 Биоинженеры разработали первую портативную, 64-канальную носимую систему мониторинга активности мозга, которая сопоставима с самым современным оборудованием, найденным в научно-исследовательских лабораториях.
Система лучше подходят для реальных приложений, поскольку она оснащена сухими датчиками ЭЭГ, которые легче применять, чем влажные датчики, обеспечивая при этом высокую плотность данных о деятельности мозга. Система включает в себя 64-канальный сухой электрод носимой гарнитуры ЭЭГ и сложный набор программного обеспечения для интерпретации и анализа данных. Она имеет широкий спектр применения - от исследований и нейронной обратной связи до клинической диагностики.
Цель исследователей заключается в том, чтобы вывести ЭЭГ из лабораторий где она в настоящее время удерживается мокрыми методами ЭЭГ. В будущем ученые предполагают мир, где системы нейровизуализации работают с мобильными датчиками и смартфонами, чтобы отследить состояния мозга в течение дня и улучшить возможности мозга.
Ученые представляют себе будущее, где нейровизуализация может быть использована для достижения новых методов лечения неврологических расстройств. Они пытаются отходить от инвазивных технологий, таких как глубокая стимуляция мозга и рецептурные препараты, и вместо этого начать процесс восстановления с помощью синаптической пластичности мозга.
По их мнению, через 10 лет, использование интерфейса «мозг-машина» может стать таким же естественным, как использование смартфона в настоящее время. Для того, чтобы подобное видение будущего могло стать реальностью, датчики должны стать не только носимыми, но и удобными, и алгоритмы для анализа данных должны иметь возможность пробиваться через шум, чтобы извлечь значимые данные.
Гарнитура, разработанная исследователями, по форме напоминает осьминога, у которого каждая рука является эластичной, так что она подходит ко многих различным видам формы головы. Датчики на конце каждого «щупальца» предназначены для оптимального контакта с кожей головы, в то же время уменьшая шум в сигнале настолько, насколько это возможно.
Исследователи потратили четыре года, совершенствуя материалы датчиков. Датчики, предназначенные для работы на волосах субъекта, изготовлены из смеси серебра и углерода, осажденного на гибкой подложке. Этот материал позволяет датчиками оставаться гибкими и прочными, в то же время проводя высококачественные сигналы. Датчики предназначены для работы на голой коже, изготовлены из гидрогеля, заключенного внутри проводящей мембраны. Эти датчики монтируются внутри стручка, оборудованного усилителем, который помогает повысить качество сигнала, в то же время экранируя датчики от помех в электрооборудовании и другой электронике.
Следующие шаги включают в себя улучшение производительности гарнитуры при движении субъектов. Устройство может надежно захватить сигналы в то время как субъекты ходят, но в меньшей степени при более напряженной деятельности, такой, как бег. Электроника также нуждаются в улучшении, чтобы функционировать в течение более длительных периодов времени.
Данные, захватываемые гарнитурой были проанализированы с помощью программного обеспечения, разработанного исследователями. Сперва сигналы мозга необходимо отделить от шума в данных ЭЭГ. Крошечные электрические токи, возникающие из мозга, часто имеют артефакты высокой амплитуды, которые генерируются, когда субъекты двигаются, говорят или даже мигают. Исследователи разработали алгоритм, который отделяет данные ЭЭГ в реальном времени в различных компонентах, которые не связаны статистически друг с другом. Затем эти элементы сравниваются с чистыми полученными данными, например, когда субъект находится в состоянии покоя. Аномальные данные помечаются как шум и отбрасываются.
Но анализ не останавливается на достигнутом. Исследователи использовали информацию об известной анатомии мозга и данных, которые они собрали, чтобы узнать, где сигналы приходят изнутри мозга. Они также были в состоянии отследить в режиме реального времени, как сигналы от различных областей мозга взаимодействуют друг с другом, построив постоянно меняющиеся карты сети мозговой активности. Затем они использовали машинное обучение для подключения к определенным сетевым закономерностям в деятельности головного мозга к познанию и поведению.
|
