Dans une avancée significative, les chercheurs de l'UC San Francisco Weill Institute for Neurosciences travaillant sur un membre prothétique contrôlé par le cerveau ont montré que les techniques d'apprentissage automatique aidaient un individu paralysé à apprendre à contrôler un curseur d'ordinateur en utilisant son activité cérébrale sans nécessiter une formation quotidienne intensive, ce qui a était une exigence de tous les efforts passés d'interface cerveau-ordinateur (BCI).
Le domaine BCI a fait de grands progrès ces dernières années, mais comme les systèmes existants ont dû être réinitialisés et recalibrés chaque jour, ils n'ont pas été en mesure d'exploiter les processus d'apprentissage naturels du cerveau. C'est comme demander à quelqu'un d'apprendre à faire du vélo encore et encore à partir de zéro. L'adaptation d'un système d'apprentissage artificiel pour qu'il fonctionne en douceur avec les schémas d'apprentissage sophistiqués à long terme du cerveau est quelque chose qui n'a jamais été démontré auparavant chez une personne paralysée. «
Karunesh Ganguly, MD, PhD, auteur principal de l'étude, professeur agrégé, Département de neurologie de l'UCSF
La réalisation de performances «plug and play» démontre la valeur des réseaux d'électrodes ECoG pour les applications BCI. Un réseau ECoG comprend un bloc d'électrodes de la taille d'un post-it qui est placé chirurgicalement à la surface du cerveau. Ils permettent des enregistrements stables à long terme de l'activité neuronale et ont été approuvés pour la surveillance des crises chez les patients épileptiques. En revanche, les efforts passés de BCI ont utilisé des réseaux de style « pin-coussin » d'électrodes pointues qui pénètrent dans le tissu cérébral pour des enregistrements plus sensibles mais ont tendance à se déplacer ou à perdre le signal avec le temps. Dans ce cas, les auteurs ont obtenu l'approbation de dispositif expérimental pour l'implantation chronique à long terme de tableaux ECoG chez des sujets paralysés afin de tester leur sécurité et leur efficacité en tant qu'implants BCI stables à long terme.
Dans leur nouvel article, publié le 7 septembre 2020 dans Biotechnologie de la nature, L'équipe de Ganguly documente l'utilisation d'un réseau d'électrodes ECoG chez un individu atteint de paralysie des quatre membres (tétraplégie). Le participant est également inscrit dans un essai clinique conçu pour tester l'utilisation de tableaux ECoG pour permettre aux patients paralysés de contrôler un bras et une main prothétiques, mais dans le nouveau document, le participant a utilisé l'implant pour contrôler un curseur d'ordinateur sur un écran.
Les chercheurs ont développé un algorithme BCI qui utilise l'apprentissage automatique pour faire correspondre l'activité cérébrale enregistrée par les électrodes ECoG aux mouvements du curseur souhaités par l'utilisateur. Au départ, les chercheurs ont suivi la pratique standard consistant à réinitialiser l'algorithme chaque jour. Le participant commencerait par imaginer des mouvements spécifiques du cou et du poignet tout en regardant le curseur se déplacer sur l'écran. Peu à peu, l'algorithme de l'ordinateur se mettait à jour pour faire correspondre les mouvements du curseur à l'activité cérébrale générée par le contrôle de passage efficace du curseur à l'utilisateur. Cependant, recommencer chaque jour ce processus a mis une limite sévère au niveau de contrôle qui pouvait être atteint. Cela pouvait prendre des heures pour maîtriser le contrôle de l'appareil, et certains jours, le participant devait abandonner complètement.
Les chercheurs ont ensuite basculé pour permettre à l'algorithme de continuer à se mettre à jour pour correspondre à l'activité cérébrale du participant sans le réinitialiser chaque jour. Ils ont constaté que l'interaction continue entre les signaux cérébraux et l'algorithme amélioré par l'apprentissage automatique entraînait une amélioration continue des performances sur plusieurs jours. Au départ, il y avait un peu de terrain perdu à rattraper chaque jour, mais bientôt le participant a pu atteindre immédiatement des performances de haut niveau.
«Nous avons constaté que nous pouvions encore améliorer l'apprentissage en nous assurant que l'algorithme ne se mettait pas à jour plus vite que le cerveau ne pouvait suivre – un rythme d'environ une fois toutes les 10 secondes», a déclaré Ganguly, neurologue en exercice à l'UCSF Health et au San Francisco Service de neurologie et de réadaptation du centre médical de l'administration des anciens combattants. « Nous voyons cela comme une tentative de construire un partenariat entre deux systèmes d'apprentissage – le cerveau et l'ordinateur – qui permet finalement à l'interface artificielle de devenir une extension de l'utilisateur, comme sa propre main ou son bras. »
Au fil du temps, le cerveau du participant a été capable d'amplifier les modèles d'activité neuronale qu'il pourrait utiliser pour piloter le plus efficacement l'interface artificielle via le tableau ECoG, tout en éliminant les signaux moins efficaces – un processus d'élagage un peu comme la façon dont le cerveau apprend n'importe quel complexe. tâche, dit le chercheur. Ils ont observé que l'activité cérébrale du participant semblait développer un «modèle» mental enraciné et cohérent pour contrôler l'interface BCI, ce qui ne s'était jamais produit avec la réinitialisation et le réétalonnage quotidiens. Lorsque l'interface a été réinitialisée après plusieurs semaines d'apprentissage continu, le participant a rapidement rétabli les mêmes schémas d'activité neuronale pour contrôler l'appareil – recyclant efficacement l'algorithme à son état antérieur.
« Une fois que l'utilisateur a établi une mémoire durable de la solution pour contrôler l'interface, il n'est pas nécessaire de réinitialiser », a déclaré Ganguly. « Le cerveau converge rapidement vers la même solution. »
Finalement, une fois l'expertise établie, les chercheurs ont montré qu'ils pouvaient désactiver complètement le besoin de l'algorithme de se mettre à jour, et que le participant pouvait simplement commencer à utiliser l'interface chaque jour sans avoir besoin de se recycler ou de recalibrer. La performance n'a pas diminué pendant 44 jours en l'absence de recyclage, et le participant pouvait même passer des jours sans pratiquer et voir peu de baisse de performance. La mise en place d'une expertise stable dans une forme de contrôle BCI (déplacement du curseur) a également permis aux chercheurs de commencer à «empiler» des compétences acquises supplémentaires – comme «cliquer» sur un bouton virtuel – sans perte de performance.
Ces performances BCI «plug and play» immédiates ont longtemps été un objectif sur le terrain, mais elles ont été hors de portée car les électrodes «de type coussin» utilisées par la plupart des chercheurs ont tendance à se déplacer avec le temps, modifiant les signaux vus par chaque électrode. De plus, comme ces électrodes pénètrent dans les tissus cérébraux, le système immunitaire a tendance à les rejeter, altérant progressivement leur signal. Les puces ECoG sont moins sensibles que ces implants traditionnels, mais leur stabilité à long terme semble compenser cette lacune. La stabilité des enregistrements ECoG peut être encore plus importante pour le contrôle à long terme de systèmes robotiques plus complexes tels que les membres artificiels, un objectif clé de la prochaine phase de recherche de Ganguly.
«Nous avons toujours été conscients de la nécessité de concevoir une technologie qui ne finisse pas dans un tiroir, pour ainsi dire, mais qui améliorera en fait la vie quotidienne des patients paralysés», a déclaré Ganguly. « Ces données montrent que les BCI basés sur ECoG pourraient être la base d'une telle technologie. »
La source:
Université de Californie – San Francisco
Référence du journal:
Orfèvre, D.B., et coll. (2020) Contrôle plug-and-play d'une interface cerveau-ordinateur grâce à la stabilisation de la carte neurale. Biotechnologie de la nature. doi.org/10.1038/s41587-020-0662-5.
