Նեյրոնային մշակված ազդանշաններով նեյրոպրոթեզների օպերատիվ ադապտացիան

Բանալի բառեր. երկրորդական ազդանշանային աղբյուր, օպերատիվ ադապտացիոն սխեմա, նեյրոպրոթեզ, Պուասոնյան պրոցես, Գամմա ֆունկցիա, Մոնտե-Կառլոյի  պրոցեդուրա, կառավարող ազդանշան, նեյրոֆիզիոլոգիական տվյալներ

Փորձերը նկարագրում են, թե ինչպես պրոթեզային սարքը  կարող է կառավարվել ուղեղի ազդանշանների կողմից: Այնուամենայնիվ, կայուն, շարունակական օգտագործման մեջ նեյրոպրոթեզները կարող են տուժել հիմնականում գրանցված ազդանշանի շարժունակությունից: Այսպիսի փոփոխությունները այժմ կարիք ունեն կառավարվող ուսուցման պրոցեդուրաների, որոնք պետք է կառավարվեն լաբորատոր պահանջների պահպանմամբ` դժվարացնելով նման սարքերի ենթադրվող ամենօրյա օգտագործումը: Որպես այլընտրանք, այստեղ մենք կառաջարկենք օպերատիվ ադապտացիայի սխեմա, որը կօգտագործի ուղեղի շրջանից երկրորդական ազդանշանային աղբյուրը: Մեր մոդելը ցույց կտա, որ պրոթեզային սարքը կարող է հաջողությամբ ադապտացվել նորմալ, ամենօրյա օգտագործմանը:

Այժմ լավ ուսումնասիրված է, որ նեյրոնային ակտիվությունը շարժիչի մակերևույթում պարունակում է պիտանի ինֆորմացիա վերջույթների ցանկալի շարժումների մասին[1, 3]: Շատ փորձերում նեյրոֆիզիոլոգիական տվյալները (գործողության պոտենցիալ, ԷԷԳ) նեյրոնային պրոթեզային սարքի ցանկալի և իրական շարժումների միջև տարբերության հետ միասին, հաջողությամբ օգտագործվում են ադապտացնելու գնահատականները, որոնք կարող են հաշվարկել պրոթեզների համար պիտանի ազդանշանները: 

Նեյրոպրոթեզների ինքնակամ օգտագործումը նորմալ` լաբորատորիայից դուրս, այնուամենայնիվ, կարող է առաջացնել ընթացիկ փոփոխություններ ուսումնասիրված նեյրոնների և պրոթեզների ֆիզիկական բնութագրերի պարամետրերում: Այդ պատճառով, ժամանակի հետ իրավիճակը կարող է շատ և շատ տարբերվել նրանից, որի համար սխալի գնահատականը սկզբնականորեն ուսուցանվել է:

Այս պրոբլեմի ստանդարտ լուծումն է պահանջին համապատասխան կրկին ուսուցանել  պրոթեզները` կանոնավոր ինտերվալներով հստակ առաջադրանքը կատարելու համար: Միայն եթե պահանջվող շարժումը ուսումնասիրված է, ընթացքը կարող է հաջողվել և հետագայում օգտագործվել ադապտացնելու համար պատկերավորումը` ուղեղի ակտիվության և վերջույթի նախանշված շարժման կատարումը կառավարող ազդանշանի միջև: 

Այստեղ մենք առաջարկում ենք գրանցել հավելյալ ազդանշանները ուղեղից, որոնք նախատեսում են պակասող ինֆորմացիան: Այս միտքը ունի որոշ պոտենցիալ առավելություններ անաշխատունակ սուբյեկտի համար. այն կարող է վերացնել կլինիկական հաստատություններում հոգնեցուցիչ գործողությունների կատարման պահանջը և ադապտացիան, ինչպես նաև սկզբնական ստուգումը կարող է կատարվել պրոթեզների ամենօրյա օգտագործման ընթացքում: Մենք ներկայացնում ենք մեր մոտեցման իրագործումը թվային մոդելավորման օգնությամբ` օգտագործելով նեյրոնային ազդանշանների որակի և ծագման մասին արդեն իսկ եղած ինֆորմացիան: Մենք ցույց կտանք, որ ազդանշանների որակը, որը ստացվել է գրանցման տվյալ տեխնոլոգիայով, բավական է հաջողությամբ կատարելու պահանջը:

Նկ.1. Մոդելի սխեմատիկ տեսքը: Նախանշված է, որ դեֆեկտիվ սուբյեկտը կատարի շարժում: Նախանշված շարժման v արագությունը կոդավորվում է շարժիչային մակերևույթից նեյրոնների պիկի` գրանցված որպես պիկի K  մեծություն: K-ն ուղղվում է ալգորիթմի, որը  օգտագործում է   պարամետրերը` տալու համար նախանշված շարժման  գնահատականը, -ն հետագայում օգտագործվում է արհեստական ձեռքի շարժումները կառավարելու համար: Նախանշված և կատարված շարժումների միջև E անհամապատասխանությունը ընդունվում է սուբյեկտի կողմից և կոդավորվում է ուղեղի սխալի մոնիտորինգի մասի նեյրոնների կողմից: Այս սխալի ազդանշանը միաժամանակ գրանցվում է երկրորդ էլեկտրոդի կողմից` բերելով K մեծության լրիվ արժեքին, որից հաշվվում է օրիգինալ սխալի  գնահատականը: Մեր ադապտացիայի ալգորիթմը օգտագործում է Մոնտե-Կառլոյի պրոցեդուրան շարժման անալիզի բլոկից պարամետրերը փոփոխելու համար, որը պահանջվում է պրոթեզների պարամետրերը լավացնելու համար` նվազեցնելով E-ն: 

Նկար 1-ում ցույց տրված մեր մոդելը ներառում է իր մեջ ներքին և արտաքին մասեր: Ներքին մասը բաղկացած է երկու նեյրոնային պոպուլյացիայից, որոնցից համապատասխանաբար գրանցվում են նախանշված շարժման ազդանշանը և սխալի ազդանըշանը: Մոդելի արտաքին մասը կառավարման համակարգն է, որը բաղկացած է  գնահատման և ադապտացիայի ալգորիթմներից և արհեստական ձեռքից: Գնահատման ալգորիթմը դեկոդավորում է և նախանշված շարժման ազդանշանը, և սխալի ազդանշանը: Գնահատված նախանշված շարժումը օգտագործվում է կառավարելու համար արհեստական ձեռքը: Զուգահեռաբար, սխալի ազդանշանը, որը պետք է համեմատի նախանշված և ընդունված շարժումների միջև տարբերությունը, օգտագործվում է ադապտացնելու նախանշված շարժման ազդանշանի դեկոդավորող ալգորիթմը:

Նախանշված շարժումը երկու չափողականություններով կարող է նկարագրվել արագության վեկտորով` v ={ v cos(φ),sin(φ) } ուղղությամբ և v բացարձակ արժեքով` չափված 0-ից v_max:  Մեր  մոդելում  գրանցումը  կատարվում է Nv = 64 նեյրոններով կոսինուսոիդալ կորերով և գծային արագության մոդուլյացիայով: Գրգռված նեյրոնների միջին քանակը .

 (1) բանաձևում ƒ_{i ^oƒƒ} – սկզբնական մեծությունն է, ƒ^mod – գրգռված նեյրոնների մաքսիմալ քանակությունը,φ_i – նեյրոնի առավել հավանական ուղղվածությունը:

Որպեսզի մոդելավորենք մի իրադրություն, ինչպիսին կարող է լինել էքսպերիմենտալ գրանցումը (վատագույն դեպքի դասակարգում), մենք թույլ կտանք նեյրոնների 25%-ին չռեզոնացվել ընդհանրապես (չկորելացված աղմուկի ստեղծում), ինչպես նաև թույլատրում ենք անձայն (խլեցված) նեյրոնների մեծ մասի մուտքը (50%, 3 Հց-ից ցածր): Նեյրոնների մնացած 25%-ը ընտրվում է ինչպես ƒ_i ^oƒƒ + ƒ^mod և մեծ չի 50Հց-ից: φ_i-ն պատահականորեն է վերցվում, որը ստեղծում է շարժման անկյունների ոչ միասեռ գործողությունների  սֆերա 0-ից 2π:  Մոդելներում առանց ամբողջականության կորստի նշանակում ենք v_max = 1 և T = 1վ:

Նեյրոնների գրգռումը նկարագրվում է Պուասոնյան պրոցեսով: Յուրաքանչյուր T ինտերվալի համար վեկտորի պիկը` k = {k_Ι, . . . , k_Nv}, ստացվում է fi(v) -ի Պուասոնյան բաշխումից և օգտագործվում է նախանշված շարժման գնահատման համար: 

Կոդավորված

  պարամետրերը  անհայտ են գնահատող ալգորիթմի համար: Երբ ունենք K-ն և P-ն, գնահատված  մեծության և նախանշված v մեծության միջև մինիմումը միջին քառակուսային սխալի համար օպտիմալ գծային Բայեսյան գնահատումը կկարդացվի հետևյալ ձև.

Եթե նեյրոնների պարամետրերը անորոշ են, ադապտացիայի նպատակը P-ի  ապրոքսիմացիայի փնտրումն է, որը կարող է օգտագործվել (2) և (3) բանաձևերում գնահատելու համար[5]: 

Սխալի պատկերացման, սխալի մոնիտորինգի և սխալի կառավարման նեյրոնային հիմքը մինչև այժմ ինտենսիվ ուսումնասիրությունների թեմա է հանդիսանում: Առավել օգտագործվող ազդանշանը կարող է անմիջապես կոդավորել նախանշված շարժման և պրոթեզի կատարած իրական շարժման միջև տարբերությունը: Մեր մոդելի համար մենք կվերցնենք պիկի ակտիվության գծային մոնոտոն կախվածությունը սխալի մոնիտորինգի նեյրոններից և չափված սխալի մեծությունից: 

Առավել մանրամասն, սխալի կառավարման ակտիվությունը մոդելացվում է հետևյալ բանաձևերով` նախանշված v շարժման և գնահատված  մեծության միջև տարբերությունը դիսկրետացված քառակուսի սխալով` 

Նկ. 2. Մոդելավորման սխեմատիկ դիագրամ: Ներքին ցիկլը տեղի է ունենում յուրաքանչյուր անգամ, երբ T ինտերվալը հավասարվում է բաշխումից նախանշված շարժման մեծությանը, հաշվվում են մեծության համապատասխան պիկի արժեքները և կատարվում է մեծության և սխալ ազդանշանների գնահատումը: Ադապտացիայի ալգորիթմը գնահատում է տարբեր պարամետրեր, որոնք գեներացվել են Մոնտե-Կառլոյի պրոցեդուրայից` միջինացնելով սխալի ազդանշանները հաջողության T պարբերություններով: Այս ամենով հանդերձ, այն իրականացնում է E սխալի ազդանշանի ստոխաստիկ գրադիենտը: 

Մոդելավորելով մեր ալգորիթմը վատագույն դեպքով` մենք ենթադրում ենք, որ գրանցումները, որոնք արվել են միայն N<sub>E =</sub>5 նեյրոններից` նման կարգավորված ֆունկցիաներով, որոնց պոպուլյացիայի գրգռման աստիճանը տրված է , ƒ_E (E) =F^oƒƒ+F^mod,E շեղման F^oƒƒ = 25 Հց-ով և մոդուլյացիայի մաքսիմալ F^mod = 50 Հց աստիճանով (մակարդակով): Այս ակտիվությունը չափվում է , որպես Պուասոնյան բաշխման միջին ƒ_E -ի և ստոխաստիկ պիկի k մեծության տարբերություն:

Նկ.3. Մոդելը ցույց է տալիս ավարտից հետո ադապտացիան: 

Սև կորը ցույց է տալիս գնահատված նախանշված արագության միջին  E  սխալը` միջինացված մոտ 1000 փորձարկումներից: Մինչև t = 0 պահը ադապտացիան ստացիոնար վիճակում է մնում, երբ  t = 0 , կոդավորող նեյրոնների արագության կարգավորող ֆունկցիաները ամբողջականորեն ինիցիալիզացվում են տարբեր մեծությունների: Մի քանի ժամից գնահատման պարամետրերի  նախկին բնութագրերը վերականգնվում են: Հորիզոնական մոխրագույն գիծը ցույց է տալիս նվազագույն միջին սխալը, որը հնարավոր է ստանալ, եթե արագության գնահատումը կատարվի իրական կարգավորման պարամետրերով: Երեք կտրվածքները պատկերում են պրոթեզների բնութագրերը. մինչև կարգավորման փոփոխում (ձախ),անմիջապես փոփոխությունից հետո (կենտրոն) և  24 ժամ փոփոխությունից հետո (աջ):

Ադապտացիան հաջող  է, եթե գնահատված կորը (մոխրագույն) մոտ է իր ձևով նախանշված կորին (սև): 

Մեր կողմից առաջարկված կառուցվածքը պահանջվում է, որպեսզի սխալի ազդանշանների գրանցումները կայուն լինեն գրգռումների դեմ: Դրանից հետևում է, որ F^mod և  F^oƒƒ  ֆունկցիաների պարամետրերը սխալի ազդանշանի պրոյեկցիայի համար կարիք ունեն տրվելու միայն պրոթեզի տեղադրման ընթացքում: Այս պայմաններից ելնելով` սխալի օպտիմալ (ոչ գծային) գնահատականը այսպիսի տեսք կունենա.

 ,             (4)

որտեղ որը ոչ լրիվ Գամմա ֆունկցիա է:

Այսպիսով ապացուցվում է, որ նեյրոնային պրոթեզները կարող են հաջողությամբ ադապտացվել ներքին սխալի ազդանշանին` հակազդելով դրան ուժեղ ոչ շարժունակ  նեյրոնային կոդավորմամբ և ազդանշանի գրանցմամբ: 

Բոլորը իրար հետ վերցված` մեր արդյունքները ցույց են տալիս, որ հարկավոր է ներառել ազդանշանների սխալի մոնիտորինգը նեյրոնային պրոթեզներում: 

Գրականություն

1. Andersen R.A., Burdick J.W., Mussallam S.,  Pesaran B.,   Cham J.G. Cognitive neural prosthetics, Trends in cognitive science, 2004, p.486-493.
2. Diedrichsen J.,  Hashambhoy Y. L.,  Rane T.,  Shadmehr R. Neural correlates of reach errors, Journal of Neuroscience, 2005 ,  p.9920-9930.
3. Helms  Tillery S.I.,   Taylor D.M.,  Schwartz A.B. Training in cortical control of neuroprosthetic devices improves signal extraction from small neuronal ensembles, Neurosci., 2003, p.107-120.
4. Musallam S.,  Corneil B.D.,  Greger B.,  Scherberger H.,   Andersen R.A. Cognitive control signals for neural prosthetics, Science, 2004, p.305:257-263.
5. Schwartz A.B. Cortical neural prosthetics, Ann. Rev. Neurosci., 2004, p.487-506.                                                    

Հարցեր, պատասխաններ, մեկնաբանություններ