آیا هدست EEG میتواند راه رفتن را به بیماران فلج بازگرداند؟
مروری کوتاه بر خبر
- پژوهشگران ایتالیایی و سوئیسی در حال بررسی روشی غیرتهاجمی برای کمک به بیماران آسیب نخاعی هستند.
- این روش از هدستهای EEG برای خواندن سیگنالهای حرکتی مغز از روی پوست سر استفاده میکند.
- هدف، ارسال این سیگنالها به یک محرک نخاعی برای فعال کردن عصبها و بازیابی حرکت است.
- تشخیص سیگنالهای حرکات پا به دلیل منشأ عمیقتر آنها در مغز، چالش برانگیزتر از حرکات دست است.
- یک الگوریتم یادگیری ماشینی برای تفسیر دادههای پیچیده و محدود EEG آموزش دیده است.
- این فناوری هنوز در مراحل تحقیقاتی است و نیاز به توسعه بیشتر برای تشخیص دقیقتر حرکات دارد.
مروری بر یک پژوهش امیدوارکننده
پژوهشگران دانشگاههای ایتالیا و سوئیس در حال آزمایش روشی نوین هستند که ممکن است روزی به افراد مبتلا به آسیب نخاعی برای حرکت مجدد کمک کند. ایده اصلی استفاده از هدستهای ساده الکتروانسفالوگرافی (EEG) برای خواندن سیگنالهای «حرکت» از مغز و عبور دادن آنها از مانع آسیب نخاعی است. این مطالعه در تاریخ ۲۰ ژانویه در مجله APL Bioengineering منتشر شده است.
مشکل اصلی: قطع ارتباط مغز و بدن
در بسیاری از آسیبهای نخاعی، عصبهای اندامها سالم هستند و مغز نیز به تولید سیگنالهای حرکتی طبیعی ادامه میدهد. مشکل اصلی، آسیب به نخاع است که مانند یک مانع، ارتباط بین مغز و بقیه بدن را مسدود میکند. پژوهش حاضر به دنبال راهحلی برای دور زدن این مانع، بدون نیاز به ترمیم مستقیم نخاع است.
مزیت غیرتهاجمی هدست EEG
بخش عمدهای از تحقیقات قبلی بر کاشت الکترود در مغز متکی بود. «لورا تونی»، نویسنده اصلی مطالعه، توضیح میدهد: «این کار میتواند باعث عفونت شود و جراحی دیگری محسوب میشود. ما میخواستیم ببینیم آیا میتوان از این خطر اجتناب کرد.» سیستمهای EEG به صورت کلاههایی با الکترود هستند که فعالیت مغز را از روی پوست سر و به صورت غیرتهاجمی ثبت میکنند.
چالشهای فنی در خواندن سیگنالهای مغز
با این حال، خواندن سیگنالهای حرکتی از طریق EEG فاقد چالش نیست. از آنجایی که الکترودها روی سطح سر قرار میگیرند، در شناسایی فعالیتهای مناطق عمیقتر مغز مشکل دارند. به گفته تونی، کنترل حرکات دست و بازو که در نواحی بیرونی مغز پردازش میشوند، آسانتر از حرکات پا است که سیگنالهای آنها از مناطق مرکزی و عمیقتر مغز سرچشمه میگیرد.
نقش یادگیری ماشینی در تفسیر دادهها
برای درک بهتر دادههای پیچیده و محدود EEG، تیم پژوهشی از یک الگوریتم یادگیری ماشینی استفاده کردند. در طول آزمایش، بیماران کلاه EEG را پوشیده و سعی در انجام حرکات ساده کردند. الگوریتم با دادههای ثبتشده آموزش دید تا سیگنالهای مغزی را دستهبندی کند. در حال حاضر سیستم میتواند به طور قابل اعتمادی تشخیص دهد که فرد در حال تلاش برای حرکت است، اما در تمایز بین انواع خاص حرکات (مانند راه رفتن یا ایستادن) هنوز با مشکل مواجه است.
گامهای آینده پژوهش
پژوهشگران بر این باورند که این روش با توسعه بیشتر قابل بهبود است. تمرکز آینده بر بهینهسازی الگوریتم برای شناسایی اقدامات مشخصی مانند ایستادن، راه رفتن یا بالا رفتن خواهد بود. گام بعدی مهم، بررسی چگونگی اتصال این سیگنالهای تفسیرشده به محرکهای کاشتهشده در نخاع برای فعالسازی حرکت در بیماران است.
منبع: رکنا
سبک زندگی