علوم اعصاب شناختی؛ عمل؛ بازیابی حرکت پس از ضایعه قشر حرکتی؛ رابط ماشین و مغز

---

---

---

---

---

---

۸.۶ Recouping Motor Loss

۸.۶ جبران خسارت موتور

Lesions to the primary motor cortex or the spinal motor neurons can result in hemiplegia, as mentioned in Section 8.1, or in hemiparesis, a unilateral weakness. Such lesions severely impact the patient’s ability to use the affected limbs on the contralesional side; unfortunately, these patients rarely regain significant control over the limbs. Here we will look at how the insights gained from basic research on the motor system are being translated into new interventions, making it possible for people with severe motor disabilities to once again control their inter- actions with the environment.

ضایعات قشر حرکتی اولیه یا نورون‌های حرکتی نخاعی می‌تواند منجر به همی‌پلژی شود، همانطور که در بخش ۸.۱ ذکر شد، یا در همی‌پارزی، یک ضعف یک طرفه. چنین ضایعاتی به شدت بر توانایی بیمار در استفاده از اندام‌های آسیب دیده در سمت contralesional تأثیر می‌گذارد. متأسفانه، این بیماران به ندرت کنترل قابل توجهی بر اندام‌ها به دست می‌آورند. در اینجا نگاه خواهیم کرد که چگونه بینش‌های به دست آمده از تحقیقات پایه در مورد سیستم حرکتی به مداخلات جدید تبدیل می‌شود و این امکان را برای افراد دارای ناتوانی‌های حرکتی شدید فراهم می‌کند تا بار دیگر تعاملات خود را با محیط کنترل کنند.

Regaining Movement After Loss of Motor Cortex

بازیابی حرکت پس از ضایعه قشر حرکتی

Two critical questions for the clinician and patient are, What is the patient’s potential for recovery? and What is the best strategy for rehabilitation? In a recent report, a panel of experts reviewed the current status of biomarkers for predicting motor recovery from stroke (L. A. Boyd et al., 2017). While somewhat pessimistic overall in tone, the evidence recommended assessing two measures: The integrity of the corticospinal tract as measured with DTI, and the presence of upper-limb MEPS in response to TMS. These biomarkers look especially promising when the assessment is performed after the patient has recovered from the critical initial post-stroke period (the post- acute phase), outperforming the location of the lesion and even the behavioral asymmetry between the affected and unaffected limbs.

دو سوال حیاتی برای پزشک و بیمار این است که پتانسیل بیمار برای بهبودی چیست؟ و بهترین استراتژی برای توانبخشی چیست؟ در گزارش اخیر، گروهی از کارشناسان وضعیت فعلی نشانگرهای زیستی را برای پیش‌بینی بهبودی حرکتی از سکته مغزی بررسی کردند (L. A. Boyd et al., 2017). در حالی که به طور کلی تا حدودی بدبینانه بود، شواهد ارزیابی دو معیار را توصیه کردند: یکپارچگی دستگاه قشر نخاعی که با DTI اندازه‌گیری شد، و وجود MEPS اندام فوقانی در پاسخ به TMS. این بیومارکرها به ویژه زمانی امیدوارکننده به نظر می‌رسند که ارزیابی پس از بهبودی بیمار از دوره بحرانی اولیه پس از سکته مغزی (مرحله پس از حاد)، بهتر از محل ضایعه و حتی عدم تقارن رفتاری بین اندام‌های آسیب دیده و سالم انجام شود.

Traditionally, the main treatment to regain motor function is physical therapy, a behavioral intervention that seeks to retrain the affected limbs. Unfortunately, physical therapy tends to produce only modest recovery. Intuitively, we might think that more therapy is better, but a recent study challenged this notion (Lang et al., 2016). Eighty-five post-stroke patients with upper-limb hemiparesis were divided into four groups. One group received standard physical therapy with an individualized training program that continued until no further improvements were seen. The other groups participated in an intensive 8-week training program, performing a series of specific limb training exercises and completing 3,200, 6,400, or 9,600 repetitions of the task. Discouragingly, the researchers saw only a modest change in motor function and no real evidence that the degree of benefit was related to the amount of training. In fact, the group that practiced 6,400 repetitions showed no measurable benefit.

به طور سنتی، درمان اصلی برای بازیابی عملکرد حرکتی، فیزیوتراپی است، یک مداخله رفتاری که به دنبال آموزش مجدد اندام‌های آسیب دیده است. متأسفانه، فیزیوتراپی تنها به بهبودی متوسط ​​منجر می‌شود. به طور شهودی، ممکن است فکر کنیم که درمان بیشتر بهتر است، اما یک مطالعه اخیر این مفهوم را به چالش کشید (لانگ و همکاران، ۲۰۱۶). هشتاد و پنج بیمار پس از سکته مغزی با همی‌پارزی اندام فوقانی به چهار گروه تقسیم شدند. یک گروه فیزیوتراپی استاندارد را با یک برنامه تمرینی فردی دریافت کردند که تا زمانی که هیچ پیشرفت دیگری مشاهده نشد ادامه یافت. سایر گروه‌ها در یک برنامه تمرینی فشرده ۸ هفته‌ای شرکت کردند و یک سری تمرینات تمرینی خاص اندام را انجام دادند و ۳۲۰۰، ۶۴۰۰ یا ۹۶۰۰ تکرار این کار را انجام دادند. به طور دلسرد کننده، محققان تنها یک تغییر اندک در عملکرد حرکتی مشاهده کردند و هیچ مدرک واقعی مبنی بر اینکه میزان سود با میزان تمرین مرتبط باشد، مشاهده نشد. در واقع، گروهی که ۶۴۰۰ تکرار را تمرین کردند، هیچ سود قابل اندازه گیری نشان ندادند.

A different behavioral method is based on the idea that the brain may favor short-term solutions over long- term gains. For example, a patient with hemiparesis of the right arm and an itch on her right leg is likely to reach across her body to scratch it with her left arm rather than using her weak limb. Indeed, the situation may snowball, exacerbating the difference in functionality of the two limbs. To counteract this pattern, rehabilitation specialists use constraint-induced movement therapy (CIMT), a method that restrains patients from using their un- affected limb. For example, they might wear a thick mitt on the unaffected hand, forcing them to use the affected hand if they need to grasp something. Intensive CIMT can improve both strength and function in the paretic upper limbs, with improvements measurable even 2 years later (S. L. Wolf et al., 2008).

یک روش رفتاری متفاوت مبتنی بر این ایده است که مغز ممکن است راه‌حل‌های کوتاه‌مدت را بر دستاوردهای بلندمدت ترجیح دهد. برای مثال، بیمار مبتلا به همی‌پارزی بازوی راست و خارش در پای راست، احتمالاً به جای استفاده از اندام ضعیف خود، به سراسر بدنش می‌رسد تا آن را با بازوی چپش خراش دهد. در واقع، این وضعیت ممکن است گلوله برفی را تشدید کند و تفاوت در عملکرد دو اندام را تشدید کند. برای مقابله با این الگو، متخصصان توانبخشی از حرکت درمانی با محدودیت (CIMT) استفاده می‌کنند، روشی که بیماران را از استفاده از اندام آسیب دیده خود باز می‌دارد. به عنوان مثال، ممکن است یک دستکش ضخیم روی دست سالم بپوشند و در صورت نیاز به گرفتن چیزی، مجبور شوند از دست آسیب دیده استفاده کنند. CIMT فشرده می‌تواند قدرت و عملکرد اندام فوقانی پرتیک را بهبود بخشد، با بهبودهایی که حتی ۲ سال بعد قابل اندازه گیری هستند (S. L. Wolf et al., 2008).

Scientists are currently seeking novel interventions that more directly target specific neural mechanisms. One approach is to look for agents that can directly promote neural recovery in the damaged hemisphere. To develop this idea, researchers induced small strokes in the motor cortex of mice, producing a loss of motor function (Figure 8.27a). In a manner similar to the compensatory processes observed in humans, the mice adapt, using the unaffected limb. However, if the tissue surrounding the lesion, the peri-infarct cortex, is intact, the mice begin to show a degree of recovery. Moreover, stimulating the peri-infarct cortex with TMS accelerates this recovery process (reviewed in Carmichael, 2006).

دانشمندان در حال حاضر به دنبال مداخلات جدیدی هستند که به طور مستقیم مکانیسم‌های عصبی خاص را هدف قرار دهند. یک رویکرد این است که به دنبال عواملی بگردید که می‌توانند به طور مستقیم به بهبود عصبی در نیمکره آسیب دیده کمک کنند. برای توسعه این ایده، محققان سکته‌های کوچکی را در قشر حرکتی موش ایجاد کردند که باعث از دست دادن عملکرد حرکتی شد (شکل ۸.27a). به روشی مشابه فرآیندهای جبرانی مشاهده شده در انسان، موش‌ها با استفاده از اندام سالم سازگار می‌شوند. با این حال، اگر بافت اطراف ضایعه، قشر اطراف انفارکتوس، دست نخورده باشد، موش‌ها شروع به نشان دادن درجه ای از بهبودی می‌کنند. علاوه بر این، تحریک قشر اطراف انفارکتوس با TMS این روند بهبودی را تسریع می‌کند (در کارمایکل، ۲۰۰۶ بررسی شده است).

Why is recovery slow or limited? Thomas Carmichael at UCLA has carefully examined this question in the rodent model (Clarkson et al., 2010). His work has shown that, after stroke, there is an increase in GABA in the peri infarct zone. This inhibitory neurotransmitter reduces the efficacy of sensory inputs and in turn leads to neuronal hypoactivity.

چرا بهبودی کند یا محدود است؟ توماس کارمایکل در UCLA این سوال را در مدل جوندگان به دقت بررسی کرده است (کلارکسون و همکاران، ۲۰۱۰). کار او نشان داده است که پس از سکته مغزی، افزایش GABA در ناحیه اطراف انفارکتوس وجود دارد. این انتقال دهنده عصبی بازدارنده کارایی ورودی‌های حسی را کاهش می‌دهد و به نوبه خود منجر به کم کاری عصبی می‌شود.

FIGURE 8.27 Inducing and treating cortical strokes in mice. (a) Tonic inhibition in mouse peri-infarct motor cortex increases following induced stroke. Results are from patch-clamp recordings from slices of motor cortex. (b) Behavioral recovery after reducing tonic inhibition by applying a drug to reduce GABA efficacy. The y-axis shows forelimb foot faults as an index to behavior; the x-axis shows time since the stroke. Treatment started 3 days post-stroke.

شکل ۸.۲۷ القا و درمان سکته مغزی قشر مغز در موش. (الف) مهار تونیک در قشر حرکتی اطراف انفارکتوس موش به دنبال سکته مغزی القایی افزایش می‌یابد. نتایج از ضبط‌شده‌های گیره‌ای از برش‌های قشر حرکتی است. (ب) بازیابی رفتاری پس از کاهش مهار تونیک با استفاده از دارویی برای کاهش اثربخشی GABA. محور y خطاهای پای جلویی را به عنوان شاخصی برای رفتار نشان می‌دهد. محور x زمان از زمان سکته مغزی را نشان می‌دهد. درمان ۳ روز پس از سکته مغزی شروع شد.

These observations led Carmichael and his colleagues to use pharmacological interventions to reduce GABA levels. These drug interventions have shown early and robust gain of motor recovery after a stroke in the mouse model (Figure 8.27b), and the next step is clinical trials in hu- mans. In the interim, scientists are using other methods to promote neural plasticity in humans, such as repetitive TMS over the lesioned cortex (Kleim et al., 2006).

این مشاهدات باعث شد کارمایکل و همکارانش از مداخلات دارویی برای کاهش سطح GABA استفاده کنند. این مداخلات دارویی افزایش زودهنگام و قوی بهبود حرکتی پس از سکته مغزی را در مدل موش نشان داده‌اند (شکل ۸.27b)، و گام بعدی آزمایش‌های بالینی در انسان است. در این میان، دانشمندان از روش‌های دیگری برای تقویت انعطاف‌پذیری عصبی در انسان استفاده می‌کنند، مانند TMS تکراری بر روی قشر آسیب‌دیده (کلیم و همکاران، ۲۰۰۶).

The Brain-Machine Interface

رابط مغز و ماشین

Can neural signals be used to control a movement directly with the brain, bypassing the intermediate stage of muscles? For instance, could you plan an action in your motor cortex (e.g., let’s fold the laundry), somehow connect those motor cortex neurons to a computer, and send the planned action to a robot, which would fold the laundry? This scenario might sound extraordinary, but it is happening. These systems, called brain-machine interfaces (BMIs), use decoding algorithms (see Chapter 6) to control prosthetic devices with neural signals. BMIs have incredible potential to improve the lives of people with spinal cord injuries, amputations, and other diseases that have affected their ability to move at will.

آیا می‌توان از سیگنال‌های عصبی برای کنترل حرکت مستقیم با مغز و دور زدن مرحله میانی ماهیچه‌ها استفاده کرد؟ به عنوان مثال، آیا می‌توانید یک عمل را در قشر حرکتی خود برنامه‌ریزی کنید (به عنوان مثال، بیایید لباس‌ها را تا کنیم)، به نوعی آن نورون‌های قشر حرکتی را به یک رایانه متصل کنید، و اقدام برنامه‌ریزی‌شده را برای یک روبات ارسال کنید، که لباس‌ها را تا می‌کند؟ این سناریو ممکن است خارق العاده به نظر برسد، اما در حال وقوع است. این سیستم‌ها که رابط‌های مغز و ماشین (BMI) نامیده می‌شوند، از الگوریتم‌های رمزگشایی (به فصل ۶ مراجعه کنید) برای کنترل دستگاه‌های مصنوعی با سیگنال‌های عصبی استفاده می‌کنند. BMI پتانسیل باورنکردنی برای بهبود زندگی افراد مبتلا به ضایعات نخاعی، قطع عضو و سایر بیماری‌هایی دارد که بر توانایی حرکت آنها تأثیر گذاشته است.

EARLY WORK ON BMI SYSTEMS

کار اولیه بر روی سیستم‌های BMI

John Chapin of the State University of New York (Chapin et al., 1999) provided one of the first demonstrations of the viability of a BMI by using a simple motor task in a highly motivated population: thirsty rats. He first trained the rats to press a button that caused a lever arm to rotate. The lever was connected to a computer, which measured the pressure on the button and used this signal to adjust the position of a robotic arm. One end of the lever contained a small well; if it was positioned properly, a few drops of water would fill the well. Thus, by learning to vary the pressure of the button press, the rat controlled the lever arm and could replenish the water and then spin the lever to take a drink (Figure 8.28).

جان چاپین از دانشگاه ایالتی نیویورک (چاپین و همکاران، ۱۹۹۹) با استفاده از یک کار حرکتی ساده در جمعیتی با انگیزه بالا، یکی از اولین تظاهرات زنده بودن BMI را ارائه کرد: موش‌های تشنه. او ابتدا موش‌ها را آموزش داد تا دکمه ای را فشار دهند که باعث چرخش بازوی اهرمی‌می‌شد. این اهرم به یک کامپیوتر متصل بود که فشار روی دکمه را اندازه گیری می‌کرد و از این سیگنال برای تنظیم موقعیت یک بازوی رباتیک استفاده می‌کرد. یک سر اهرم حاوی یک چاه کوچک بود. اگر به درستی قرار می‌گرفت، چند قطره آب چاه را پر می‌کرد. بنابراین، با یادگیری تغییر فشار دکمه، موش بازوی اهرم را کنترل کرد و می‌توانست آب را دوباره پر کند و سپس اهرم را بچرخاند تا نوشیدنی بخورد (شکل ۸.۲۸).

Chapin recorded from neurons in the motor cortex during this task, measuring the correlation between each neuron’s activity and the force output that the rat used to adjust and move the lever. Once the rat’s behavior had stabilized, Chapin could construct an online population vector, one that matched the animal’s force output rather than movement direction. With as few as 30 neurons or so, the match between the population vector and behavior was excellent. 

چاپین از نورون‌ها در کورتکس حرکتی در طول این وظیفه ضبط کرد و همبستگی بین فعالیت هر نورون و خروجی نیرویی که موش برای تنظیم و حرکت اهرم استفاده می‌کرد را اندازه‌گیری کرد. وقتی رفتار موش تثبیت شده بود، چاپین می‌توانست یک بردار جمعیت آنلاین بسازد که با خروجی نیروی حیوان مطابقت داشت تا جهت حرکت. با استفاده از تنها ۳۰ نورون یا بیشتر، تطابق بین بردار جمعیت و رفتار عالی بود.

FIGURE 8.28 Rats can be trained to use a lever to control a robotic arm that delivers drops of water.
Neurons in the rat’s primary motor cortex are recorded while the animal presses the lever. A population vector is constructed, representing the force exerted by the animal. A switch is then activated so that the position of the lever is now based on the population vector. The rat soon learns that it does not have to press the lever to retrieve the water.

شکل ۸.۲۸ می‌توان به موش‌ها آموزش داد تا از اهرمی برای کنترل بازوی روباتیکی که قطره‌های آب را ارسال می‌کند، استفاده کنند.
در حالی که حیوان اهرم را فشار می‌دهد، نورون‌ها در قشر حرکتی اولیه موش ثبت می‌شوند. یک بردار جمعیت ساخته می‌شود که نشان دهنده نیروی اعمال شده توسط حیوان است. سپس یک سوئیچ فعال می‌شود تا موقعیت اهرم اکنون بر اساس بردار جمعیت باشد. موش به زودی متوجه می‌شود که لازم نیست اهرم را برای بازیابی آب فشار دهد.

Here is where things get interesting. Chapin then disconnected the input of the button to the computer and instead used the output of the time-varying population vector as input to the computer to control the position of the lever arm. The rats still pushed the button, but the button no longer controlled the lever; the lever was now controlled by their brain activity. If the activity level in the vector was high, the arm swiveled in one direction; if low, it swiveled in the other direction, or even stopped the lever arm entirely. Amazingly, population vectors generated from as few as 25 neurons proved sufficient for the rats to successfully control the robotic arm to obtain water.

اینجاست که همه چیز جالب می‌شود. سپس چاپین ورودی دکمه را به رایانه قطع کرد و به جای آن از خروجی بردار جمعیت متغیر با زمان به عنوان ورودی رایانه برای کنترل موقعیت بازوی اهرمی‌استفاده کرد. موش‌ها همچنان دکمه را فشار می‌دادند، اما دکمه دیگر اهرم را کنترل نمی‌کرد. اکنون اهرم توسط فعالیت مغز آنها کنترل می‌شود. اگر سطح فعالیت در بردار بالا بود، بازو در یک جهت می‌چرخید. اگر پایین باشد، در جهت دیگر می‌چرخد ​​یا حتی بازوی اهرمی‌را به طور کامل متوقف می‌کند. به‌طور شگفت‌انگیزی، بردارهای جمعیتی تولید شده از ۲۵ نورون برای موش‌ها برای کنترل موفقیت‌آمیز بازوی رباتیک برای به دست آوردن آب کافی بود.

As impressive as this result was, Chapin could not, of course, tell the animals about the shift from arm control to brain control. Unaware of the switch to BMI, the rats continued to press and release the button. Over time, though, the animals became sensitive to the lack of a precise correlation between their arm movements and the lever position. Amazingly, they continued to generate the cortical signals necessary to control the lever, but they also stopped moving their limb. They learned they could kick back, relax, and simply think about pushing the button with the precision required to satiate their thirst.

به هر اندازه که این نتیجه چشمگیر بود، البته چاپن نمی‌توانست به حیوانات در مورد تغییر کنترل بازو به کنترل مغز بگوید. موش‌ها بدون اطلاع از تغییر به BMI، به فشار دادن و رها کردن دکمه ادامه دادند. با گذشت زمان، حیوانات به عدم وجود ارتباط دقیق بین حرکات بازو و موقعیت اهرم حساس شدند. به طرز شگفت انگیزی، آنها به تولید سیگنال‌های قشری لازم برای کنترل اهرم ادامه دادند، اما حرکت اندام خود را نیز متوقف کردند. آنها یاد گرفتند که می‌توانند به عقب برگردند، استراحت کنند، و به سادگی به فشار دادن دکمه با دقت لازم برای رفع تشنگی فکر کنند.

Over the past generation, research on BMI systems has skyrocketed. Three elements are required: a method to record neural activity, a computer with decoding algorithms, and a prosthetic effector. In the first primate studies, monkeys were trained to control the two- dimensional position of a computer cursor. With more sophisticated algorithms, these animals have learned to use BMI systems that control a robotic arm with multiple joints, moving the prosthetic limb through three- dimensional space to grasp food and bring it to the mouth (Velliste et al., 2008; see videos at http://motorlab neurobio.pitt.edu/multimedia.php).

در طول نسل گذشته، تحقیقات در مورد سیستم‌های BMI به شدت افزایش یافته است. سه عنصر مورد نیاز است: یک روش برای ثبت فعالیت عصبی، یک کامپیوتر با الگوریتم‌های رمزگشایی، و یک افکتور پروتز. در اولین مطالعات نخستی‌ها، میمون‌ها برای کنترل موقعیت دو بعدی مکان نما کامپیوتر آموزش دیدند. با الگوریتم‌های پیچیده‌تر، این حیوانات یاد گرفته‌اند که از سیستم‌های BMI استفاده کنند که یک بازوی روباتیک را با مفاصل متعدد کنترل می‌کند، اندام مصنوعی را در فضای سه‌بعدی حرکت می‌دهد تا غذا را بگیرد و به دهان برساند (Velliste و همکاران، ۲۰۰۸؛ ویدیوها را در http://motorlab neurobio.pitt.edu/multimedia.p ببینید).

Current BMI systems now work not only with output from primary motor cortex, but also with cells in premotor, supplementary motor, and parietal cortex (Carmena et al., 2003). The control algorithms have also become more advanced, adopting ideas from work on machine learning. Rather than using a serial process in which the directional tuning of the neurons is fixed during the initial free-movement stage, researchers now use algorithms that allow the tuning to be updated by real-time visual feedback as the animal learns to control the BMI device (D. M. Taylor et al., 2002).

سیستم‌های BMI فعلی نه تنها با خروجی قشر حرکتی اولیه، بلکه با سلول‌های پیش حرکتی، حرکتی تکمیلی و قشر آهیانه‌ای نیز کار می‌کنند (Carmena et al., 2003). الگوریتم‌های کنترل نیز پیشرفته‌تر شده‌اند و ایده‌هایی را از کار بر روی یادگیری ماشین اتخاذ کرده‌اند. به جای استفاده از یک فرآیند سریالی که در آن تنظیم جهت نورون‌ها در مرحله اولیه حرکت آزاد ثابت می‌شود، اکنون محققان از الگوریتم‌هایی استفاده می‌کنند که اجازه می‌دهد تنظیم با بازخورد بصری زمان واقعی به روز شود، زیرا حیوان کنترل دستگاه BMI را یاد می‌گیرد (D. M. Taylor et al., 2002).

MAKING BMI SYSTEMS STABLE

پایدار کردن سیستم‌های BMI

One major challenge facing BMI researchers is how to establish a stable control system, one that can last for years. In a typical experiment, the animal starts each daily session by performing real movements to enable the researcher to construct the tuning profiles of each neuron. The process is rather like a daily recalibration. Once the neuron profiles are established, the BMI system is implemented. This approach, though, is not practical for BMI use as a clinical treatment. First, it is very difficult to record a fixed set of neurons over a long period of time. More over, if BMI is to be useful for paralyzed individuals or people who have lost a limb, construction of neuron profiles using real movements won’t be possible.

یکی از چالش‌های مهمی‌که محققان BMI با آن مواجه هستند، چگونگی ایجاد یک سیستم کنترل پایدار است، سیستمی‌که می‌تواند سال‌ها دوام بیاورد. در یک آزمایش معمولی، حیوان هر جلسه روزانه را با انجام حرکات واقعی شروع می‌کند تا محقق بتواند پروفایل‌های تنظیم هر نورون را بسازد. این فرآیند بیشتر شبیه یک کالیبراسیون مجدد روزانه است. هنگامی‌که پروفایل‌های نورون ایجاد شد، سیستم BMI پیاده سازی می‌شود. اگرچه این رویکرد برای استفاده از BMI به عنوان یک درمان بالینی عملی نیست. اولاً، ثبت مجموعه ثابتی از نورون‌ها در یک دوره زمانی طولانی بسیار دشوار است. علاوه بر این، اگر BMI برای افراد فلج یا افرادی که عضوی از بدن خود را از دست داده اند مفید باشد، ساختن پروفایل‌های عصبی با استفاده از حرکات واقعی امکان پذیر نخواهد بود.

To address this issue, researchers have looked at both the stability and the flexibility of neural representations. Karunesh Ganguly and Jose Carmena (2009) at UC Berkeley implanted a grid of 128 microelectrodes in the motor cortex of a monkey. This device enabled them to make continuous daily recordings. Although the signal from some electrodes would change from day to day, a substantial number of neurons remained stable for days (Figure 8.29a).

برای بررسی این مشکل، پژوهشگران به ثبات و انعطاف‌پذیری نمایه‌های عصبی نگاه کرده‌اند. کارونش گنگولی و خوزه کارمنائ (۲۰۰۹) در دانشگاه کالیفرنیا، برکلی یک شبکه از ۱۲۸ میکروالکترود را در قشر حرکتی یک میمون کاشتند. این دستگاه به آن‌ها امکان می‌دهد تا ثبت‌نام‌های روزانه پیوسته‌ای داشته باشند. اگرچه سیگنال برخی از الکترودها ممکن است از روزی به روز دیگر تغییر کند، تعداد قابل توجهی از نورون‌ها برای روزها پایدار باقی ماندند (شکل ۸.29a).

Using the output from this stable set, a BMI system successfully performed center-out reaching movements over a 3-week period. The animals achieved close to 100% accuracy in reaching the targets, and the time required to complete each movement became much shorter as the study proceeded (Figure 8.296). This result suggested that with a stable decoder, the motor cortex neurons used a remarkably stable activation pattern for prosthetic control.

با استفاده از خروجی این مجموعه پایدار، یک سیستم BMI با موفقیت حرکات رسیدن به مرکز را در یک دوره ۳ هفته ای انجام داد. حیوانات در رسیدن به اهداف به دقت نزدیک به ۱۰۰% دست یافتند و زمان مورد نیاز برای تکمیل هر حرکت با ادامه مطالعه بسیار کوتاهتر شد (شکل ۸.۲۹۶). این نتیجه نشان می‌دهد که با یک رمزگشای پایدار، نورون‌های قشر حرکتی از یک الگوی فعال‌سازی پایدار برای کنترل پروتز استفاده می‌کنند.

The shocker came in the next experiment. Using these well-trained animals, researchers randomly shuffled the decoder. For example, if a neuron had a preferred direction of 90°, the algorithm was altered so that the output of this neuron was now treated as if it had a preferred direction of 130°. This new “stable” decoder, of course, played havoc with BMI performance. The monkey would think “move up,” and the cursor would move sideways. Over a few days of practice, however, the monkey was able to adapt to the new decoder, again reaching near- perfect performance (Figure 8.29c).

شوکر در آزمایش بعدی آمد. محققان با استفاده از این حیوانات به خوبی آموزش دیده، رمزگشا را به طور تصادفی به هم ریختند. به عنوان مثال، اگر یک نورون جهت ترجیحی ۹۰ درجه داشته باشد، الگوریتم به گونه‌ای تغییر می‌کند که خروجی این نورون اکنون به گونه‌ای رفتار می‌شود که گویی جهت ترجیحی ۱۳۰ درجه دارد. این رمزگشای جدید “پایدار” البته عملکرد BMI را خراب کرد. میمون فکر می‌کند “حرکت به بالا” و مکان نما به طرفین حرکت می‌کند. با این حال، طی چند روز تمرین، میمون توانست خود را با رمزگشای جدید تطبیق دهد و دوباره به عملکرد تقریباً عالی رسید (شکل ۸.29c).

FIGURE 8.29 Stability and flexibility of performance and neural activity during BMI control. (a) Recordings were made for 19 consecutive days from an ensemble of neurons in motor cortex. Directional tunings for two neurons show remarkable stability across Sessions 9 through 19. (b) Using a fixed decoder based on the output of the neural ensemble, the monkey learns to successfully move a cursor under BMI control in the center-out task. Accuracy becomes near-perfect within a few days, and the amount of time required on each trial drops significantly. (c) Performance with a shuffled decoder. The input to the BMI algorithm was randomly shuffled in Session 20, and the animal failed to reach any targets. With continued use of the shuffled decoder, however, the animal quickly became proficient at reaching the target. (d) Tuning functions for three neurons when used in the original decoder (blue) or a shuffled decoder (red). Tuning functions for some neurons shifted dramatically for the two contexts. With practice, the animal could successfully control the cursor with either decoder.

شکل ۸.۲۹ ثبات و انعطاف پذیری عملکرد و فعالیت عصبی در طول کنترل BMI. (الف) ضبط به مدت ۱۹ روز متوالی از مجموعه ای از نورون‌ها در قشر حرکتی انجام شد. تنظیم‌های جهتی برای دو نورون پایداری قابل‌توجهی را در جلسات ۹ تا ۱۹ نشان می‌دهند. (ب) با استفاده از یک رمزگشای ثابت بر اساس خروجی مجموعه عصبی، میمون یاد می‌گیرد که با موفقیت یک مکان‌نما را تحت کنترل BMI در وظیفه مرکزی به بیرون حرکت دهد. دقت در عرض چند روز تقریباً کامل می‌شود و مدت زمان مورد نیاز در هر آزمایش به طور قابل توجهی کاهش می‌یابد. (ج) عملکرد با رمزگشای مخلوط شده. ورودی الگوریتم BMI به طور تصادفی در جلسه ۲۰ به هم ریخته شد و حیوان نتوانست به هیچ هدفی برسد. با این حال، با استفاده مداوم از رمزگشای مخلوط شده، حیوان به سرعت در رسیدن به هدف مهارت پیدا کرد. (د) عملکردهای تنظیم برای سه نورون زمانی که در رمزگشای اصلی (آبی) یا رمزگشای مخلوط شده (قرمز) استفاده می‌شود. توابع تنظیم برای برخی از نورون‌ها به طور چشمگیری برای این دو زمینه تغییر کردند. با تمرین، حیوان می‌تواند با موفقیت مکان نما را با هر یک از رمزگشاها کنترل کند.

With visual feedback, the monkey could learn to use a decoder unrelated to arm movements; as long as the algorithm remained stable, the monkey could actually reshape the decoder. Even more impressive, when the original decoder was reinstated, the animal again quickly adapted. Interestingly, with this adaptive system, the tuning functions of each neuron varied from one context to the next and even deviated from their shape during natural movement (Figure 8.29d). It appears, then, that long-term neuroprosthetic control leads to the formation of a remarkably stable cortical map that is readily recalled and resistant to the storage of a second map.

با بازخورد بصری، میمون می‌توانست یاد بگیرد که از رمزگشای غیر مرتبط با حرکات بازو استفاده کند. تا زمانی که الگوریتم ثابت بماند، میمون می‌تواند رمزگشا را تغییر شکل دهد. حتی چشمگیرتر، زمانی که رمزگشای اصلی بازیابی شد، حیوان دوباره به سرعت سازگار شد. جالب توجه است که با این سیستم تطبیقی، عملکردهای تنظیم هر نورون از یک زمینه به بافت بعدی متفاوت بوده و حتی از شکل خود در طول حرکت طبیعی منحرف شده است (شکل ۸.29d). بنابراین به نظر می‌رسد که کنترل طولانی‌مدت پروتز عصبی منجر به تشکیل یک نقشه قشر مغزی پایدار می‌شود که به آسانی به یاد می‌آید و در برابر ذخیره نقشه دوم مقاوم است.

These results hold great promise for the translation of BMI research into the clinic. They demonstrate that the representation of individual neurons can be highly flexible, adapting to the current context. Such flexibility is essential for ensuring that the system will remain stable over time, and it is also essential for using a single BMI system to control a host of devices, such as computer cursors or eating utensils. It is reasonable to assume that a single set of neurons can learn to incorporate the different challenges presented by devices that have no friction or mass (e.g., the position of a mouse on a computer screen) and by devices with large mass and complicated moving parts (e.g., a prosthetic arm or a robot).

این نتایج نویدبخش ترجمه تحقیقات BMI به کلینیک است. آنها نشان می‌دهند که نمایش نورون‌های منفرد می‌تواند بسیار انعطاف‌پذیر باشد و با شرایط فعلی سازگار باشد. چنین انعطاف‌پذیری برای اطمینان از پایدار ماندن سیستم در طول زمان ضروری است و همچنین برای استفاده از یک سیستم BMI برای کنترل مجموعه‌ای از دستگاه‌ها مانند نشانگر رایانه یا ظروف غذاخوری ضروری است. منطقی است که فرض کنیم مجموعه ای از نورون‌ها می‌توانند یاد بگیرند که چالش‌های مختلف ارائه شده توسط دستگاه‌هایی را که اصطکاک یا جرم ندارند (مثلاً موقعیت ماوس روی صفحه کامپیوتر) و دستگاه‌هایی با جرم بزرگ و قطعات متحرک پیچیده (مثلاً یک بازوی مصنوعی یا یک ربات) با هم ترکیب کنند.

MOVING BMI RESEARCH INTO THE CLINIC

انتقال تحقیقات BMI به کلینیک

There is great urgency to get BMI ideas into clinical practice.

ضرورت زیادی برای وارد کردن ایده‌های BMI به عمل بالینی وجود دارد.

FIGURE 8.30 Brain-machine interface used by M.N.
(a) The size of the implanted electrode device in relation to a U.S. penny. (b) A magnified image of the recording electrode array. (c) The location in the precentral gyrus where the electrode array was implanted. (d) Patient M.N. with the implanted device. He is controlling a cursor on the computer screen with his neural activity. (e) The firing of one cell during four different conditions in which M.N. was cued to imagine moving his hand up, down, left, or right. The cell shown here fired best when M.N. imagined moving his hand to the right; other cells fired selectively when M.N. imagined moving his hand left, up, or down. When information from all of the cells recorded from the implanted electrode was combined, the desired direction of movement could be predicted.

شکل ۸.۳۰ رابط مغز و ماشین استفاده شده توسط M.N.
(الف) اندازه دستگاه الکترود کاشته شده نسبت به یک پنی ایالات متحده. (ب) یک تصویر بزرگ‌نمایی شده از آرایه الکترود ضبط. (ج) محل در شکنج پیش مرکزی که در آن آرایه الکترود کاشته شده است. د) بیمار M.N. با دستگاه کاشته شده او با فعالیت عصبی خود مکان نما را روی صفحه کامپیوتر کنترل می‌کند. ه) شلیک یک سلول در چهار شرایط مختلف که در آن م.ن. او تصور کرد که دست خود را به سمت بالا، پایین، چپ یا راست حرکت می‌دهد. سلول نشان داده شده در اینجا بهترین شلیک را زمانی انجام داد که M.N. تصور کرد که دستش را به سمت راست حرکت می‌دهد. سلول‌های دیگر به صورت انتخابی شلیک کردند که M.N. تصور کرد که دستش را به سمت چپ، بالا یا پایین حرکت می‌دهد. هنگامی‌که اطلاعات از تمام سلول‌های ثبت شده از الکترود کاشته شده ترکیب شد، جهت حرکت مورد نظر را می‌توان پیش بینی کرد.

The number of patients who would benefit from such systems is huge: In the United States alone, over 5.5 million people suffer some form of paralysis, from either injury or disease, and 1.7 million have limb loss. This need has motivated some scientists to move toward clinical trials in humans.

تعداد بیمارانی که از چنین سیستم‌هایی سود می‌برند بسیار زیاد است: تنها در ایالات متحده، بیش از ۵.۵ میلیون نفر از نوعی فلج، از آسیب یا بیماری رنج می‌برند و ۱.۷ میلیون نفر از دست دادن دست و پا دارند. این نیاز برخی از دانشمندان را برانگیخته است تا به سمت آزمایشات بالینی بر روی انسان حرکت کنند.

John Donoghue and his colleagues at Brown University presented the first such trial, working with a patient, M.N., who had become quadriplegic following a stab wound that severed his spinal cord. The researchers implanted an array of microchips in the patient’s motor cortex (Hochberg et al., 2006). Despite 3 years of paralysis, the cells were quite active. Moreover, the firing level of the neurons varied as M.N. imagined different types of movements. Some units were active when he imagined making movements that involved the shoulder; others, when he imagined moving his hand. The researchers were also able to determine the directional tuning profiles of each neuron, by asking M.N. to imagine movements over a range of directions.

جان دونوگهو و همکارانش در دانشگاه براون اولین آزمایشی از این دست را ارائه کردند که با یک بیمار به نام M.N کار می‌کرد که به دنبال ضربه چاقو که باعث قطع نخاعش شد، چهار پلژیک شده بود. محققان مجموعه ای از ریزتراشه‌ها را در قشر حرکتی بیمار کاشته کردند (هوچبرگ و همکاران، ۲۰۰۶). با وجود ۳ سال فلج، سلول‌ها کاملا فعال بودند. علاوه بر این، سطح شلیک نورون‌ها به صورت M.N متفاوت بود. انواع مختلفی از حرکات را تصور کرد. برخی از واحدها زمانی که او تصور می‌کرد حرکاتی را انجام می‌دهد که شامل شانه می‌شود، فعال بودند. دیگران وقتی تصور می‌کرد دستش را حرکت می‌دهد. محققان همچنین توانستند پروفایل‌های تنظیم جهت هر نورون را با پرسش از M.N. برای تصور حرکات در طیف وسیعی از جهات.

From these data, they created population vectors and used them as control signals for BMI devices. Using the output of about a hundred neurons, M.N. was able to move a cursor around a computer screen (Figure 8.30). His responses were relatively slow, and the path of the cursor was somewhat erratic. Nonetheless, M.N. could control the cursor to open his e-mail, use software programs to make drawings, or play simple computer games, such as Pong. When connected to a prosthetic limb, M.N. could control the opening and closing of the hand-a first step to performing much more complicated tasks. Another patient learned, after months of training, to use a BMI system to control a robotic arm to reach for and grasp objects (Hochberg et al., 2012).

از این داده‌ها، آنها بردارهای جمعیت را ایجاد کردند و از آنها به عنوان سیگنال‌های کنترلی برای دستگاه‌های BMI استفاده کردند. با استفاده از خروجی حدود صد نورون، M.N. توانست مکان نما را در اطراف صفحه کامپیوتر حرکت دهد (شکل ۸.۳۰). پاسخ‌های او نسبتا کند بود و مسیر مکان نما تا حدودی نامنظم بود. با این وجود، م.ن. می‌تواند مکان نما را کنترل کند تا ایمیل خود را باز کند، از برنامه‌های نرم افزاری برای کشیدن نقاشی استفاده کند یا بازی‌های رایانه ای ساده ای مانند پونگ را انجام دهد. هنگام اتصال به اندام مصنوعی، م.ن. می‌تواند باز و بسته شدن دست را کنترل کند – اولین گام برای انجام کارهای بسیار پیچیده تر. بیمار دیگری پس از ماه‌ها آموزش یاد گرفت که از یک سیستم BMI برای کنترل یک بازوی رباتیک برای دستیابی و گرفتن اشیا استفاده کند (هوچبرگ و همکاران، ۲۰۱۲).

Instead of employing a robotic arm, other researchers are aiming to regain control over actual limb movements by using neural signals from the cortex to stimulate the peripheral muscles and nerves, bypassing the damaged spinal cord (Ajiboye et al., 2017; Figure 8.31a). One such system was successfully tested in a patient who had been quadriplegic for 8 years from a high-cervical spinal cord injury. Two recording-electrode arrays, each with 96 channels, were implanted in the hand area of his motor cortex. The output from the cortical recordings was connected to an external device that provided input to 36 stimulating electrodes that penetrated the skin, terminating in the muscles of the upper and lower arm and allowing the restoration of finger, thumb, wrist, elbow, and shoulder movements (Figure 8.31b). In future work, these systems will become wireless, removing the virtual stimuli (direct cortical stimulation). Performance need for external connections.

به جای استفاده از یک بازوی رباتیک، دیگر محققان درصدد هستند تا کنترل حرکات واقعی اندام‌ها را با استفاده از سیگنال‌های عصبی از قشر مغز بازیابی کنند تا عضلات و اعصاب محیطی را تحریک کرده و آسیب نخاعی را دور بزنند (Ajiboye et al., 2017; شکل ۸.31a). یک سیستم از این دست با موفقیت بر روی یک بیمار که به مدت ۸ سال به دلیل آسیب نخاعی در ناحیه گردن به صورت چهارنفره بود، آزمایش شد. دو آرایه الکترود ضبط، هر کدام با ۹۶ کانال، در ناحیه دست قشر حرکتی او کاشته شد. خروجی از ضبط‌های قشری به یک دستگاه خارجی متصل شد که ورودی به ۳۶ الکترود تحریک‌کننده را فراهم می‌کرد که از پوست نفوذ کرده و به عضلات بازو و ساعد فوقانی و تحتانی متصل می‌شد و امکان بازیابی حرکات انگشت، شست، مچ، آرنج و شانه را فراهم می‌کرد (شکل ۸.31b). در کارهای آینده، این سیستم‌ها بی‌سیم خواهند شد و تحریک‌های مجازی (تحریک قشری مستقیم) حذف می‌شود. نیاز به اتصال‌های خارجی برای عملکرد.

FIGURE 8.31 Functional electrical stimulation and an intracortical BMI system. (a) Neural signals from the brain are used to drive the functional electrical stimulator (FES), which activates arm (triceps and biceps) and wrist muscles. IBCI = intracortical brain-computer interface. (b) This graph shows the patient’s performance when using the brain decoder to move a virtual arm (dashed blue line) and to move his own arm (colored circles) compared with chance (dashed red line). Different colored circles indicate trials on different days. The top graph tracks success; the bottom graph tracks movement time. Good performance was achieved with either the arm or wrist.

شکل ۸.۳۱ تحریک الکتریکی عملکردی و یک سیستم BMI داخل قشری. (الف) سیگنال‌های عصبی از مغز برای به حرکت درآوردن محرک الکتریکی عملکردی (FES)، که عضلات بازو (سه سر و دوسر بازو) و مچ را فعال می‌کند، استفاده می‌شود. IBCI = رابط درون قشر مغز و کامپیوتر. (ب) این نمودار عملکرد بیمار را هنگام استفاده از رمزگشای مغز برای حرکت دادن یک بازوی مجازی (خط آبی چین) و حرکت دادن بازوی خود (دایره‌های رنگی) در مقایسه با شانس (خط قرمز چین) نشان می‌دهد. دایره‌های رنگی مختلف نشان دهنده آزمایشات در روزهای مختلف است. نمودار بالا موفقیت را دنبال می‌کند. نمودار پایین زمان حرکت را دنبال می‌کند. عملکرد خوبی با بازو یا مچ دست به دست آمد.

So far, we have focused on BMI systems that use invasive methods, neurosurgically implanting recording devices in the cortex. These approaches have the advantage of obtaining neural signals with great fidelity; however, they not only involve the risk associated with any surgical procedure, but also require repeated surgeries because the recording devices fail over time. An alternative is to use noninvasive methods, recording neural signals at the scalp.

تا کنون، ما بر روی سیستم‌های BMI متمرکز شده‌ایم که از روش‌های تهاجمی‌استفاده می‌کنند و دستگاه‌های ضبط کننده را از طریق جراحی مغز و اعصاب در قشر مغز کاشت می‌کنند. این رویکردها دارای مزیت به دست آوردن سیگنال‌های عصبی با وفاداری زیاد هستند. با این حال، آنها نه تنها شامل خطرات مربوط به هر روش جراحی هستند، بلکه به جراحی‌های مکرر نیز نیاز دارند زیرا دستگاه‌های ضبط در طول زمان از کار می‌افتند. یک جایگزین، استفاده از روش‌های غیرتهاجمی، ثبت سیگنال‌های عصبی در پوست سر است.

To this end, University of Minnesota researchers are working on a BMI using EEG. Their challenge is to create decoding algorithms from relatively crude EEG signals that can accurately control interface devices. In initial tests with healthy college students, the participants were quite successful at moving a robotic arm in a 2-D plane to hover above an object and then guiding the arm down in the third dimension to grasp the object. This level of control was possible after just a few training sessions and was preserved over the course of several months (Meng et al., 2016; see video at http://images.nature.com Joriginal/nature-assets/srep/2016/161214/srep38565
/extref/srep38565-34.mov.)

برای این منظور، محققان دانشگاه مینه سوتا در حال کار بر روی BMI با استفاده از EEG هستند. چالش آنها ایجاد الگوریتم‌های رمزگشایی از سیگنال‌های نسبتاً خام EEG است که می‌تواند دستگاه‌های واسط را به دقت کنترل کند. در آزمایش‌های اولیه با دانشجویان سالم، شرکت‌کنندگان در حرکت دادن یک بازوی رباتیک در یک هواپیمای دو بعدی برای شناور شدن بالای یک شی و سپس هدایت بازو به پایین در بعد سوم برای گرفتن شی کاملاً موفق بودند. این سطح از کنترل تنها پس از چند جلسه آموزشی امکان پذیر بود و در طی چندین ماه حفظ شد (منگ و همکاران، ۲۰۱۶؛ ویدئو را در http://images.nature.com Joriginal/nature-assets/srep/2016/161214/srep38565 ببینید.
/extref/srep38565-34.mov.)

CLOSING THE LOOP ON BMI

بستن حلقه روی BMI

A major limitation with most BMI systems is that they operate in an “open-loop” mode, providing motor commands to prosthetic devices but not taking advantage of sensory feedback. In typi- cal limb use, the sensorimotor system is constantly bombarded with sensory feedback; for example, dur- ing grasping of an object, cutaneous and proprioceptive receptors from the limb provide detailed information about the pressure, mass, and friction of the object. In contrast, BMI systems generally exploit only visual feedback-information that lacks the fine detail needed, for example, to adjust grip force when picking up an unexpectedly slippery object. A neuroprosthetic system that captured the flexibility and versatility of our motor system would be able to exploit a wide range of sensory signals.

یک محدودیت عمده در اکثر سیستم‌های BMI این است که آنها در حالت “حلقه باز” عمل می‌کنند و فرمان‌های حرکتی را برای دستگاه‌های مصنوعی ارائه می‌دهند اما از بازخورد حسی استفاده نمی‌کنند. در استفاده معمولی از اندام، سیستم حسی حرکتی دائماً با بازخورد حسی بمباران می‌شود. به عنوان مثال، در حین گرفتن یک جسم، گیرنده‌های پوستی و حس عمقی از اندام اطلاعات دقیقی در مورد فشار، جرم و اصطکاک جسم ارائه می‌دهند. در مقابل، سیستم‌های BMI عموماً فقط از اطلاعات بازخورد بصری استفاده می‌کنند که فاقد جزئیات دقیق مورد نیاز هستند، به عنوان مثال، برای تنظیم نیروی گرفتن هنگام برداشتن یک جسم لغزنده غیرمنتظره. یک سیستم پروتز عصبی که انعطاف‌پذیری و تطبیق پذیری سیستم حرکتی ما را به تصویر می‌کشد، می‌تواند از طیف وسیعی از سیگنال‌های حسی بهره‌برداری کند.

Gregg Tabot and his colleagues at the University of Chicago (2013) have taken up the challenge of bringing the somatosensory cortex into the BMI world. As a first step, it was necessary to show that direct electrical stimulation of the cortex could provide meaningful information. After training monkeys to distinguish between pressures applied at different skin locations, the researchers identified the regions in somatosensory cortex that were activated during the task. They then positioned stimulating electrodes in those regions, enabling comparison of the animals’ discrimination performance on real stimuli (vibratory stimuli applied on the skin) and virtual stimuli (direct cortical stimulation). performance was nearly as good for the virtual stimuli as for the real stimuli. Presumably, this information could be included in a closed-loop BMI system, providing a better approximation of how we naturally combine information from many sensory sources to achieve the exquisite control we summon when using our hands to manipulate tools.

گرگ تابوت و همکارانش در دانشگاه شیکاگو (۲۰۱۳) چالش وارد کردن قشر حسی تنی را به دنیای BMI انجام دادند. به عنوان اولین گام، لازم بود نشان داده شود که تحریک الکتریکی مستقیم قشر می‌تواند اطلاعات معنی‌داری ارائه دهد. پس از آموزش به میمون‌ها برای تمایز بین فشارهای اعمال شده در نقاط مختلف پوست، محققان مناطقی را در قشر حسی تنی شناسایی کردند که در طول کار فعال شده بودند. آنها سپس الکترودهای محرک را در آن نواحی قرار دادند و امکان مقایسه عملکرد تمایز حیوانات بر روی محرک‌های واقعی (محرک‌های ارتعاشی اعمال شده بر روی پوست) و محرک‌های مجازی (تحریک مستقیم قشر مغز) را فراهم کردند. عملکرد تقریباً برای محرک‌های مجازی به خوبی محرک‌های واقعی بود. احتمالاً، این اطلاعات می‌تواند در یک سیستم BMI حلقه بسته گنجانده شود، و تقریب بهتری از نحوه ترکیب طبیعی اطلاعات از بسیاری از منابع حسی برای دستیابی به کنترل عالی که هنگام استفاده از دست‌هایمان برای دستکاری ابزارها احضار می‌کنیم، ارائه می‌کند.

There are major challenges to closing the loop. When designing a BMI for amputees or for people with spinal injuries, we can’t predetermine what the stimulation pat- terns should be. Once the electrodes are in place, however, we can map the somatotopic organization of the array by systematically delivering pulses through each electrode and recording the participant’s subjective reports. Moreover, as we have seen with open-loop BMI systems and cochlear implants (see Chapter 5), the brain exhibits tremendous plasticity in learning from arbitrary input patterns. Thus, it may be sufficient simply to activate the somatosensory cortex in a consistent manner (e.g., depending on limb position) and allow the natural dynamics of neural activity to figure out the meaning of these signals.

چالش‌های عمده ای برای بستن حلقه وجود دارد. هنگام طراحی BMI برای افراد قطع عضو یا افرادی که آسیب نخاعی دارند، نمی‌توانیم الگوهای تحریک را از قبل تعیین کنیم. با این حال، هنگامی‌که الکترودها در جای خود قرار گرفتند، می‌توانیم سازماندهی سوماتوتوپیک آرایه را با ارسال سیستماتیک پالس‌ها از طریق هر الکترود و ثبت گزارش‌های ذهنی شرکت‌کننده ترسیم کنیم. علاوه بر این، همانطور که در مورد سیستم‌های BMI حلقه باز و کاشت حلزون دیده ایم (به فصل ۵ مراجعه کنید)، مغز انعطاف پذیری فوق العاده ای در یادگیری از الگوهای ورودی دلخواه از خود نشان می‌دهد. بنابراین، ممکن است صرفاً فعال کردن قشر حسی تنی به روشی ثابت (مثلاً بسته به موقعیت اندام) کافی باشد و به پویایی طبیعی فعالیت عصبی اجازه دهد تا معنای این سیگنال‌ها را بفهمد.

BMI research is still in its infancy. This work, though, provides a compelling example of how basic findings in neuroscience, such as the coding of movement direction and population vector representations, can be combined with principles from bioengineering to develop vital clinical therapies.

تحقیقات BMI هنوز در مراحل اولیه است. با این حال، این کار یک مثال قانع‌کننده از این که چگونه یافته‌های اساسی در علوم اعصاب، مانند کدگذاری جهت حرکت و نمایش‌های بردار جمعیت، می‌تواند با اصول مهندسی زیستی برای توسعه درمان‌های بالینی حیاتی ترکیب شود، ارائه می‌کند.

TAKE-HOME MESSAGES

پیام‌های کلیدی

▪️ Brain-machine interface systems (BMIs) use neural signals to directly control robotic devices such as a computer cursor or a prosthetic limb.

▪️ سیستم‌های رابط مغز و ماشین (BMI) از سیگنال‌های عصبی برای کنترل مستقیم دستگاه‌های روباتیک مانند مکان‌نمای رایانه یا اندام مصنوعی استفاده می‌کنند.

▪️ BMIs offer a promising avenue for rehabilitation of people with severe movement disorders, such as those resulting from spinal cord injury.

▪️ BMI یک راه امیدوارکننده برای توانبخشی افراد مبتلا به اختلالات حرکتی شدید، مانند اختلالات ناشی از آسیب نخاعی، ارائه می‌دهد.

▪️ In early BMI systems, decoders were built from recordings of neural activity made while the animal produced movements. The output of these decoders was then used to drive the prosthetic device.

▪️ در سیستم‌های اولیه BMI، رمزگشاها از ضبط فعالیت‌های عصبی ساخته می‌شدند که در حین انجام حرکات حیوان انجام می‌شد. سپس خروجی این رمزگشاها برای به حرکت درآوردن دستگاه مصنوعی مورد استفاده قرار گرفت.

▪️ More recent work has revealed that the brain’s plasticity enables it to spontaneously learn how to adapt neural activity to control an arbitrary decoder, eliminating the need for a training phase to build the decoder. This insight is essential if BMI systems will be useful for individuals who have lost the ability to move their limbs.

▪️ کار جدیدتر نشان داده است که انعطاف پذیری مغز آن را قادر می‌سازد تا به طور خود به خود یاد بگیرد که چگونه فعالیت عصبی را برای کنترل یک رمزگشای دلخواه تطبیق دهد و نیاز به مرحله آموزشی برای ساخت رمزگشا را از بین ببرد. اگر سیستم‌های BMI برای افرادی که توانایی حرکت اندام خود را از دست داده اند مفید باشد، این بینش ضروری است.

▪️ Current BMI research is using a wide range of techniques and neural signals, some of which involve invasive procedures and others of which use noninvasive procedures.

▪️ تحقیقات فعلی BMI از طیف گسترده ای از تکنیک‌ها و سیگنال‌های عصبی استفاده می‌کند که برخی از آنها شامل روش‌های تهاجمی‌و برخی دیگر از روش‌های غیر تهاجمی‌استفاده می‌کنند.

---

---

---

---

---

---

---

---