11. Sep. 2015

Lernfähige Neuroprothesen

In der Schweiz wurden Brain-Machines-Interfaces (BMI) entwickelt. So lassen sich Prothesen mit an das Gehirn angeschlossenen Elektroden steuern.

© 2015 EPFL
Brain-Machines-Interfaces wecken bei Gelähmten und Personen mit amputierten Gliedmaßen große Hoffnung.

 

Forscher der ETH Lausanne (EPFL) und der Universidad de Zaragoza entwickelten lernfähige Neuroprothesen, die sich durch error-related potential vereinfacht steuern lassen. Ihre Forschungsresultate publizierten sie im in der Fachzeitschrift Scientific Reports.

Bei den meisten Brain-Machines-Interfaces wird die elektrische Aktivität des Gehirns mittels Elektroenzephalografie (EEG) interpretiert – vorausgesetzt, dass die betroffenen Patienten speziell trainiert werden, die gewünschte Information – etwa das Strecken eines Armes – mit ihrer Gehirnaktivität übermitteln können. Das Training erfordert sehr viel Zeit und Ausdauer, um die Steuerung der Neuroprothese zu erlernen. Dennoch können auch gut Trainierte nicht alle komplexen Bewegungen durchführen.

Verpasst ein Träger einer Neuroprothese beispielsweise eine Treppenstufe, sendet das Gehirn ein elektrisches Signal, das sogenannte error-related potential (ErrP) aus. José Millán vom Institut für Bioengineering der EPFL entwickelte mit seinem Team eine neue Generation von Neuroprothesen, die ErrP nutzt. Danke des Signals lernt die Maschine selbst, die korrekte Bewegung auszuführen, erklärt der Forscher in einer Mitteilung der EPFL. Gelinge es dem Betroffenen nicht, ein Glas Wasser zu ergreifen, verstehe die Neuroprothese, dass die Handlung fehlgeschlagen sei. Sie werde deshalb ihre nächsten Bewegungen so lange anpassen, bis sie das Glas greifen kann. Die Neuroprothese weiß, dass das Ziel erst dann erreicht ist, wenn die Handlung kein ErrP mehr generiert, wodurch der Patient vom langwierigen Lernprozess entlastet wird.

Zukunftsszenario: komplexe Bewegungen

Der neue Ansatz könnte zur Entwicklung intelligenter Prothesen führen, die eine breite Palette teils auch komplexer Bewegungen ausführen können. Millán zufolge könnten sich die lernfähigen Neuroprothesen laufend anpassen, auch wenn sie keine genauen Informationen über das Handlungsziel hätten.

Iñaki Iturrate, Ricardo Chavarriaga, Luis Montesano, Javier Minguez & José del R. Millán
Teaching brain-machine interfaces as an alternative paradigm to neuroprosthetics control
Scientific Reports 5, Article number: 13893 (2015), Published online: 10 September 2015, doi:10.1038/srep13893

Quelle: EPFL, APA, sda