Nöral Protez, Konuşmayı Çözmek Için Beyin Aktivitesini Kullanır
![[Resim: neural-prosthesis-uses.jpg]](https://scx1.b-cdn.net/csz/news/800a/2023/neural-prosthesis-uses.jpg)
HSE Üniversitesi ve Moskova Devlet Tıp ve Diş Hekimliği Üniversitesi'nden araştırmacılar, küçük bir minimal invaziv elektrot seti ile kaydedilen nöral aktivitelerine dayanarak, bir özne tarafından söylenecek kelimeyi tahmin edebilen bir makine öğrenimi modeli geliştirdiler. "Kompakt ve yorumlanabilir bir nöral ağ ile küçük bir uzamsal olarak ayrılmış minimal invaziv intrakraniyal EEG elektrotları setinden konuşma kodunu çözme" adlı makaleleri Journal of Neural Engineering'de yayınlandı.
Dünya çapında milyonlarca insan , iletişim kurma yeteneklerini sınırlayan konuşma bozukluklarından etkileniyor . Konuşma kaybının nedenleri değişebilir ve inme ve belirli doğumsal durumları içerebilir.
Bu tür hastaların iletişim işlevini eski haline getirmek için teknoloji günümüzde mevcuttur; buna, kişi sözcükleri ses çıkarmadan ağzından söylerken artikülasyon kaslarının hareketini izleyerek konuşmayı tanıyan "sessiz konuşma" arayüzleri dahildir. Bununla birlikte, bu tür cihazlar bazı hastalara yardımcı olur, ancak yüz kas felci olan kişiler gibi diğerlerine yardımcı olmaz.
Konuşma nöroprotezleri -beyin aktivitesine dayalı konuşmayı çözebilen beyin-bilgisayar arayüzleri- bu tür hastalarla iletişimi yeniden sağlamak için erişilebilir ve güvenilir bir çözüm sağlayabilir.
Kişisel bilgisayarlardan farklı olarak beyin-bilgisayar arayüzüne (BCI) sahip cihazlar, herhangi bir klavye veya mikrofona ihtiyaç duymadan doğrudan beyin tarafından kontrol ediliyor.
Konuşma protezlerinde BCI'lerin daha geniş kullanımının önündeki en büyük engel, bu teknolojinin beyin dokusuna elektrot yerleştirmek için oldukça invaziv cerrahi gerektirmesidir.
Dünya çapında milyonlarca insan , iletişim kurma yeteneklerini sınırlayan konuşma bozukluklarından etkileniyor . Konuşma kaybının nedenleri değişebilir ve inme ve belirli doğumsal durumları içerebilir.
Bu tür hastaların iletişim işlevini eski haline getirmek için teknoloji günümüzde mevcuttur; buna, kişi sözcükleri ses çıkarmadan ağzından söylerken artikülasyon kaslarının hareketini izleyerek konuşmayı tanıyan "sessiz konuşma" arayüzleri dahildir. Bununla birlikte, bu tür cihazlar bazı hastalara yardımcı olur, ancak yüz kas felci olan kişiler gibi diğerlerine yardımcı olmaz.
Konuşma nöroprotezleri -beyin aktivitesine dayalı konuşmayı çözebilen beyin-bilgisayar arayüzleri- bu tür hastalarla iletişimi yeniden sağlamak için erişilebilir ve güvenilir bir çözüm sağlayabilir.
Kişisel bilgisayarlardan farklı olarak beyin-bilgisayar arayüzüne (BCI) sahip cihazlar, herhangi bir klavye veya mikrofona ihtiyaç duymadan doğrudan beyin tarafından kontrol ediliyor.
Konuşma protezlerinde BCI'lerin daha geniş kullanımının önündeki en büyük engel, bu teknolojinin beyin dokusuna elektrot yerleştirmek için oldukça invaziv cerrahi gerektirmesidir.
En doğru konuşma tanıma, kortikal yüzeyin geniş bir alanını kaplayan elektrotlara sahip nöroprotezlerle sağlanır. Bununla birlikte, beyin aktivitesini okumaya yönelik bu çözümler, uzun süreli kullanım için tasarlanmamıştır ve hastalar için önemli riskler arz etmektedir.
HSE Biyoelektrik Arayüzler Merkezi ve Moskova Devlet Tıp ve Diş Hekimliği Üniversitesi araştırmacıları, sınırlı bir kortikal alana implante edilen küçük bir elektrot setinden beyin aktivitesini okuyarak konuşmayı kabul edilebilir bir doğrulukla deşifre edebilen işleyen bir nöroprotez oluşturma olasılığını incelediler. Yazarlar, gelecekte bu minimal invaziv prosedürün lokal anestezi altında bile yapılabileceğini öne sürüyorlar.
Bu çalışmada araştırmacılar, nöbet başlangıç bölgelerini lokalize etmek için cerrahi öncesi haritalama amacıyla intrakraniyal elektrotlar yerleştirilmiş olan iki epilepsi hastasından veri topladılar.
İlk hastaya, her birinde altı kontak bulunan toplam beş sEEG şaftı iki taraflı olarak implante edildi ve ikinci hastaya, her birinde sekiz kontak bulunan dokuz elektrokortikografik (ECoG) şerit implante edildi. ECoG'den farklı olarak, sEEG için elektrotlar, kafatasındaki bir matkap deliği aracılığıyla tam bir kraniyotomi olmadan implante edilebilir. Bu çalışmada, bir hastada tek bir sEEG şaftının yalnızca altı kontağı ve diğerinde bir ECoG şeridinin sekiz kontağı nöral aktivitenin kodunu çözmek için kullanıldı .
Deneklerden, her biri rastgele sırayla 30 ila 60 kez sunulan altı cümleyi yüksek sesle okumaları istendi. Cümlelerin yapısı farklıydı ve tek bir cümledeki kelimelerin çoğu aynı harfle başlıyordu. Cümleler toplam 26 farklı kelime içermektedir. Denekler okurken, elektrotlar beyin aktivitelerini kaydetti.
Bu veriler daha sonra 26 kelime ve bir sessizlik sınıfı dahil olmak üzere 27 sınıf oluşturmak için ses sinyalleriyle hizalandı . Ortaya çıkan eğitim veri seti (deneyin ilk 40 dakikasında kaydedilen sinyalleri içerir), sinir ağı tabanlı bir mimariye sahip bir makine öğrenme modeline beslendi . Sinir ağı için öğrenme görevi, söylenmesinden önceki sinirsel aktivite verilerine dayanarak bir sonraki söylenen kelimeyi (sınıf) tahmin etmekti.
Araştırmacılar sinir ağı mimarisini tasarlarken basit, kompakt ve kolayca yorumlanabilir hale getirmek istediler. İlk önce kaydedilen beyin etkinliği verilerinden dahili konuşma temsillerini çıkaran, log-mel spektral katsayıları üreten ve ardından belirli bir sınıfı, yani bir kelimeyi veya sessizliği tahmin eden iki aşamalı bir mimari buldular.
Bu şekilde eğitilen sinir ağı , birinci hastada tek bir sEEG elektrodu tarafından kaydedilen yalnızca altı kanallı veriyi kullanarak %55 doğruluk ve ikinci hastada tek bir ECoG şeridi tarafından kaydedilen yalnızca sekiz kanallı veriyi kullanarak %70 doğruluk elde etti. Bu doğruluk, elektrotların tüm kortikal yüzeye implante edilmesini gerektiren cihazların kullanıldığı diğer çalışmalarda gösterilenlerle karşılaştırılabilir.
Ortaya çıkan yorumlanabilir model, hangi nöral bilginin söylenmek üzere olan bir kelimeyi tahmin etmeye en çok katkıda bulunduğunu nörofizyolojik terimlerle açıklamayı mümkün kılar. Araştırmacılar, hangilerinin aşağı akış görevi için çok önemli olduğunu belirlemek için farklı nöronal popülasyonlardan gelen sinyalleri incelediler. Bulguları, konuşma haritalama sonuçlarıyla tutarlıydı; bu, modelin çok önemli olan ve bu nedenle hayali konuşmanın kodunu çözmek için kullanılabilecek nöral sinyalleri kullandığını öne sürüyordu.
Bu çözümün bir başka avantajı da, manuel özellik mühendisliği gerektirmemesidir. Model, konuşma temsillerini doğrudan beyin etkinliği verilerinden çıkarmayı öğrendi. Sonuçların yorumlanabilirliği ayrıca, ağın, eklem kaslarından gelen elektrik sinyalleri veya bir mikrofon etkisinden kaynaklanan elektrik sinyalleri gibi herhangi bir eşzamanlı aktiviteden ziyade beyinden gelen sinyalleri çözdüğünü gösterir.
Araştırmacılar, tahminin her zaman ifadeden önceki sinirsel aktivite verilerine dayandığını vurguluyor. Bunun, karar kuralının işitsel korteksin daha önce söylenmiş olan konuşmaya verdiği yanıtı kullanmamasını sağladığını savunuyorlar.
Alexey, "Bu tür arayüzlerin kullanımı hasta için minimum risk içeriyor. Her şey yolunda giderse, ayakta tedavi ortamında lokal anestezi ile implante edilen az sayıda minimal invaziv elektrot tarafından kaydedilen nöral aktiviteden hayali konuşmanın kodunu çözmek mümkün olabilir" diyor. Ossadtchi, çalışmanın önde gelen yazarı, HSE Bilişsel Sinirbilim Enstitüsü Biyoelektrik Arayüzler Merkezi direktörü.
Daha fazla bilgi: Artur Petrosyan ve arkadaşları, Kompakt ve yorumlanabilir bir nöral ağ ile küçük bir uzamsal olarak ayrılmış minimal invaziv intrakraniyal EEG elektrot setinden konuşma kodunu çözme, Journal of Neural Engineering (2022). DOI: 10.1088/1741-2552/aca1e1
Rf:
Dergi bilgisi: Science Translational Medicine , Journal of Neural Engineering
Ulusal Araştırma Üniversitesi Ekonomi Yüksek Okulu tarafından sağlanmaktadır.
https://medicalxpress.com