتر

رابط مغز و کامپیوتر (رایانه) ( BCI )، که گاهی اوقات رابط مغز و ماشین ( BMI ) نامیده می شود، یک مسیر ارتباطی مستقیم بین فعالیت الکتریکی مغز و یک دستگاه خارجی است که معمولاً یک رایانه یا اندام روباتیک است. BCI ها اغلب در جهت تحقیق، نقشه برداری ، کمک، تقویت ، یا ترمیم عملکردهای شناختی یا حسی-حرکتی انسان هستند. ^[1] پیاده سازی BCI ها از غیر تهاجمی ( EEG ، MEG ، EOG ، MRI ) و جزئی تهاجمی ( ECOG و اندوواسکولار) تا تهاجمی است.آرایه میکروالکترود )، بر اساس میزان نزدیک شدن الکترودها به بافت مغز. ^[2]

تحقیقات بر روی BCI ها در دهه 1970 توسط ژاک ویدال در دانشگاه کالیفرنیا، لس آنجلس (UCLA) تحت کمک مالی بنیاد ملی علوم آغاز شد و به دنبال آن قراردادی با دارپا امضا شد . ^[3] [4] مقاله ویدال در سال 1973 نشان دهنده اولین ظهور رابط بین مغز و رایانه در ادبیات علمی است.

با توجه به انعطاف پذیری قشر مغز، سیگنال های پروتزهای کاشته شده ، پس از سازگاری، می توانند توسط مغز مانند کانال های حسگر طبیعی یا اثرگذار کنترل شوند. ^[5] پس از سال‌ها آزمایش روی حیوانات، اولین دستگاه‌های پروتز عصبی کاشته‌شده در انسان در اواسط دهه 1990 ظاهر شد.

اخیراً، مطالعات بر روی تعامل انسان و رایانه از طریق استفاده از یادگیری ماشین برای ویژگی‌های زمانی آماری استخراج‌شده از داده‌های لوب فرونتال ( موج مغزی EEG ) در طبقه‌بندی حالات ذهنی (آرام، خنثی، متمرکز)، ^[6] موفق بوده است . حالات عاطفی (منفی، خنثی، مثبت) ^[7] و دیس ریتمی تالاموکورتیکال . ^[8]

تاریخچه

تاریخچه رابط های مغز و کامپیوتر (BCIs) با کشف فعالیت الکتریکی مغز انسان توسط هانس برگر و توسعه الکتروانسفالوگرافی (EEG) آغاز می شود. در سال 1924 برگر اولین کسی بود که فعالیت مغز انسان را با استفاده از EEG ثبت کرد. برگر قادر به شناسایی فعالیت های نوسانی ، مانند موج برگر یا موج آلفا (8 تا 13 هرتز)، با تجزیه و تحلیل آثار EEG بود.

اولین دستگاه ضبط برگر بسیار ابتدایی بود. او سیم های نقره ای را زیر پوست سر بیمارانش فرو می کرد. این فویل‌های نقره بعداً با باندهای لاستیکی به سر بیمار متصل شدند. برگر این حسگرها را به یک الکترومتر مویرگی لیپمن متصل کرد که نتایج ناامیدکننده ای به همراه داشت. با این حال، دستگاه‌های اندازه‌گیری پیچیده‌تر، مانند گالوانومتر ثبت دو سیم پیچ زیمنس ، که ولتاژ الکتریکی را به اندازه یک ده هزارم ولت نمایش می‌داد، به موفقیت منجر شد.

برگر رابطه متقابل تناوب را در نمودارهای امواج EEG خود با بیماری های مغزی تجزیه و تحلیل کرد . EEG امکانات کاملا جدیدی را برای تحقیق در مورد فعالیت های مغز انسان فراهم می کند.

اگرچه این اصطلاح هنوز ابداع نشده بود، یکی از اولین نمونه‌های کارکرد رابط مغز و ماشین، قطعه Music for Solo Performer (1965) توسط آهنگساز آمریکایی آلوین لوسیر بود. این قطعه از EEG و سخت‌افزار پردازش سیگنال آنالوگ (فیلترها، تقویت‌کننده‌ها و تخته میکس) برای تحریک سازهای کوبه‌ای آکوستیک استفاده می‌کند. برای اجرای قطعه باید امواج آلفا تولید کرد و بدین وسیله سازهای کوبه ای مختلف را از طریق بلندگوهایی که نزدیک یا مستقیماً روی خود سازها قرار می گیرند، «نواخت» کرد. ^[9]

پروفسور ژاک ویدال UCLA اصطلاح “BCI” را ابداع کرد و اولین انتشارات مورد بررسی در این زمینه را تولید کرد. ^[3] [4] ویدال به طور گسترده ای به عنوان مخترع BCI در جامعه BCI شناخته می شود، همانطور که در مقالات متعدد بررسی شده در مورد بررسی و بحث در این زمینه منعکس شده است (به عنوان مثال، ^{[10] [11] [12]} ). یک بررسی اشاره کرد که مقاله ویدال در سال 1973 “چالش BCI” ^{[13] را} در کنترل اجسام خارجی با استفاده از سیگنال‌های EEG، و به ویژه استفاده از تغییرات منفی احتمالی (CNV) بیان کرد.بالقوه به عنوان یک چالش برای کنترل BCI. آزمایشی که ویدال در سال 1977 توصیف کرد، اولین کاربرد BCI پس از چالش BCI در سال 1973 بود. این یک EEG غیر تهاجمی (در واقع پتانسیل های برانگیخته بصری (VEP)) کنترل یک شی گرافیکی مکان نما بر روی صفحه کامپیوتر بود. تظاهرات حرکت در پیچ و خم بود. ^[14]

پس از مشارکت های اولیه خود، ویدال سال ها در تحقیقات BCI و رویدادهای BCI مانند کنفرانس ها فعال نبود. با این حال، در سال 2011، او یک سخنرانی در گراتس ، اتریش ، با حمایت پروژه Future BNCI ارائه کرد و اولین BCI را ارائه کرد که مورد تشویق ایستاده قرار گرفت. ویدال توسط همسرش، لریس ویدال، که قبلا در UCLA در اولین پروژه BCI با او کار کرده بود، پیوست.

در سال 1988، گزارشی در مورد کنترل غیرتهاجمی EEG یک جسم فیزیکی، یک ربات، ارائه شد. آزمایش توصیف شده، کنترل EEG چندگانه شروع، توقف و راه اندازی مجدد حرکت ربات، در امتداد یک مسیر دلخواه بود که توسط یک خط کشیده شده روی یک طبقه تعریف شده است. رفتار دنباله‌روی خط، رفتار پیش‌فرض ربات بود که از هوش مستقل و منبع انرژی مستقل استفاده می‌کرد. ^[15] [16] این گزارش در سال 1988 که توسط استوو بوزینوفسکی، میخائیل سستاکوف و لیلیانا بوزینوفسکا نوشته شد، اولین گزارشی بود که در مورد کنترل ربات با استفاده از EEG بود. ^[17] [18]

در سال 1990، گزارشی در مورد یک BCI تطبیقی ​​دو طرفه، حلقه بسته و زنگ کامپیوتر کنترل کننده توسط یک پتانسیل پیش بینی کننده مغز، پتانسیل تغییرات منفی احتمالی (CNV) ارائه شد. ^[19] [20] این آزمایش توضیح داد که چگونه یک حالت انتظاری از مغز که توسط CNV آشکار می شود، در یک حلقه بازخورد زنگ S2 را در الگوی S1-S2-CNV کنترل می کند. موج شناختی به دست آمده که بیانگر یادگیری انتظاری در مغز است، الکترواکسپکتوگرام (EXG) نام دارد. پتانسیل مغز CNV بخشی از چالش BCI بود که ویدال در مقاله خود در سال 1973 ارائه کرد.

مطالعات در دهه 2010 توانایی بالقوه تحریک عصبی را برای بازگرداندن رفتارهای پیوندی و مرتبط با آن از طریق تعدیل مکانیسم‌های مولکولی اثر سیناپسی نشان داد. ^[21] [22] این دریچه را برای این مفهوم باز کرد که فناوری‌های BCI ممکن است قادر به بازیابی عملکرد علاوه بر فعال کردن عملکرد باشند.

از سال 2013، دارپا فناوری BCI را از طریق ابتکار BRAIN تأمین مالی کرده است، که از مرکز پزشکی دانشگاه پیتسبورگ، ^[23] Paradromics، ^[24] Brown، ^[25] و Synchron، ^[26] در میان دیگران حمایت کرده است.

BCIs در مقابل پروتزهای عصب

پروتزهای عصبی حوزه ای از علوم اعصاب است که به پروتزهای عصبی مربوط می شود، یعنی استفاده از دستگاه های مصنوعی برای جایگزینی عملکرد سیستم های عصبی آسیب دیده و مشکلات مربوط به مغز، یا خود اندام ها یا اندام های حسی (مثانه، دیافراگم و غیره). از دسامبر 2010، کاشت حلزون به عنوان دستگاه پروتز عصبی در حدود 220000 نفر در سراسر جهان کاشته شد. ^[27] چندین دستگاه عصبی مصنوعی نیز وجود دارد که هدف آنها بازگرداندن بینایی است، از جمله ایمپلنت های شبکیه . با این حال، اولین دستگاه عصبی پروتز، ضربان ساز بود.

اصطلاحات گاهی اوقات به جای هم استفاده می شوند. پروتزهای عصبی و BCI به دنبال دستیابی به اهداف مشابهی هستند، مانند بازیابی بینایی، شنوایی، حرکت، توانایی برقراری ارتباط و حتی عملکرد شناختی . ^[1] هر دو از روش‌های تجربی و تکنیک‌های جراحی مشابهی استفاده می‌کنند.

تحقیقات BCI حیوانات

چندین آزمایشگاه موفق به ثبت سیگنال هایی از قشر مغز میمون و موش شده اند تا BCI ها را برای ایجاد حرکت کار کنند. میمون‌ها نشانگرهای رایانه را روی صفحه نمایش می‌دهند و به بازوهای روباتیک فرمان می‌دهند تا کارهای ساده را با فکر کردن به کار و دیدن بازخورد بصری، اما بدون خروجی موتور، انجام دهند. ^[28] در ماه مه 2008 عکس‌هایی که نشان می‌داد میمونی در مرکز پزشکی دانشگاه پیتسبورگ در حال کار با بازوی رباتیک با تفکر بود، در تعدادی از مجلات و مجلات علمی معروف منتشر شد. ^[29] گوسفند نیز برای ارزیابی فناوری BCI از جمله Synchron’s Stentrode استفاده شده است.

در سال 2020، Neuralink ایلان ماسک با موفقیت در یک خوک کاشته شد، ^[30] در یک پخش اینترنتی گسترده اعلام شد. در سال 2021 ایلان ماسک اعلام کرد که با موفقیت یک میمون را فعال کرده است تا با استفاده از دستگاه Neuralink بازی های ویدیویی ^{[31] انجام دهد.}

کارهای اولیه 

در سال 1969، مطالعات شرطی سازی عامل فتز و همکارانش، در مرکز تحقیقات منطقه ای پستانداران و گروه فیزیولوژی و بیوفیزیک، دانشکده پزشکی دانشگاه واشنگتن در سیاتل ، برای اولین بار نشان داد که میمون ها می توانند کنترل انحراف یک بیوفیدبک متر را یاد بگیرند. بازو با فعالیت عصبی ^[32] کار مشابهی در دهه 1970 نشان داد که میمون‌ها می‌توانند به سرعت یاد بگیرند که به طور داوطلبانه نرخ شلیک سلول‌های عصبی فردی و چندگانه در قشر حرکتی اولیه را کنترل کنند، اگر برای ایجاد الگوهای مناسب فعالیت عصبی پاداش دریافت کنند. ^[33]

مطالعاتی که الگوریتم‌هایی را برای بازسازی حرکات از نورون‌های قشر حرکتی ، که حرکت را کنترل می‌کنند، توسعه دادند، به دهه 1970 برمی‌گردد. در دهه 1980، آپوستولوس جورجوپولوس در دانشگاه جانز هاپکینز یک رابطه ریاضی بین پاسخ های الکتریکی نورون های قشر تک حرکتی در میمون های ماکاک رزوس و جهت حرکت بازوهای خود (بر اساس تابع کسینوس ) یافت. او همچنین دریافت که گروه‌های پراکنده نورون‌ها، در نواحی مختلف مغز میمون، به طور جمعی فرمان‌های حرکتی را کنترل می‌کنند، اما به دلیل محدودیت‌های فنی که توسط تجهیزات او تحمیل می‌شود، می‌تواند شلیک نورون‌ها را در یک زمان تنها در یک منطقه ثبت کند. ^[34]

از اواسط دهه 1990 توسعه سریعی در BCI وجود داشته است. ^[35] چندین گروه توانسته اند سیگنال های پیچیده قشر حرکتی مغز را با ضبط از مجموعه های عصبی (گروه های نورون) و استفاده از آنها برای کنترل دستگاه های خارجی ضبط کنند.

موفقیت های برجسته تحقیقاتی

کندی و یانگ دان

فیلیپ کندی (که بعداً در سال 1987 سیگنال‌های عصبی را تأسیس کرد) و همکارانش با کاشت الکترودهای مخروطی نوروتروفیک در میمون‌ها ، اولین رابط درون قشر مغز و کامپیوتر را ساختند . ^{[ نیازمند منبع ]}

در سال 1999، محققان به سرپرستی یانگ دان در دانشگاه کالیفرنیا، برکلی، شلیک‌های عصبی را رمزگشایی کردند تا تصاویری که توسط گربه‌ها دیده می‌شود را بازتولید کنند. این تیم از مجموعه‌ای از الکترودهای تعبیه‌شده در تالاموس (که تمام ورودی‌های حسی مغز را ادغام می‌کند) گربه‌های تیزبین استفاده کردند. محققان 177 سلول مغزی را در ناحیه هسته ژنیکوله جانبی تالاموس ، که سیگنال‌های شبکیه را رمزگشایی می‌کند، مورد هدف قرار دادند . به گربه ها هشت فیلم کوتاه نشان داده شد و شلیک نورون آنها ضبط شد. محققان با استفاده از فیلترهای ریاضی سیگنال ها را رمزگشایی کردند تا فیلم هایی از آنچه گربه ها می دیدند تولید کنند و توانستند صحنه های قابل تشخیص و اجسام متحرک را بازسازی کنند. ^[36]نتایج مشابهی در انسان از آن زمان توسط محققان ژاپنی به دست آمده است ( به زیر مراجعه کنید ).

نیکوللیس

میگل نیکوللیس ، استاد دانشگاه دوک ، در دورهام، کارولینای شمالی ، یکی از طرفداران برجسته استفاده از الکترودهای متعددی است که در ناحیه بزرگتری از مغز پخش شده اند تا سیگنال های عصبی را برای هدایت یک BCI به دست آورند.

نیکوللیس و همکارانش پس از انجام مطالعات اولیه بر روی موش‌ها در دهه 1990، BCI‌هایی را توسعه دادند که فعالیت مغزی میمون‌های جغد را رمزگشایی می‌کرد و از این دستگاه‌ها برای بازتولید حرکات میمون در بازوهای روباتیک استفاده می‌کرد. میمون‌ها توانایی‌های پیشرفته‌ای در رسیدن و گرفتن و مهارت‌های دست‌کاری خوب دارند، که آنها را به آزمودنی‌های ایده‌آل برای این نوع کار تبدیل می‌کند.

در سال 2000، این گروه موفق به ساخت یک BCI شدند که حرکات میمون جغد را در حالی که میمون با جوی استیک کار می کرد یا به دنبال غذا بود، بازتولید می کرد. ^[37] BCI در زمان واقعی کار می کرد و همچنین می توانست یک ربات جداگانه را از راه دور از طریق پروتکل اینترنت کنترل کند . اما میمون ها نمی توانستند بازو را در حال حرکت ببینند و هیچ بازخوردی دریافت نکردند، به اصطلاح BCI حلقه باز .

آزمایش‌های بعدی نیکوللیس با استفاده از میمون‌های رزوس موفق به بستن حلقه بازخورد و بازتولید حرکت میمون در بازوی ربات شد. میمون‌های رزوس با مغزهای عمیق شکاف‌دار و شیاردارشان، مدل‌های بهتری برای فیزیولوژی عصبی انسان نسبت به میمون‌های جغد در نظر گرفته می‌شوند. میمون ها آموزش دیدند تا با دستکاری جوی استیک به اشیاء روی صفحه کامپیوتر دست پیدا کنند و آن ها را بگیرند در حالی که حرکات مربوطه توسط یک بازوی ربات پنهان بود. ^[38] [39] میمون‌ها بعداً ربات را مستقیماً نشان دادند و یاد گرفتند که با مشاهده حرکات آن را کنترل کنند. BCI از پیش‌بینی‌های سرعت برای کنترل حرکات رسیدن استفاده کرد و همزمان نیروی دست‌گیر را پیش‌بینی کرد.. در سال 2011 اودوهرتی و همکارانش یک BCI با بازخورد حسی با میمون‌های رزوس نشان دادند. این میمون موقعیت بازوی آواتار را کنترل می‌کرد و در عین حال بازخورد حسی را از طریق تحریک مستقیم داخل قشری (ICMS) در ناحیه نمایش بازوی قشر حسی دریافت می‌کرد . ^[40]

دونوگهو، شوارتز و اندرسن

آزمایشگاه‌های دیگری که BCI و الگوریتم‌هایی را توسعه داده‌اند که سیگنال‌های عصبی را رمزگشایی می‌کنند، مؤسسه کارنی برای علوم مغز در دانشگاه براون و آزمایشگاه‌های اندرو شوارتز در دانشگاه پیتسبورگ و ریچارد اندرسن در کال‌تک . این محققان حتی با استفاده از سیگنال های ثبت شده از نورون های بسیار کمتری نسبت به نیکوللیس (15-30 نورون در مقابل 50-200 نورون) توانسته اند BCI های فعال تولید کنند.

آزمایشگاه John Donoghue در مؤسسه Carney گزارش داد که میمون‌های رزوس را آموزش می‌دهند تا از BCI برای ردیابی اهداف بصری روی صفحه رایانه (BCI حلقه بسته) با یا بدون کمک جوی استیک استفاده کنند. ^[41] گروه شوارتز یک BCI برای ردیابی سه بعدی در واقعیت مجازی ایجاد کردند و همچنین کنترل BCI را در یک بازوی رباتیک بازتولید کردند. ^[42] همین گروه همچنین زمانی که نشان دادند که یک میمون می‌تواند با استفاده از یک بازوی روباتیک که توسط سیگنال‌های مغزی خود حیوان کنترل می‌شود، خود را با تکه‌های میوه و گل ختمی تغذیه کند، سرفصل‌هایی ایجاد کرد. ^{[43] [44] [45]}

گروه اندرسن از ضبط فعالیت های پیش از حرکت از قشر جداری خلفی در BCI خود استفاده کردند، از جمله سیگنال هایی که هنگام پیش بینی دریافت پاداش توسط حیوانات آزمایشی ایجاد شد. ^[46]

تحقیقات دیگر

علاوه بر پیش‌بینی پارامترهای جنبشی و جنبشی حرکات اندام، BCIهایی که فعالیت الکترومیوگرافیک یا الکتریکی عضلات پستانداران را پیش‌بینی می‌کنند، در حال توسعه هستند. ^[47] چنین BCI ها را می توان برای بازگرداندن تحرک در اندام های فلج با تحریک الکتریکی عضلات استفاده کرد.

میگل نیکوللیس و همکارانش نشان دادند که فعالیت مجموعه‌های عصبی بزرگ می‌تواند موقعیت بازو را پیش‌بینی کند. این کار ایجاد BCI هایی را ممکن کرد که اهداف حرکت بازو را می خواند و آنها را به حرکات محرک های مصنوعی تبدیل می کند. کارمنا و همکارانش ^[38] کدگذاری عصبی را در یک BCI برنامه ریزی کردند که به میمون اجازه می داد تا دست زدن و گرفتن حرکات را توسط یک بازوی روباتیک کنترل کند. لبدف و همکاران ^[39] استدلال کردند که شبکه های مغز سازماندهی مجدد می شوند تا علاوه بر نمایش اندام های خود حیوان، نمایش جدیدی از زائده رباتیک ایجاد کنند.

در سال 2019، محققان UCSF مطالعه‌ای را منتشر کردند که در آن یک BCI را نشان دادند که پتانسیل کمک به بیماران مبتلا به اختلال گفتار ناشی از اختلالات عصبی را داشت. BCI آنها از الکتروکورتیکوگرافی با چگالی بالا برای بررسی فعالیت عصبی از مغز بیمار استفاده کرد و از روش های یادگیری عمیق برای سنتز گفتار استفاده کرد. ^{[48] ​​[49]} در سال 2021، محققان همان گروه مطالعه‌ای را منتشر کردند که پتانسیل یک BCI را برای رمزگشایی کلمات و جملات در یک بیمار مبتلا به آرتروز که بیش از 15 سال قادر به صحبت کردن نبود، نشان داد. ^[50] [51]

در حال حاضر بزرگترین مانع بر سر راه فناوری BCI فقدان یک حسگر است که دسترسی ایمن، دقیق و قوی به سیگنال های مغزی را فراهم می کند. با این حال، قابل تصور یا حتی محتمل است که چنین حسگری در بیست سال آینده ساخته شود. استفاده از چنین سنسوری باید دامنه عملکردهای ارتباطی را که می توان با استفاده از یک BCI ارائه کرد، بسیار گسترش داد.

توسعه و پیاده سازی یک سیستم BCI پیچیده و زمان بر است. در پاسخ به این مشکل، Gerwin Schalk در حال توسعه یک سیستم همه منظوره برای تحقیقات BCI به نام BCI2000 بوده است. BCI2000 از سال 2000 در پروژه ای به رهبری برنامه تحقیق و توسعه رابط مغز و کامپیوتر در مرکز Wadsworth در وزارت بهداشت ایالت نیویورک در آلبانی، نیویورک ، ایالات متحده در حال توسعه است.

یک رویکرد جدید «بی‌سیم» از کانال‌های یونی دارای دریچه نوری مانند Channelrhodopsin برای کنترل فعالیت زیرمجموعه‌های تعریف‌شده ژنتیکی نورون‌ها در داخل بدن استفاده می‌کند. در زمینه یک کار یادگیری ساده، روشنایی سلول‌های ترانسفکت شده در قشر حسی تنی بر فرآیند تصمیم‌گیری موش‌هایی که آزادانه حرکت می‌کنند تأثیر گذاشت . ^[52]

استفاده از BMI همچنین به درک عمیق تری از شبکه های عصبی و سیستم عصبی مرکزی منجر شده است. تحقیقات نشان داده است که علیرغم تمایل دانشمندان علوم اعصاب به این باور که نورون ها بیشترین تأثیر را در هنگام کار با یکدیگر دارند، تک نورون ها را می توان از طریق استفاده از BMI برای شلیک به الگویی که به نخستی ها اجازه می دهد خروجی های حرکتی را کنترل کنند، شرطی کرد. استفاده از BMI منجر به ایجاد اصل نارسایی تک نورون شده است که بیان می کند حتی با یک سرعت شلیک خوب تنظیم شده، تک نورون ها تنها می توانند مقدار کمی از اطلاعات را حمل کنند و بنابراین بالاترین سطح دقت با ضبط شلیک های مجموعه جمعی به دست می آید. . سایر اصول کشف شده با استفاده از BMI شامل اصل چندوظیفه ای عصبی، اصل جرم عصبی، اصل انحطاط عصبی و اصل انعطاف پذیری است.^[53]

BCI ها همچنین پیشنهاد می شود توسط کاربران بدون معلولیت اعمال شوند. دسته بندی کاربر محور رویکردهای BCI توسط Thorsten O. Zander و Christian Kothe اصطلاح BCI غیرفعال را معرفی می کند. ^[54] در کنار BCI فعال و واکنشی که برای کنترل مستقیم استفاده می‌شود، BCI‌های غیرفعال امکان ارزیابی و تفسیر تغییرات در وضعیت کاربر در طول تعامل انسان و رایانه ( HCI ) را فراهم می‌کنند. در یک حلقه کنترل ضمنی ثانویه، سیستم کامپیوتری با کاربر خود سازگار می شود و قابلیت استفاده آن را به طور کلی بهبود می بخشد.

فراتر از سیستم‌های BCI که فعالیت‌های عصبی را رمزگشایی می‌کنند تا عوامل خارجی را هدایت کنند، سیستم‌های BCI ممکن است برای رمزگذاری سیگنال‌های محیطی مورد استفاده قرار گیرند. این دستگاه‌های BCI حسی، تصمیم‌گیری در زمان واقعی و مرتبط با رفتار را بر اساس تحریک عصبی حلقه بسته امکان‌پذیر می‌کنند. ^[55]

جایزه BCI

جایزه سالانه تحقیقات BCI به منظور قدردانی از تحقیقات برجسته و نوآورانه در زمینه رابط های مغز و کامپیوتر اعطا می شود. هر ساله از یک آزمایشگاه تحقیقاتی مشهور خواسته می شود تا در مورد پروژه های ارسالی قضاوت کند. هیئت داوران متشکل از کارشناسان برجسته BCI در جهان است که توسط آزمایشگاه اهدا کننده جوایز استخدام شده اند. هیئت داوران دوازده نامزد را انتخاب می کند، سپس یک نفر اول، دوم و سوم را انتخاب می کند که به ترتیب جوایز 3000 دلار، 2000 دلار و 1000 دلار دریافت می کنند.

تحقیق BCI انسانی

BCI های مهاجم

BCI تهاجمی به جراحی برای کاشت الکترود در زیر پوست سر برای برقراری ارتباط سیگنال‌های مغزی نیاز دارد. مزیت اصلی ارائه خواندن دقیق تر است. با این حال، جنبه منفی آن شامل عوارض جانبی جراحی است. پس از جراحی، ممکن است بافت های اسکار ایجاد شود که می تواند سیگنال های مغزی را ضعیف تر کند. علاوه بر این، طبق تحقیقات عبدالقادر و همکاران، (2015)، ^[56] ممکن است بدن الکترودهای کاشته شده را نپذیرد و این می تواند باعث یک وضعیت پزشکی شود.

چشم انداز

تحقیقات تهاجمی BCI ترمیم بینایی آسیب دیده و ارائه عملکردهای جدید برای افراد مبتلا به فلج را هدف قرار داده است. BCI های تهاجمی در طول جراحی مغز و اعصاب مستقیماً در ماده خاکستری مغز کاشته می شوند. از آنجایی که دستگاه‌های تهاجمی در ماده خاکستری قرار دارند، سیگنال‌های با بالاترین کیفیت دستگاه‌های BCI را تولید می‌کنند، اما مستعد ایجاد بافت اسکار هستند که باعث می‌شود سیگنال ضعیف‌تر یا حتی وجود نداشته باشد، زیرا بدن به یک جسم خارجی واکنش نشان می‌دهد. در مغز ^[57]

در علم بینایی ، از ایمپلنت مستقیم مغز برای درمان نابینایی غیر مادرزادی (اکتسابی) استفاده شده است. یکی از اولین دانشمندانی که یک رابط مغزی فعال برای بازیابی بینایی تولید کرد، محقق خصوصی ویلیام دوبل بود.

اولین نمونه اولیه دوبل در “جری”، مردی که در بزرگسالی نابینا شده بود، در سال 1978 کاشته شد. یک BCI تک آرایه حاوی 68 الکترود بر روی قشر بینایی جری کاشته شد و موفق به تولید فسفن شد، حس دیدن نور. این سیستم شامل دوربین هایی بود که برای ارسال سیگنال به ایمپلنت روی عینک نصب شده بودند. در ابتدا، ایمپلنت به جری اجازه داد تا سایه های خاکستری را در یک میدان دید محدود با نرخ فریم پایین ببیند. این همچنین مستلزم این بود که او به یک رایانه اصلی متصل شود ، اما کوچک شدن وسایل الکترونیکی و رایانه‌های سریع‌تر، چشم مصنوعی او را قابل حمل‌تر کرد و اکنون او را قادر می‌سازد تا کارهای ساده را بدون کمک انجام دهد. ^[58]

در سال 2002، ینس نائومان، که در بزرگسالی نیز نابینا شده بود، اولین نفر از یک سری 16 بیمار بود که برای دریافت ایمپلنت نسل دوم دوبل پول پرداخت می‌کردند و یکی از اولین استفاده‌های تجاری از BCI را نشان می‌داد. دستگاه نسل دوم از ایمپلنت پیچیده تری استفاده کرد که نقشه برداری بهتر از فسفن ها را در دید منسجم ممکن می کرد. فسفن ها در سراسر میدان بینایی پخش می شوند و محققان آن را “اثر شب ستاره ای” می نامند. بلافاصله پس از کاشت، جنز توانست از دید ناقص بازیابی شده خود برای رانندگی آهسته یک خودرو در اطراف محوطه پارکینگ موسسه تحقیقاتی استفاده کند. ^[59] متأسفانه، دوبل در سال 2004 درگذشت ^[60]قبل از اینکه فرآیندها و تحولات او مستند شود. متعاقباً، زمانی که آقای نائومان و سایر بیماران حاضر در برنامه با مشکل بینایی خود مواجه شدند، هیچ تسکینی حاصل نشد و در نهایت دوباره “بینایی” خود را از دست دادند. نائومان در مورد تجربه خود با کار دوبل در جستجوی بهشت ​​نوشت: حساب بیمار از آزمایش بینایی مصنوعی ^[61] و به مزرعه خود در جنوب شرقی انتاریو، کانادا بازگشته است تا فعالیت های عادی خود را از سر بگیرد. ^[62]

حرکت

هدف BCIهایی که بر روی پروتزهای عصبی حرکتی تمرکز می کنند، یا بازگرداندن حرکت در افراد فلج هستند یا ابزارهایی برای کمک به آنها، مانند رابط با رایانه یا بازوهای ربات، ارائه می دهند.

محققان دانشگاه اموری در آتلانتا ، به رهبری فیلیپ کندی و روی باکای، برای اولین بار یک ایمپلنت مغزی را در انسان نصب کردند که سیگنال‌هایی با کیفیت کافی برای شبیه‌سازی حرکت تولید می‌کرد. بیمار آنها، جانی ری (1944-2002)، پس از سکته مغزی در ساقه مغز در سال 1997، از ” سندرم قفل شده ” رنج برد . ایمپلنت ری در سال 1998 نصب شد و او به اندازه کافی عمر کرد تا کار با ایمپلنت را شروع کند، و در نهایت یاد گرفت که کنترل مکان نما کامپیوتر؛ او در سال 2002 بر اثر آنوریسم مغزی درگذشت . ^[63]

مت ناگل تتراپلژیک در سال 2005 به عنوان بخشی از اولین آزمایش انسانی 9 ماهه ایمپلنت تراشه BrainGate Cyberkinetics اولین فردی بود که با استفاده از BCI دست مصنوعی را کنترل کرد . ایمپلنت BrainGate 96 الکترودی که در شکنج پیش مرکزی راست ناگل (ناحیه قشر حرکتی برای حرکت بازو) کاشته شد، به ناگل اجازه داد تا با فکر کردن به حرکت دادن دست خود و همچنین مکان‌نمای رایانه، چراغ‌ها و تلویزیون، بازوی رباتیک را کنترل کند. ^[64] یک سال بعد، پروفسور جاناتان ولپاو جایزه بنیاد آلتران برای نوآوری را دریافت کرد تا یک رابط کامپیوتری مغز با الکترودهایی که روی سطح جمجمه قرار دارند، به جای مستقیماً در مغز توسعه دهد.

اخیرا، تیم های تحقیقاتی به رهبری گروه BrainGate در دانشگاه براون ^[65] و گروهی به رهبری مرکز پزشکی دانشگاه پیتسبورگ ، ^[66] هر دو با همکاری وزارت امور کهنه سربازان ایالات متحده ، موفقیت بیشتری در کنترل مستقیم از اندام های مصنوعی روباتیک با درجات آزادی با استفاده از اتصالات مستقیم به آرایه های نورون در قشر حرکتی بیماران مبتلا به تتراپلژی.

ارتباطات

در ماه مه 2021، یک تیم دانشگاه استنفورد یک آزمایش اثبات مفهوم موفقیت‌آمیز را گزارش کرد که یک شرکت‌کننده چهار پلژی را قادر می‌سازد تا جملات انگلیسی را با حدود 86 کاراکتر در دقیقه و 18 کلمه در دقیقه وارد کند. شرکت‌کننده تصور کرد که دست خود را برای نوشتن حروف حرکت می‌دهد، و سیستم با استفاده از مدل‌های پنهان مارکوف و شبکه‌های عصبی مکرر برای رمزگشایی، تشخیص دست خط را بر روی سیگنال‌های الکتریکی شناسایی‌شده در قشر حرکتی انجام داد. ^[67] [68]

گزارشی که در ژوئیه 2021 منتشر شد، گزارش داد که یک بیمار فلج قادر به برقراری ارتباط 15 کلمه در دقیقه با استفاده از ایمپلنت مغزی است که نورون های حرکتی را که قبلاً مجرای صوتی را کنترل می کردند، تجزیه و تحلیل می کرد. ^[69] [50]

در یک مقاله مروری اخیر، محققان این سوال را مطرح کردند که آیا نرخ انتقال اطلاعات انسانی می‌تواند از نرخ زبان با BCI فراتر رود. با توجه به اینکه تحقیقات اخیر زبان نشان داده است که نرخ انتقال اطلاعات انسان در بسیاری از زبان ها نسبتاً ثابت است، ممکن است محدودیتی در سطح پردازش اطلاعات در مغز وجود داشته باشد. برعکس، این “حد بالای” نرخ انتقال اطلاعات ممکن است ذاتی خود زبان، به عنوان روشی برای انتقال اطلاعات باشد. ^[70]

چالش های فنی

تعدادی چالش فنی برای ثبت فعالیت مغز با BCI های تهاجمی وجود دارد. پیشرفت‌ها در فناوری CMOS ، طراحی‌های یکپارچه و تهاجمی BCI را با اندازه کوچک‌تر، نیاز به توان کمتر و قابلیت‌های دریافت سیگنال بالاتر، تحت فشار قرار داده و قادر می‌سازد. ^[71] BCI های تهاجمی شامل الکترودهایی هستند که به بافت مغز در تلاش برای ثبت سیگنال های پتانسیل عمل (که به عنوان اسپایک نیز شناخته می شوند) از سلول های عصبی فردی یا گروه های کوچکی در نزدیکی الکترود نفوذ می کنند. رابط بین یک الکترود ضبط و محلول الکترولیتی اطراف نورون ها با استفاده از مدل هاجکین-هاکسلی مدل شده است . ^[72] [73]

محدودیت های الکترونیکی برای BCI های تهاجمی یک حوزه فعال تحقیقاتی در دهه های اخیر بوده است. در حالی که ضبط های درون سلولی نورون ها ولتاژهای پتانسیل عمل را در مقیاس صدها میلی ولت نشان می دهد، BCI های مهاجم مزمن به ثبت ولتاژهای خارج سلولی متکی هستند که معمولاً سه مرتبه کوچکتر هستند و در صدها میکروولت وجود دارند. ^[74] علاوه بر این که به چالش تشخیص سیگنال در مقیاس میکروولت می‌افزاید، این واقعیت است که رابط الکترود-بافت ظرفیت بالایی در ولتاژهای کوچک دارد. با توجه به ماهیت این سیگنال های کوچک، برای سیستم های BCI که عملکرد را در یک مدار مجتمع قرار می دهند، هر الکترود به تقویت کننده و ADC خود نیاز دارد.که ولتاژهای خارج سلولی آنالوگ را به سیگنال های دیجیتال تبدیل می کند. ^[74] از آنجایی که یک پتانسیل عمل نورون معمولی یک میلی ثانیه طول می کشد، BCI های اندازه گیری سنبله ها باید دارای نرخ نمونه برداری از 300 هرتز تا 5 کیلوهرتز باشند. نگرانی دیگر این است که BCI های تهاجمی باید کم مصرف باشند تا گرمای کمتری را به بافت اطراف پخش کنند. در ابتدایی ترین سطح، به طور سنتی برای بهینه سازی نسبت سیگنال به نویز، به توان بیشتری نیاز است . ^[73] طراحی باتری بهینه یک حوزه تحقیقاتی فعال در BCI است. ^[75]

چالش‌های موجود در حوزه علم مواد برای طراحی BCI‌های تهاجمی محور هستند. تغییرات در کیفیت سیگنال در طول زمان معمولاً با میکروالکترودهای قابل کاشت مشاهده شده است. ^[76] مواد و ویژگی های مکانیکی بهینه برای پایداری سیگنال طولانی مدت در BCI های تهاجمی یک منطقه فعال تحقیقاتی بوده است. ^[77] پیشنهاد شده است که تشکیل اسکار گلیال ، ثانویه به آسیب در رابط الکترود-بافت، احتمالاً مسئول شکست الکترود و کاهش عملکرد ضبط است. ^[78] تحقیقات نشان داده است که مانع خونی مغزی استنشت، چه در زمان قرار دادن و چه در طول زمان، ممکن است مسئول واکنش التهابی و گلیالی به میکروالکترودهای مزمن کاشته شده در مغز باشد. ^[78] [79] در نتیجه، طرح‌های انعطاف‌پذیر ^{[80] [81] [82]} و بافت‌مانند ^[83] [84] برای به حداقل رساندن واکنش بدن خارجی با استفاده از تطبیق مدول یانگ مورد تحقیق و توسعه قرار گرفته‌اند . الکترود به بافت مغز نزدیک تر است. ^[83]

BCI های نیمه تهاجمی

دستگاه‌های BCI نیمه تهاجمی در داخل جمجمه کاشته می‌شوند اما در خارج از مغز قرار می‌گیرند تا در ماده خاکستری. آن‌ها سیگنال‌های وضوح بهتری نسبت به BCI‌های غیرتهاجمی تولید می‌کنند که در آن بافت استخوانی جمجمه سیگنال‌ها را منحرف می‌کند و تغییر شکل می‌دهد و خطر کمتری برای تشکیل بافت اسکار در مغز نسبت به BCI‌های کاملا تهاجمی دارند. تظاهرات بالینی BCI داخل قشری از قشر پریلینال سکته مغزی وجود دارد. ^[85]

اندوواسکولار

یک مرور سیستماتیک منتشر شده در سال 2020 مطالعات متعدد مفصلی، چه بالینی و چه غیر بالینی، که قدمت آن به دهه‌ها قبل برمی‌گردد و امکان‌سنجی BCIs اندوواسکولار را بررسی می‌کند. ^[86]

در سال های اخیر، بزرگترین پیشرفت در BCI های نیمه تهاجمی در حوزه نورولوژی مداخله ای پدیدار شده است. ^[2] در سال 2010، محققان وابسته به دانشگاه ملبورن شروع به توسعه یک BCI کردند که می‌توانست از طریق سیستم عروقی وارد شود. متخصص مغز و اعصاب استرالیایی توماس آکسلی (بیمارستان کوه سینا) ایده این BCI به نام Stentrode را مطرح کرد که از دارپا بودجه دریافت کرده است. مطالعات پیش بالینی این فناوری را در گوسفند ارزیابی کرد.

Stentrode، یک آرایه الکترود استنت یکپارچه، طراحی شده است تا از طریق یک کاتتر داخل وریدی تحت هدایت تصویر به سینوس ساژیتال فوقانی ، در ناحیه ای که مجاور قشر حرکتی قرار دارد، تحویل داده شود . ^[87] این نزدیکی به قشر حرکتی زمینه ساز توانایی استنترود برای اندازه گیری فعالیت عصبی است. این روش بیشتر شبیه نحوه قرار دادن استنت های سینوس وریدی برای درمان فشار خون داخل جمجمه ایدیوپاتیک است. ^[88] Stentrode فعالیت عصبی را به یک واحد تله متری بدون باتری که در قفسه سینه کاشته شده است، که به صورت بی سیم با یک واحد تله متری خارجی که قادر به انتقال نیرو و داده است، ارتباط برقرار می کند. در حالی که BCI اندوواسکولار از اجتناب از کرانیوتومی برای قرار دادن سود می برد، خطراتی مانند لخته شدن و ترومبوز وریدی ممکن است. در مطالعات پیش بالینی حیوانی کاشته شده با استنترود، بیست حیوان هیچ شواهدی از تشکیل ترومبوس پس از 190 روز نشان ندادند، احتمالاً به دلیل ادغام اندوتلیال استنترود در دیواره عروق. ^[87]

آزمایشات اولین در انسان با استنترود در حال انجام است. ^[87] در نوامبر 2020، دو شرکت‌کننده که از اسکلروز جانبی آمیوتروفیک رنج می‌برند ، توانستند با استفاده از فکر مستقیم از طریق رابط مغز و رایانه Stentrode، سیستم‌عاملی را به صورت بی‌سیم به پیامک، ایمیل، خرید و بانک کنترل کنند، ^[89] که اولین بار بود. یک رابط مغز و کامپیوتر از طریق رگ های خونی بیمار کاشته شد و نیاز به جراحی مغز باز را از بین برد.

ECoG

الکتروکورتیکوگرافی (ECoG) فعالیت الکتریکی مغز گرفته شده از زیر جمجمه را به روشی مشابه الکتروانسفالوگرافی غیر تهاجمی اندازه گیری می کند، اما الکترودها در یک پد پلاستیکی نازک که در بالای قشر مغز، در زیر سختاخه قرار می گیرد، تعبیه شده اند . ^[90] فن آوری های ECoG برای اولین بار در سال 2004 توسط اریک لوتارد و دانیل موران از دانشگاه واشنگتن در سنت لوئیس در انسان آزمایش شد . در آزمایشی بعدی، محققان یک پسر نوجوان را قادرساختند تا با استفاده از ایمپلنت ECoG خود، Space Invaders را بازی کند. ^[91] این تحقیق نشان می‌دهد که کنترل سریع است، به حداقل آموزش نیاز دارد و ممکن است با توجه به وفاداری سیگنال و سطح تهاجمی، یک معامله ایده‌آل باشد.^{[یادداشت 1]}

سیگنال ها می توانند ساب دورال یا اپیدورال باشند، اما از داخل پارانشیم مغز گرفته نمی شوند . به دلیل دسترسی محدود به موضوعات، تا همین اواخر به طور گسترده مورد مطالعه قرار نگرفته بود. در حال حاضر، تنها راه برای به دست آوردن سیگنال برای مطالعه، استفاده از بیمارانی است که به نظارت تهاجمی برای محلی سازی و برداشتن فوکوس صرع نیاز دارند.

ECoG یک روش BCI میانی بسیار امیدوارکننده است زیرا وضوح فضایی بالاتر، نسبت سیگنال به نویز بهتر، محدوده فرکانس بیشتر و نیازهای آموزشی کمتری نسبت به EEG ثبت شده در پوست سر دارد و در عین حال دارای دشواری فنی کمتر، خطر بالینی کمتر است. و ممکن است پایداری طولانی مدت بهتری نسبت به ضبط تک نورون درون قشری داشته باشد. ^[93] این مشخصات ویژگی و شواهد اخیر از سطح بالای کنترل با حداقل نیازهای آموزشی، پتانسیل کاربرد در دنیای واقعی را برای افراد دارای ناتوانی حرکتی نشان می‌دهد. ^[94] [95] دستگاه‌های BCI تصویربرداری واکنش‌پذیر نور هنوز در قلمرو تئوری هستند.

کار اخیر منتشر شده توسط ادوارد چانگ و جوزف مکین از UCSF نشان داد که سیگنال‌های ECoG می‌توانند برای رمزگشایی گفتار بیماران صرعی که با آرایه‌های ECoG با چگالی بالا در قشر اطراف سیلوین کاشته شده‌اند، استفاده شود. ^[96] [97] مطالعه آنها با استفاده از یک شبکه عصبی رمزگذار-رمزگشا ، که داده‌های ECoG را به یکی از پنجاه جمله متشکل از 250 کلمه منحصر به فرد ترجمه می‌کرد، به نرخ خطای کلمه 3٪ (یک بهبود قابل توجه نسبت به انتشارات قبلی) دست یافت.

BCI های غیر تهاجمی

همچنین آزمایشاتی با استفاده از تصویربرداری عصبی غیرتهاجمی بر روی انسان انجام شده است فن آوری ها به عنوان رابط اکثریت قابل توجهی از کارهای منتشر شده BCI شامل BCI های غیرتهاجمی مبتنی بر EEG است. فناوری‌ها و رابط‌های مبتنی بر EEG غیرتهاجمی برای کاربردهای بسیار گسترده‌تری مورد استفاده قرار گرفته‌اند. اگرچه رابط‌های مبتنی بر EEG به راحتی پوشیده می‌شوند و نیازی به جراحی ندارند، اما وضوح فضایی نسبتاً ضعیفی دارند و نمی‌توانند به طور موثر از سیگنال‌های فرکانس بالاتر استفاده کنند، زیرا جمجمه سیگنال‌ها را ضعیف می‌کند، امواج الکترومغناطیسی ایجاد شده توسط نورون‌ها را پراکنده و تار می‌کند. رابط های مبتنی بر EEG همچنین قبل از هر جلسه استفاده به زمان و تلاش نیاز دارند، در حالی که رابط های غیر مبتنی بر EEG و همچنین تهاجمی نیازی به آموزش استفاده قبلی ندارند. به طور کلی، بهترین BCI برای هر کاربر به عوامل متعددی بستگی دارد.

رابط انسان و کامپیوتر غیر مبتنی بر EEG 

الکترواکولوگرافی (EOG)

در سال 1989 گزارشی در مورد کنترل یک ربات متحرک با حرکت چشم با استفاده از سیگنال های الکترواکولوگرافی (EOG) ارائه شد. یک ربات متحرک از ابتدا به نقطه هدف با استفاده از پنج دستور EOG هدایت شد که به صورت جلو، عقب، چپ، راست و توقف تفسیر می‌شوند. ^[98] EOG به عنوان چالشی برای کنترل اشیاء خارجی توسط ویدال در مقاله خود در سال 1973 ارائه شد. ^[3]

نوسان اندازه مردمک

مقاله ای در سال 2016 ^[99] یک دستگاه ارتباطی کاملاً جدید و رابط انسان و کامپیوتر غیر مبتنی بر EEG را توصیف کرد که نیازی به تثبیت بصری یا توانایی حرکت چشم ندارد. رابط مبتنی بر علاقه پنهان است; توجه شخص به حرف انتخابی روی صفحه کلید مجازی، بدون نیاز به حرکت دادن چشم برای نگاه کردن مستقیم به حرف. هر حرف دایره (پس زمینه) مخصوص به خود را دارد که در روشنایی ریز نوسانی متفاوت از حروف دیگر دارد. انتخاب حروف بر اساس بهترین تناسب بین نوسان ناخواسته اندازه مردمک و الگوی نوسان روشنایی دایره پس‌زمینه است. دقت علاوه بر این با تمرین ذهنی کاربر از کلمات “روشن” و “تاریک” در هماهنگی با انتقال روشنایی دایره حرف بهبود می‌یابد.

طیف‌سنجی عملکردی مادون قرمز نزدیک

در سال‌های 2014 و 2017، یک BCI با استفاده از طیف‌سنجی عملکردی مادون قرمز نزدیک برای بیماران «قفل‌شده» مبتلا به اسکلروز جانبی آمیوتروفیک (ALS) توانست برخی از توانایی‌های اولیه بیماران را برای برقراری ارتباط با افراد دیگر بازیابی کند. ^[100] [101]

رابط های مغز و کامپیوتر مبتنی بر الکتروانسفالوگرافی (EEG)

پس از بیان چالش BCI توسط ویدال در سال 1973، گزارش های اولیه در مورد رویکرد غیر تهاجمی شامل کنترل مکان نما به صورت دو بعدی با استفاده از VEP (Vidal 1977)، کنترل یک زنگ با استفاده از CNV (Bozinovska و همکاران 1988، 1990)، کنترل بود. از یک جسم فیزیکی، یک ربات، با استفاده از ریتم مغزی (آلفا) (Bozinovski و همکاران 1988)، کنترل یک متن نوشته شده روی صفحه با استفاده از P300 (فارول و دانچین، 1988). ^[13]

در روزهای اولیه تحقیقات BCI، یکی دیگر از موانع اساسی برای استفاده از الکتروانسفالوگرافی (EEG) به عنوان رابط مغز و کامپیوتر، آموزش گسترده مورد نیاز قبل از اینکه کاربران بتوانند با این فناوری کار کنند، بود. به عنوان مثال، در آزمایش‌هایی که در اواسط دهه 1990 آغاز شد، نیلز بیرباومر در دانشگاه توبینگن آلمان به افراد فلج شدید آموزش داد تا پتانسیل‌های کند قشر مغز را در EEG خود تنظیم کنند تا حدی که از این سیگنال‌ها به عنوان سیگنال باینری استفاده شود. برای کنترل مکان نما کامپیوتر ^[102] (بیرباومر قبلاً بیماران صرعی را آموزش داده بودبا کنترل این موج ولتاژ پایین، از انحرافات قریب الوقوع جلوگیری کرد.) در این آزمایش ده بیمار آموزش دیدند که با کنترل امواج مغزی مکان نما کامپیوتر را حرکت دهند. این روند کند بود و به بیش از یک ساعت نیاز داشت تا بیماران 100 کاراکتر را با مکان نما بنویسند، در حالی که آموزش اغلب چندین ماه طول می کشید. با این حال، رویکرد پتانسیل کورتیکال آهسته برای BCI ها در چندین سال مورد استفاده قرار نگرفته است، زیرا سایر رویکردها به آموزش کمی یا بدون نیاز به آموزش نیاز دارند، سریعتر و دقیق تر هستند و برای نسبت بیشتری از کاربران کار می کنند.

یکی دیگر از پارامترهای تحقیق، نوع فعالیت نوسانی است که اندازه گیری می شود. Gert Pfurtscheller آزمایشگاه BCI را در سال 1991 تأسیس کرد و نتایج تحقیقات خود را در مورد تصاویر حرکتی در اولین BCI آنلاین بر اساس ویژگی‌های نوسانی و طبقه‌بندی‌کننده تغذیه کرد. آنها به همراه بیرباومر و جاناتان ولپا در دانشگاه ایالتی نیویورک بر توسعه فناوری تمرکز کردند که به کاربران امکان می‌دهد سیگنال‌های مغزی را که برای کار با BCI ساده‌تر می‌دانند، از جمله ریتم‌های مو و بتا انتخاب کنند.

پارامتر دیگر روش بازخورد مورد استفاده است و این در مطالعات سیگنال های P300 نشان داده شده است . الگوهای امواج P300 به طور غیرارادی ( بازخورد محرک ) ایجاد می‌شوند، زمانی که افراد چیزی را می‌بینند که تشخیص می‌دهند و ممکن است به BCI اجازه دهد تا دسته‌هایی از افکار را بدون آموزش اولیه به بیماران رمزگشایی کند. در مقابل، روش‌های بیوفیدبک که در بالا توضیح داده شد، نیازمند یادگیری کنترل امواج مغزی هستند تا بتوان فعالیت مغزی حاصل را شناسایی کرد.

در سال 2005 تحقیقاتی در مورد شبیه سازی EEG مدارهای کنترل دیجیتال برای BCI، با نمونه ای از فلیپ فلاپ CNV گزارش شد. ^[103] در سال 2009 کنترل غیرتهاجمی EEG یک بازوی رباتیک با استفاده از فلیپ فلاپ CNV گزارش شد. ^[104] در سال 2011 گزارش شد که کنترل دو بازوی روباتیک وظیفه حل برج هانوی با سه دیسک با استفاده از یک فلیپ فلاپ CNV. ^[105] در سال 2015 شبیه سازی EEG یک ماشه اشمیت، فلیپ فلاپ، دی مولتی پلکسر و مودم توصیف شد. ^[106]

در حالی که یک رابط مغز-کامپیوتر مبتنی بر EEG به طور گسترده توسط تعدادی از آزمایشگاه های تحقیقاتی دنبال شده است، پیشرفت های اخیر توسط بن هی و تیمش در دانشگاه مینه سوتا نشان می دهد که یک رابط مغز-کامپیوتر مبتنی بر EEG برای انجام وظایف نزدیک به تهاجمی وجود دارد. رابط مغز و کامپیوتر Bin He و همکارانش با استفاده از تصویربرداری عصبی عملکردی پیشرفته از جمله تصویربرداری با MRI عملکردی BOLD و منبع EEG ، تنوع و مکان‌یابی سیگنال‌های الکتروفیزیولوژیکی و همودینامیک ناشی از تخیل حرکتی را شناسایی کردند. ^[107] Bin He و همکارانش که با رویکرد تصویربرداری عصبی و با یک پروتکل آموزشی اصلاح شده بودند، توانایی یک رابط مغز و کامپیوتر مبتنی بر EEG غیر تهاجمی را برای کنترل پرواز یک هلیکوپتر مجازی در فضای سه بعدی، بر اساس تخیل حرکتی نشان دادند. ^[108] در ژوئن 2013 اعلام شد که بن هی تکنیکی را توسعه داده است که هلیکوپتر کنترل از راه دور را قادر می سازد تا از طریق یک مسیر مانع هدایت شود. ^[109]

علاوه بر یک رابط مغز و کامپیوتر بر اساس امواج مغزی، همانطور که از الکترودهای EEG پوست سر ثبت شده است، Bin He و همکارانش ابتدا با حل مشکل معکوس EEG، یک رابط مجازی مغز و کامپیوتر مبتنی بر سیگنال EEG را کشف کردند و سپس از نتیجه مجازی استفاده کردند. EEG برای وظایف رابط مغز و کامپیوتر. مطالعات به خوبی کنترل شده، مزایای چنین تحلیل منبع مبتنی بر رابط مغز و رایانه را نشان می دهد. ^[110]

یک مطالعه در سال 2014 نشان داد که بیماران دارای نقص حرکتی شدید می‌توانند سریع‌تر و مطمئن‌تر با EEG BCI غیرتهاجمی ارتباط برقرار کنند تا با هر کانال ارتباطی مبتنی بر عضله. ^[111]

یک مطالعه در سال 2016 نشان داد که دستگاه Emotiv EPOC ممکن است برای کارهای کنترلی با استفاده از سطح توجه/مدیتیشن یا پلک زدن چشم نسبت به دستگاه Neurosky MindWave مناسب‌تر باشد. ^[112]

مطالعه‌ای در سال 2019 نشان داد که استفاده از الگوریتم‌های تکاملی می‌تواند طبقه‌بندی حالت ذهنی EEG را با دستگاه غیرتهاجمی Muse بهبود بخشد و امکان طبقه‌بندی با کیفیت بالا داده‌های به‌دست‌آمده توسط یک دستگاه سنجش EEG ارزان قیمت مصرف‌کننده را فراهم کند. ^[113]

در یک بررسی سیستماتیک در سال 2021 از کارآزمایی‌های تصادفی‌سازی و کنترل‌شده با استفاده از BCI برای توانبخشی اندام فوقانی پس از سکته مغزی، BCI مبتنی بر EEG در مقایسه با درمان‌های کنترل اثربخشی قابل‌توجهی در بهبود عملکرد حرکتی اندام فوقانی دارد. به طور خاص، مطالعات BCI که از ویژگی‌های قدرت باند، تصاویر حرکتی و تحریک الکتریکی عملکردی در طراحی خود استفاده می‌کردند، مؤثرتر از جایگزین‌ها بودند. ^[114] بررسی سیستماتیک دیگری در سال 2021 بر BCI مبتنی بر EEG با کمک رباتیک برای توانبخشی دست پس از سکته متمرکز شد. بهبود در نمرات ارزیابی حرکتی در سه مطالعه از یازده مطالعه موجود در مرور سیستماتیک مشاهده شد. ^[115]

آرایه های الکترود فعال خشک

در اوایل دهه 1990 بابک طاهری، در دانشگاه کالیفرنیا، دیویس اولین آرایه الکترود فعال خشک تک کاناله و چند کاناله را با استفاده از ماشینکاری ریز به نمایش گذاشت. ساخت و ساز الکترود EEG خشک تک کاناله و نتایج آن در سال ¹⁹⁹⁴ منتشر شد . این دستگاه شامل چهار محل حسگر با الکترونیک یکپارچه برای کاهش نویز با تطبیق امپدانس بود. مزایای چنین الکترودهایی عبارتند از: (1) عدم استفاده از الکترولیت، (2) عدم آماده سازی پوست، (3) کاهش قابل توجه اندازه حسگر، و (4) سازگاری با سیستم های نظارت EEG. آرایه الکترود فعال یک سیستم یکپارچه ساخته شده از آرایه ای از حسگرهای خازنی با مدار مجتمع محلی است که در یک بسته با باتری برای تغذیه مدار قرار گرفته است. این سطح از یکپارچگی برای دستیابی به عملکرد عملکردی به دست آمده توسط الکترود مورد نیاز بود.

الکترود بر روی یک میز تست الکتریکی و بر روی افراد انسانی در چهار روش فعالیت EEG آزمایش شد، یعنی: (1) EEG خود به خود، (2) پتانسیل های مرتبط با رویداد حسی، (3) پتانسیل های ساقه مغز، و (4) رویداد شناختی. -پتانسیل های مرتبط عملکرد الکترود خشک از نظر آماده‌سازی پوست، عدم نیاز به ژل (خشک) و نسبت سیگنال به نویز بالاتر با الکترودهای مرطوب استاندارد مقایسه می‌شود. ^[117]

در سال 1999، محققان دانشگاه Case Western Reserve ، در کلیولند ، اوهایو ، به رهبری هانتر پکهام، از کلاهک جمجمه 64 الکترودی EEG برای بازگرداندن حرکات محدود دست به جیم جاتیچ چهار پلژیک استفاده کردند. همانطور که Jatich روی مفاهیم ساده اما متضاد مانند بالا و پایین تمرکز می کرد، خروجی EEG ریتم بتا او با استفاده از نرم افزار برای شناسایی الگوهای نویز مورد تجزیه و تحلیل قرار گرفت. یک الگوی اساسی شناسایی شد و برای کنترل یک سوئیچ استفاده شد: فعالیت بالاتر از میانگین روی روشن، زیر متوسط ​​خاموش تنظیم شد. علاوه بر اینکه Jatich را قادر می‌سازد مکان‌نمای رایانه را کنترل کند، سیگنال‌ها نیز برای به حرکت درآوردن کنترل‌کننده‌های عصبی تعبیه‌شده در دست‌های او مورد استفاده قرار گرفتند و مقداری حرکت را بازیابی کردند. ^[118]

BCI های EEG موبایل SSVEP

در سال 2009، بند سر NCTU Brain-Computer-Interface-Headband گزارش شد. محققانی که این هدبند BCI را توسعه دادند، همچنین الکترودهای خشک سیستم مکانیکی m icro و الکترومکانیکی ( MEMS) مبتنی بر سیلیکون را طراحی کردند که برای کاربرد در مکان‌های بدون موی بدن طراحی شده‌اند . این الکترودها به برد DAQ در هدبند با نگهدارنده‌های الکترود متصل می‌شوند. ماژول پردازش سیگنال آلفا را اندازه گیری کردفعالیت و تلفن دارای بلوتوث، هوشیاری و ظرفیت بیماران را برای عملکرد شناختی ارزیابی کردند. وقتی سوژه خواب‌آلود شد، تلفن بازخورد تحریک‌کننده‌ای را برای اپراتور ارسال کرد تا آنها را بیدار کند. این تحقیق توسط شورای ملی علوم، تایوان، ROC، NSC، دانشگاه ملی چیائو تونگ، وزارت آموزش تایوان و آزمایشگاه تحقیقاتی ارتش ایالات متحده پشتیبانی شده است. ^[119]

در سال 2011، محققان یک BCI مبتنی بر سلولی را با قابلیت گرفتن داده های EEG و تبدیل آن به فرمانی برای زنگ زدن تلفن گزارش کردند. این تحقیق تا حدی توسط Abraxis Bioscience LLP، آزمایشگاه تحقیقاتی ارتش ایالات متحده و دفتر تحقیقات ارتش پشتیبانی شد. فناوری توسعه‌یافته یک سیستم پوشیدنی متشکل از یک ماژول جمع‌آوری/تقویت سیگنال زیستی چهار کاناله ، یک ماژول انتقال بی‌سیم و یک تلفن همراه دارای بلوتوث بود. الکترودها به گونه ای قرار گرفتند که پتانسیل های برانگیخته بصری حالت پایدار ( SSVEPs ) را دریافت کنند. ^[120] SSVEP ها پاسخ های الکتریکی به محرک های بصری سوسوزن با نرخ های تکرار بیش از 6 هرتز هستند ^[120]که بهتر است در نواحی جداری و اکسیپیتال پوست سر قشر بینایی یافت شوند. ^{[121] [122] [123]} گزارش شد که با این تنظیم BCI، همه شرکت کنندگان در مطالعه قادر به برقراری تماس تلفنی با حداقل تمرین در محیط های طبیعی بودند. ^[124]

دانشمندان ادعا می کنند که مطالعات آنها با استفاده از تبدیل فوریه سریع تک کانالی ( FFT ) و الگوریتم تجزیه و تحلیل همبستگی متعارف سیستم کانال چندگانه ( CCA ) ظرفیت BCI های متحرک را پشتیبانی می کند. ^[120] [125] الگوریتم CCA در آزمایش‌های دیگری که BCI را با عملکرد بالا در دقت و همچنین سرعت بررسی می‌کنند، به کار گرفته شده است. ^[126] در حالی که فناوری BCI مبتنی بر سلول برای برقراری تماس تلفنی از SSVEPها توسعه داده شد، محققان گفتند که می‌توان آن را برای کاربردهای دیگری مانند انتخاب ریتم‌های حسی-حرکتی mu / بتا برای عملکرد به عنوان یک BCI مبتنی بر تصویر حرکتی ترجمه کرد. ^[120]

در سال 2013، آزمایش‌های مقایسه‌ای بر روی تلفن همراه اندرویدی، تبلت و BCI مبتنی بر رایانه انجام شد و چگالی طیف توان SSVEP‌های EEG حاصل را تجزیه و تحلیل کرد. اهداف اعلام شده این مطالعه، که شامل دانشمندانی بود که تا حدی توسط آزمایشگاه تحقیقاتی ارتش ایالات متحده پشتیبانی می‌شدند، «افزایش قابلیت عملی، قابل حمل بودن، و فراگیر بودن یک BCI مبتنی بر SSVEP برای استفاده روزانه» بود. نقل قول گزارش شده است که فرکانس تحریک در همه رسانه ها دقیق است، اگرچه سیگنال تلفن همراه تا حدی بی ثباتی را نشان می دهد. دامنه SSVEP ها برای لپ تاپ و تبلت نیز بزرگتر از دامنه تلفن همراه گزارش شده است. این دو توصیف کیفی به عنوان شاخص‌های امکان‌سنجی استفاده از محرک BCI پیشنهاد شد. ^[125]

محدودیت ها

در سال 2011، محققان بیان کردند که ادامه کار باید به سهولت استفاده، استحکام عملکرد، کاهش هزینه های سخت افزاری و نرم افزاری بپردازد. ^[120]

یکی از مشکلات خواندن EEG، حساسیت زیاد به مصنوعات حرکتی است. ^[127] در اکثر پروژه‌های تحقیقاتی که قبلاً توضیح داده شد، از شرکت‌کنندگان خواسته شد تا بی‌حرکت بنشینند، حرکات سر و چشم را تا حد امکان کاهش دهند، و اندازه‌گیری‌ها در یک محیط آزمایشگاهی انجام شد. با این حال، از آنجایی که کاربرد مورد تاکید این ابتکارات در ایجاد یک دستگاه تلفن همراه برای استفاده روزانه بود ^[125] ، این فناوری باید در حرکت آزمایش می شد.

در سال 2013، محققان فناوری BCI مبتنی بر EEG تلفن همراه را آزمایش کردند و SSVEP های شرکت کنندگان را هنگام راه رفتن روی تردمیل با سرعت های مختلف اندازه گیری کردند. این تحقیق توسط دفتر تحقیقات نیروی دریایی ، دفتر تحقیقات ارتش و آزمایشگاه تحقیقات ارتش ایالات متحده پشتیبانی شده است. نتایج بیان شده این بود که با افزایش سرعت، قابلیت تشخیص SSVEP با استفاده از CCA کاهش می‌یابد. از آنجایی که آنالیز مؤلفه های مستقل ( ICA ) در جداسازی سیگنال های EEG از نویز کارآمد نشان داده شده بود، ^[128]دانشمندان از ICA برای داده های EEG استخراج شده توسط CCA استفاده کردند. آنها اظهار داشتند که داده های CCA با و بدون پردازش ICA مشابه هستند. بنابراین، آنها به این نتیجه رسیدند که CCA به طور مستقل استحکامی برای مصنوعات حرکتی نشان می دهد که نشان می دهد ممکن است الگوریتم مفیدی برای اعمال BCI های مورد استفاده در شرایط دنیای واقعی باشد. ^[122]

پروتز و کنترل محیط

BCI های غیر تهاجمی نیز برای فعال کردن کنترل مغز دستگاه های مصنوعی اندام فوقانی و تحتانی در افراد مبتلا به فلج استفاده شده است. به عنوان مثال، Gert Pfurtscheller از دانشگاه فناوری گراتس و همکارانش یک سیستم تحریک الکتریکی عملکردی با کنترل BCI را برای بازگرداندن حرکات اندام فوقانی در یک فرد مبتلا به تتراپلژی به دلیل آسیب نخاعی نشان دادند. ^[129] بین سال‌های 2012 و 2013، محققان دانشگاه کالیفرنیا، ایروین برای اولین بار نشان دادند که می‌توان از فناوری BCI برای بازیابی راه رفتن کنترل‌شده توسط مغز پس از آسیب نخاعی استفاده کرد. در تحقیقات آسیب نخاعی آنهادر مطالعه، یک فرد مبتلا به پاراپلژی توانست یک ارتز راه رفتن رباتیک BCI را برای بازیابی حرکت اولیه کنترل شده توسط مغز انجام دهد. ^[130] [131] در سال 2009 الکس بلینی، محقق مستقل مستقر در بریتانیا، با موفقیت از Emotiv EPOC برای کنترل یک بازوی ربات 5 محوری استفاده کرد. ^[132] سپس چندین ویلچر کنترل شده توسط ذهن و اتوماسیون خانگی را ساخت که می توانست توسط افرادی با کنترل حرکتی محدود یا بدون کنترل مانند کسانی که مبتلا به پاراپلژی و فلج مغزی هستند، کار کنند.

تحقیقات در مورد استفاده نظامی از BCIs با بودجه دارپا از دهه 1970 ادامه داشته است. ^[3] [4] تمرکز کنونی تحقیق، ارتباط کاربر به کاربر از طریق تجزیه و تحلیل سیگنال‌های عصبی است. ^[133]

DIY و BCI منبع باز

در سال 2001، پروژه OpenEEG ^[134] توسط گروهی از عصب شناسان و مهندسان DIY آغاز شد. ModularEEG دستگاه اصلی ایجاد شده توسط جامعه OpenEEG بود. این یک برد ضبط سیگنال 6 کانالی بود که ساخت آن در خانه بین 200 تا 400 دلار هزینه داشت. پروژه OpenEEG لحظه مهمی را در ظهور رابط مغز و کامپیوتر DIY رقم زد.

در سال 2010، برنامه ITP NYU، Frontier Nerds of NYU یک آموزش کامل با عنوان چگونه EEG های اسباب بازی را هک کنیم منتشر کرد. ^[135] این آموزش، که ذهن بسیاری از علاقه مندان به DIY BCI را برانگیخت، نشان داد که چگونه می توان یک EEG تک کانالی در خانه با آردوینو و مایندفلکس Mattel با قیمت بسیار مناسب ایجاد کرد. این آموزش حرکت DIY BCI را تقویت کرد.

در سال 2013، OpenBCI از یک درخواست DARPA و متعاقب آن کمپین Kickstarter ظهور کرد. آنها یک برد اکتسابی 8 کاناله EEG با کیفیت بالا و منبع باز، معروف به برد 32 بیتی، با قیمت کمتر از 500 دلار ایجاد کردند. دو سال بعد، آنها اولین هدست EEG چاپ سه بعدی، معروف به Ultracortex، و همچنین یک برد اکتسابی EEG 4 کانالی، معروف به Ganglion Board را ساختند که قیمت آن کمتر از 100 دلار بود.

MEG و MRI

مگنتوآنسفالوگرافی (MEG) و تصویربرداری تشدید مغناطیسی عملکردی (fMRI) هر دو با موفقیت به عنوان BCI های غیر تهاجمی مورد استفاده قرار گرفته اند. ^[136] در یک آزمایش گسترده گزارش‌شده، fMRI به دو کاربر اجازه داد تا با تغییر پاسخ همودینامیک یا جریان خون مغزشان از طریق تکنیک‌های بیوفیدبک ، پونگ را در زمان واقعی اسکن کنند. ^[137]

اندازه‌گیری‌های fMRI پاسخ‌های همودینامیک در زمان واقعی نیز برای کنترل بازوهای ربات با تاخیر هفت ثانیه‌ای بین فکر و حرکت استفاده شده است. ^[138]

در سال 2008، تحقیقاتی که در آزمایشگاه‌های علوم اعصاب محاسباتی تحقیقات مخابراتی پیشرفته (ATR) در کیوتو ، ژاپن انجام شد، به دانشمندان این امکان را داد که تصاویر را مستقیماً از مغز بازسازی کنند و آن‌ها را در یک کامپیوتر سیاه و سفید با وضوح 10×10 پیکسل نمایش دهند. مقاله ای که این دستاوردها را اعلام می کرد، روی جلد مجله Neuron در 10 دسامبر 2008 بود. ^[139]

در سال 2011، محققان دانشگاه کالیفرنیا برکلی ^[140] مطالعه‌ای را منتشر کردند که گزارش بازسازی ثانیه به ثانیه فیلم‌های مشاهده شده توسط افراد مورد مطالعه، از داده‌های fMRI را گزارش می‌کرد. این امر با ایجاد یک مدل آماری مربوط به الگوهای بصری در ویدئوهای نمایش داده شده به افراد و فعالیت مغز ناشی از تماشای فیلم ها به دست آمد. سپس از این مدل برای جستجوی 100 بخش ویدیوی یک ثانیه‌ای، در پایگاه داده‌ای از 18 میلیون ثانیه از ویدیوهای تصادفی یوتیوب استفاده شد ، که الگوهای بصری آن‌ها بیشترین تطابق را با فعالیت مغز ثبت‌شده هنگام تماشای یک ویدیوی جدید از سوی افراد داشت. سپس این 100 عصاره ویدیوی یک ثانیه‌ای در یک تصویر له‌شده ترکیب شدند که شبیه ویدیوی در حال تماشا بود. ^{[141] [142] [143]}

استراتژی های کنترل BCI در بازی عصبی

تصاویر موتوری

تصویرسازی حرکتی شامل تخیل حرکت بخش‌های مختلف بدن است که منجر به فعال شدن قشر حسی حرکتی می‌شود که نوسانات حسی حرکتی را در EEG تعدیل می‌کند. این می تواند توسط BCI برای پی بردن به قصد کاربر شناسایی شود. تصویرسازی حرکتی معمولاً قبل از به دست آوردن ک�