Notícies Notícies

Vés enrere

Avenços en interfícies cervell-màquina per restablir el moviment de persones amb discapacitat neuromotora

Avenços en interfícies cervell-màquina per restablir el moviment de persones amb discapacitat neuromotora

Un treball publicat a la revista Neuronal Computation, amb participació de Núria Armengol, enginyera biomèdica per la UPF, com a continuació del seu Treball Fi de Grau que va fer a la Duke University (Durham, EUA) amb la supervisió de Ruben Moreno Bote, investigador del Centre de Cognició i Cervell.

09.05.2019

Imatge inicial

Una recerca, publicada en edició avançada el 12 d’abril a la revista Neuronal Computation, posa de relleu que els enfocaments basats en descodificadors de memòria a curt i llarg termini (LSTM, sigles en anglès de Long-Short Term Memory) podrien proporcionar millors algorismes per a les neuropròtesis que utilitzen interfícies cervell-màquina (BMC, sigles en anglès de Brain Machine Interface) per restablir el moviment en pacients amb discapacitats neuromotores greus.

Els enfocaments basats en LSTM podrien proporcionar una millor estratègia d’algorisme per a les neuropròtesis que utilitzen interfícies cervell-màquina en el restabliment del moviment neuromotor en pacients amb discapacitats greus

Aquesta és una recerca duta a terme per investigadors de la Duke University (EUA) en què ha participat Núria Armengol, alumni del Grau en Enginyeria Biomèdica de la UPF que va iniciar aquest tema de recerca per al seu Treball Fi de Grau, sota la supervisió de Ruben Moreno Bote, investigador del Centre de Cognició i Cervell (CBC) del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF, i que va desenvolupar a la Universitat Duke (Durham, EUA). Actualment, Armengol es troba cursant un màster a l’Escola Politècnica Federal de Zuric (ETH, Suïssa).

Xarxes neuronals artificials recurrents capaces de descodificar l’activitat del conjunt de neurones a temps real milloren els descodificadors d’activitat cerebral

Tot i que al llarg dels anys s'han proposat molts algorismes de descodificació neuronal en temps real per a aplicacions d’interfície cervell-màquina (IMC), avenços recents en algorismes d’aprenentatge profund milloren el disseny dels descodificadors d’activitat cerebral amb la participació de xarxes neuronals artificials recurrents capaces de descodificar l’activitat del conjunt de neurones a temps real.

LSTM va modelar diversos atributs fisiològics clau dels circuits corticals implicats en tasques motores

Com explica Núria Armengol, “per aquest estudi vam desenvolupar un descodificador de memòria a curt i llarg termini (LSTM) per extreure la cinemàtica del moviment de l’activitat de grans poblacions de neurones (N = 134–402), mostrejades simultàniament a partir de múltiples àrees corticals de micus rhesus mentre feien tasques motores.”

Les regions cerebrals estudiades inclouen àrees motores primàries i àrees corticals somatosensorials primàries. La capacitat del LSTM de retenir informació durant llargs períodes de temps va permetre una descodificació precisa per a tasques que requerien moviments i períodes d’immobilisme.

“El nostre algorisme de LSTM va superar de manera significativa el filtre de Kalman (un mètode analític que permet estimar variables d’estat no observables a partir de variables observables), mentre els micos feien diferents tasques sobre una cinta de córrer (aixecar un braç, aixecar els dos braços o caminar)”, afegeix Armengol.

En particular, les unitats LSTM van mostrar una varietat de trets fisiològics ben coneguts de l’activitat neuronal cortical, com ara l’ajust direccional i la dinàmica neuronal durant la realització de tasques. LSTM va modelar diversos atributs fisiològics clau dels circuits corticals implicats en tasques motores. Aquests descobriments suggereixen que els enfocaments basats en LSTM podrien proporcionar una millor estratègia d’algorisme per a les neuropròtesis que utilitzen interfícies cervell-màquina en el restabliment del moviment neuromotor en pacients amb discapacitats greus.

Treball de referència:

Po-He Tseng, Núria Armengol Urpi, Mikhail Lebedev, Miguel Nicolelis (2019), “Decoding Movements from Cortical Ensemble Activity Using a Long Short-Term Memory Recurrent Network”, Neuronal Computation, publicat en línia 12 d’abril, https://doi.org/10.1162/neco_a_01189 

Multimèdia

Multimedia

Multimedia

Categories:


Destaquem Destaquem

ETIC

Xifres

891 Estudiants de grau
276 Estudiants de Postgrau
60 % internacionalització dels estudiants de postgrau
15 ERC grants
13 Investigadors ICREA
250 Personal d'administració i suport a la recerca
66 % internacionalització del personal