Aju-arvuti liides (BCI)
Sissejuhatus
Inimene-arvuti ühendusliides (Human Computer Interface HCI) on meetod, kus kasutatakse klaviatuuri ja hiirt. See on kõige enam levinum viis arvuti ja inimese kommunikatsioonis. Paraku on inimesi, kes ei suuda tekitada piisavaid lihasliikumisi, et hiirt ja klaviatuuri kasutada. Kuna kasvanud on arusaam, et puudega inimesed vajavad selliseid lahendusi, on alustatud uuringuid aju-arvuti ühendusliidese (BCI) väljatöötamiseks. BCI on otsene sidekanal kuidagimoodi täiustatud või juhtmega ühenduses oleva aju ja mingi välise seadme vahel. Erinevalt populaarsest arvamusest ei suuda BCI otseselt mõtteid lugeda, vaid tuvastab teatud moodi mõtlemise puhul väiksemagi muutuse aju poolt kiirgavas energia hulgas või selle muutuses. Lisaks suudab BCI ära tunda väga spetsiifilisi aju sagedusmustreid, tuginedes ajupildi kujutamistehnoloogiale (näiteks MRI, mille käigus otsib BCI reaalajas aju aktiivsuse kindlaid mustreid). http://www.brainvision.co.uk/blog/2014/04/the-brief-history-of-brain-computer-interfaces/ BCI-d defineeritakse kui arvutitehnoloogiat, mis võimaldab suhelda neuraalsete struktuuridega, suutes lahti mõtestada ja tõlkida mõtetest saadud teavet toiminguteks.
(https://in-training.org/future-brain-computer-interface-technology-15655)
BCI võimaldab raske motoorikahäiretega patsiendil parandada või taastada võime liigutada või käsklusi anda. Selliseks häireks või puudeks võib olla näiteks ajutüve insult, ajuhalvatus või seljaaju vigastus. Liigutuseks või käskluseks võib olla ratastooli juhtimine või liigutamine, kasutades motoorika kujutlemist. Tulevikus võimaldab selline tehnoloogia mööda minna kahjustunud seljaaju lõikudest, võimaldates halvatud jäsemete liigutamist kasutades ainult liigutuse mõtteid. BCI rakendus pole mitte ainult vigastatud inimeste aitamine, vaid ka uued suunad nagu mängimine või tegevused kus on vaja mitte ainult musklite abi.
https://lib.ugent.be/fulltxt/RUG01/002/300/488/RUG01-002300488_2016_0001_AC.pdf
Ajalugu
1970ndatel aastatel alustati aju-arvuti ühendusliideste uuringuid California Ülikoolis, mille põhiliseks eesmärgiks oli neuroproteeside rakenduste arendamine, mis aitaks taastada kahjustunud silmanägemist, kuulmist või liikumist ning esimesed inimestele suunatud neuroproteesidest abivahendid tulid turule juba 90ndate keskpaigas. Hans Berger töötas välja ajukoore elektrilise aktiivsuse hindamise uuringu ehk elektroentsefalograafia (EEG), mida võiks nimetada BCI eelkäijaks. EEG võimaldab tuvastada erinevaid ajus pesitsevaid haiguseid ja on aktiivses kasutuses olnud juba aastakümneid. 1998. aastal sisestas teadlane Philip Kennedy esimese aju-arvuti anduri inimkehasse. Tegemist oli küll piiratud funktsionaalsusega ning selle ainukene eelis edasises arengus oli traadita elektroodi leiutamine. Edasiste arengutena moodustasid Browni Ülikooli meeskond ja teadlane John Donoghue ettevõtte nimega Cyberkinetics, mis tuli turule esimese nö müüdava BCI tootega NeuroPort. NeuroPort-i närviseire süsteem aitab tuvastada epilepsia all kannatavate patsientide haigussööstude teket, tuvastades hoogudele eelnevaid vähemärgatavaid krampe. 2004. aasta juunis implanteeriti Matthew Nagle-ile esimene BCI Cyberkinetics-i implantaat nimega BrainGate. 2004. aasta oli tulemuslik ka Jonathan Wolpawile ja Wadsworthi keskuse uurijatele. Nimelt avaldati aruanne, kuidas BCI abil on võimalik arvutit juhtida. Uurimistöö katsetes osalenud patsiendid pidid kandma spetsiaalset mütsi, mis sisaldas aju motoorse osa EEG signaale kinnipüüdvaid elektroode ning selle abil suudeti kontrollida osa ajust, mis omakorda kontrollib liikumist. Alates sellest on BCI-d on märkimisväärselt edasi uuritud ning eeldatakse, et aastaks 2050 võib sellest saade imetoode, mis aitab meil mõttejõu abil esemeid liigutada ja igapäevaseid toiminguid läbi viia. Hiljuti investeeris ka Elon Musk ettevõttesse Neuralink, mille missioon on arendada tehisintellekti võtmes inimsuhtlust parendav BCI. Lisaks esitles ka Regina Dugan Facebooki BCI plaane, mis lubavad efektiivsemat digitaalset suhtlust.
http://www.brainvision.co.uk/blog/2014/04/the-brief-history-of-brain-computer-interfaces/
Ajuaktiivsuse mõõtmine
BCI sisendinfo tuleb põhiliselt ajust. Olemas on mitmeid erinevaid meetodeid, kuidas signaale kogutakse. Kasutusel on elektroensefalograafia (elektrivälja signaalid), magnetoenkefalograafia (magnetvälja signaalid), funktsionaalne magnetresonantstomograafia (aju vere hapnikutaseme signaalid) ja lähi infrapuna spektroskoopia. Ajuaktiivsuse mõõtmise metoodikaid võib jagada kolme põhilisse kategooriasse: invasiivsed, osaliselt invasiivsed ja mitte-invasiivsed. Invasiivse mõõtmise puhul paigaldatakse elektroodide massiivid ajukoore koesse. Selle käigus mõõdetakse lähedalolevate neuronite rakuväliseid elektripotensiaali. Sellisel mõõtmisel on kõrge ruumiline eraldusvõime, kuid vajab kümneid või sadu väikeste elektroodide ajju paigaldamist. Osaliselt-invasiivse (elektrokortikograafia (ECoG)) mõõtmise korral pole operatsioon vajalik, kuid elektroodid paigaldatakse subduraalselt ajukoore pinnale. Mitte-invasiivse mõõtmise korral mõõdetakse signaale kolju pinnalt. Sellise meetodi suureks eeliseks on see, et katsealust ei opereerita. Puuduseks on signaalide deformatsioon ja kõrvalekalle, mida tekitavad luu ja kolju koed. Sellised häired teevad arvutil singaalide interpreteerimise raskemaks.
File:Http://www.schalklab.org/sites/default/files/misc/layersofthebrain.png http://www.schalklab.org/sites/default/files/misc/layersofthebrain.png Signaali kogumise süsteemi eesmärk on signaalid kokku koguda ja edastada loetaval kujul arvutisüsteemile. Andmed tulevad tavaliselt voona, mis võimaldab neid kettale maha salvestada ja reaalajas töödelda. Signaali kogumise süsteem koosneb riistvarast, mis reaalselt mõõdab signaale ning võimenditest, mis signaale võimendavad. https://depositonce.tu-berlin.de/bitstream/11303/4734/2/venthur_bastian.pdf Signaalide töötlemine on BCI süsteemis faas, kus toored andmed muudetakse mustriteks, mis peegeldavad kasutaja soove. See faas hõlmab tavaliselt eeltöötlemist, featuuride leidmist, tuvastamist ja klassifitseerimist. Selles faasis signaale filtreeritakse ja puhastatakse, et saada võimalikult kõrge signaali ja müra suhe. Featuuride leidmise faasis transformeeritakse kõrge dimensionaalsusega andmed madalama dimensionaalsusega vektoriteks, millest on võimalik välja lugeda vastavaid ajutegevuse mustreid. See faas sõltub suuresti ülesandest, mida soovitakse saavutada.
