Kontrola umysłu

W lipcu 2006 r. gazeta w Natura opisał, jak sparaliżowany mężczyzna z chipem wszczepionym w mózg wykorzystał swój umysł do poruszania kursorem komputera i ramieniem robota. Chip jest jednym z najbardziej udanych dotychczas przykładów protezy nerwowej. Takie urządzenia odbierają sygnały neuronowe z części mózgu biorącej udział w danej czynności, takiej jak neurony w korze ruchowej, które uruchamiają się, gdy osoba wyobraża sobie poruszanie myszą komputerową ręką. Następnie interpretują te sygnały i odpowiednio kierują fizycznym działaniem – powiedzmy, przesuwając kursor w lewo.

Algorytmy Lakshminarayana Srinivasana powinny przyspieszyć rozwój nowych protez neuronalnych.

Protetyka neuronalna obiecuje wzmocnić ludzi z chorobami neurodegeneracyjnymi i urazami rdzenia kręgowego. Ale ponieważ mogą obejmować wiele kombinacji regionów mózgu i sprzętu, każdy nowy prototyp wymagał własnego oprogramowania. Projektowanie nowych algorytmów od podstaw spowalnia rozwój, mówi Lakshminarayan Srinivasan, SM ‘03, PhD ‘06, neurochirurg w Massachusetts General Hospital i student medycyny w Harvard-MIT Division of Health Sciences and Technology. Dlatego Srinivasan opracowuje ogólne algorytmy, które mogą prowadzić do oprogramowania kompatybilnego ze wszystkimi tego rodzaju urządzeniami.

Technologie wykrywania aktywności mózgu obejmują funkcjonalne obrazowanie rezonansem magnetycznym (fMRI), elektroencefalografię (EEG) oraz funkcjonalną spektroskopię w bliskiej podczerwieni – z których każda generuje różne rodzaje danych. Urządzenia wyjściowe mogą obejmować telewizory, komputery lub ramiona robota, z których każde ma inne polecenia użytkownika.

Algorytmy Srinivasana mają zastosowanie do dowolnej kombinacji urządzeń, ponieważ działają na wyższym poziomie abstrakcji. Zamiast pracować tylko z wejściami EEG odzwierciedlającymi aktywność elektryczną lub wejściami MRI pokazującymi przepływ krwi w mózgu, algorytmy traktują całą aktywność neuronową jako ciągłą lub binarną (prosty włącznik / wyłącznik) i przekładają ją na ciągłe lub dyskretne polecenia. (Na przykład podczas prowadzenia samochodu stopniowe wciskanie pedału gazu jest poleceniem ciągłym; zmiana biegów jest poleceniem dyskretnym).

Srinivasan mówi, że te algorytmy powinny pomóc naukowcom w opracowaniu nowych protez neuronowych i szybkim naprawianiu wszelkich pojawiających się problemów.

ukryć