Numa Poujouly، ورزشکار معلولی است که در نخستین المپیک سایبورگ‌ها در زوریخ توانست با کمک یک رابط مغز و رایانه (BCI) آواتار خود را سریعتر از رقبا به خط پایان برساند و مدال طلا را به گردن آویزد. در این مقاله قصد داریم با سامانه BCI گروه Brain Tweakers و چگونگی پیروزی در این رقابت آشنا شویم. با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

ثبت سینگال‌های مغزی

گروه Brain Tweakers برای ثبت سیگنال‌های مغزی کاربران از یک کلاه سبک EEG (الکتروانسفالوگرافی) که با الکترود و یک تقویت کننده تخصصی سیگنال‌های زیستی تکمیل شده بود استفاده کردند. این اجزاء به صورت تجاری در دسترس هستند و اغلب در پژوهش‌های علوم اعصاب مورد استفاده قرار می‌گیرند. کلاه EEG فعالیت الکتریکی میلیون‌ها سلول مغزی را اندازه‌گیری می‌کند. اما سیگنال‌هایی که از طریق پوست، استخوان و بافت ثبت می‌شود، نسبتاً نویزی هستند. بنابراین گروه با کاربران کار کرد تا سیگنال‌هایی قوی‌ و قابل اعتماد بیابند. سپس نرم‌افزار پردازش سیگنال BCI سفارشی شد تا از سیگنال‌های مؤثر در مسابقه استفاده کنند.

برای پیدا کردن سیگنال‌های قوی عصبی، کاربران تصور می‌کردند که حرکات خاصی با اندامشان انجام می‌دهند. در طی این حرکات ذهنی، الکترودهای EEG تغییرات در الگوهای ریتمیک فعالیت الکتریکی قشر حرکتی را ثبت کردند. الگوی مغز هر فرد همچون اثر انگشت منحصر به فرد است. همچنین سیگنال‌های کاربران در مکان‌های مختلف قشر حرکتی و در فرکانس (معمولاً بین ۸ تا ۳۰ هرتز) متفاوت است. نرم افزار BCI باید مدل‌های EEG متمایز هر کاربر را شناسایی کند تا بتوان تصور حرکتی کاربران را با دستورهایی برای آواتارهای آنها مرتبط کرد.

گروه Brain Tweakers برای شرکت در رقابت Cybathlon با فیلتر کردن سیگنال‌های الکتریکی چشم و عضلات سر و انتخاب الکترودهای EEG کار خود را آغاز کرد. برگزار کنندگان رقابت Cybathlon تأکید داشتند که کنترل BCI با استفاده از سیگنال‌های چشم و عضلات خلاف قوانین است. همچنین اعضای گروه مجبور شدند الگوریتم خود را برای مدیریت سه دستور (تجربیات قبلی گروه تنها برای دو حالت بود) را مجدداً پردازش کنند و حالت «بیکار»، که اغلب در سامانه‌های آزمایشی نادیده گرفته شده است اما برای برنامه‌های دنیای واقعی حیاتی است، را در نظر بگیرند.

با این حال، مهم‌ترین مؤلفه پیروزی این گروه، روش یادگیری متقابل آنها برای آموزش کاربران بود. روشی که در آن کاربر و BCI با یکدیگر برای دستیابی به عملکرد مطلوب سازگار می‌شوند. در این زمان بازخورد از کاربران ضرورت بیشتری دارد.

کالیبراسیون و آموزش کاربران

این گروه پژوهشی پیش از رقابت Cybathlon روی آزمایش‌های BCI با کاربر Anselmo کار کرده بود و وی شش ماه پیش از Cybathlon آموزش خود را آغاز کرد. Poujouly هرگز از یک سامانه BCI استفاده نکرده بود و تنها سه ماه پیش از این رقابت آموزش را آغاز کرد. جلسه‌های آموزشی در خانه‌های کاربران انجام شد. در ابتدا جلسه‌ها هر هفته‌ ۲ ساعت بود و هرچه به رقابت نزدیک می‌شدند این ساعت‌ها افزایش می‌یافت.

نخستین وظیفه گروه این بود که سامانه BCI را کالیبره کنند تا الگوهای عصبی Anselmo و Poujouly را تشخیص دهند. از هر دو کاربر خواسته شد تصور کنند دست راست، دست چپ یا هر دو پا را حرکت می‌دهند. نرم‌افزار BCI الگوهای مغزی مرتبط با این سه تصور حرکتی را تشخیص و آنها را به سه دستور که در بازی BrainRunners مورد استفاده قرار می‌گرفت، مربوط کرد. اما پس از چند جلسه، متوجه شدند که این سه تصور حرکتی، سیگنال‌های متمایز و قوی را ارائه نمی‌دهد. بنابراین آنها روش دیگری را آزمایش کردند. سامانه BCI را کالیبره کردند تا تنها دو حالت را تشخیص دهد: تصور حرکت هر دو دست و هر دو پا. برای ایجاد سیگنال قابل شناسایی سوم، کاربران تصور کردند یک دنباله سریع از حرکات را انجام می‌دهند، ابتدا هر دو دست و سپس هر دو پا را حرکت می‌دادند.

پس از کالیبراسیون اولیه، زمان آموزش کاربران بود. آنها با یک کار ساده آغاز کردند، که در آن به صفحه نمایش یک رایانه نگاه و سعی کردند با استفاده از سیگنال‌های عصبی، یک نوار را رو به بالا و یا پایین حرکت دهند. آنها با این بازخورد پیوسته بصری در مورد عملکرد خود، به تدریج آموختند تا الگوهای متمایزتری تولید کنند. همانگونه که کاربران در تولید سیگنال‌ها بهتر شدند، سامانه BCI به طور پیوسته کالیبره شد تا منعکس کننده فعالیت مغز تغییر یافته هر کاربر باشد.

کاربران در آموزش اولیه با یک حریف کنترل شده توسط رایانه رقابت کردند. Anselmo 182 مسابقه را به اتمام رساند، با متوسط ​​زمان اتمام ۱۲۷ ثانیه و رکورد ۸۳ ثانیه است. Poujouly 57 مسابقه آموزشی را با میانگین زمان ۱۳۰ ثانیه و رکورد ۸۶ ثانیه انجام داد. در این مرحله سامانه‌های BCI برای هر کاربر شخصی‌تر شد و پارامترهای بهینه که دقت متقابل و سرعت فرمان را تعیین می‌کردند، تشخیص داده شدند. سرانجام یک ماه پیش از Cybathlon، دو جلسه آموزشی مشترک در آزمایشگاه گروه Brain Tweakers انجام شد. در این دو جلسه کاربران با یکدیگر به رقابت پرداختند در حالی که دیگر اعضای گروه آنها را احاطه کرده و تشویق می‌کردند تا احساس یک رقابت واقعی را تقلید کنند.

هنگامی که آنها در ماه اکتبر به زوریخ رسیدند، مشخص شد پروتکل آموزش آنها مؤثر بوده است. کاربران توانستند اجرای عالی خود را در مسابقات رسمی Cybathlon تکرار کنند. Anselmo و Poujouly موفق شدند به مرحله نهایی با بهترین عملکرد در رقابت BCI برسند: ۹۰ و ۱۲۳ ثانیه به ترتیب. در حالی که پیروزی در رقابت Cybathlon یک موفقیت بزرگ بود، گروه می‌داند که چالش بزرگتر تبدیل این فناوری تجربی به دستگاه‌هایی که می‌تواند برای افراد معلول مفید باشد، است.

این کاربران توانستند به درک محدودیت‌های فناوری امروز BCI کمک کنند. آنها یادآوری می‌کنند که تنظیم کلاه EEG دست کم ۱۰ دقیقه طول می‌کشد. یک سامانه EEG معمولی نیاز به استفاده از ژل در زیر هر الکترود برای تسهیل هدایت از طریق پوست سر دارد. اما پژوهشگران به پیشرفت‌هایی با الکترودهای خشک رسیدند که به ژل نیاز ندارند و منجر به سامانه‌های کاربرپسندتر می‌شود. برخی از کارشناسان نیز پیشنهاد کردند که از الکترودهای دائمی استفاده شود که زیر پوست سر قرار می‌گیرند. هرچند سامانه‌هایی که نیاز به جراحی دارند با موانع قانونی مواجه هستند.

فرایند کالیبراسیون که برای Anselmo و Poujouly طولانی و خسته کننده بود، برای یک فناوری روزمره مناسب نیست. بنابراین این گروه در حال حاضر بر روی یک نرم افزار کالیبراسیون کار می‌کند که می‌تواند به راحتی توسط یک درمانگر توانبخشی یا حتی خود کاربر انجام شود و نیازی به کارشناس فناوری BCI نیست.

برای انتقال این فناوری از آزمایشگاه به خانه، گروه باید چندین عامل دیگر را در نظر بگیرید. استفاده از چنین سامانه‌هایی به شدت به تمرکز نیاز دارد. آیا تمرکز برای کاربرانی که سعی در استفاده از BCI در وظایف روزمره زندگی خود دارند، ممکن است؟ افزون بر این، توانایی سامانه BCI برای مدیریت سه فرمان یک دستاورد فنی عالی بود، اما کاربران دنیای واقعی ممکن است نیاز به امکانات بیشتری داشته باشند.

برای ایجاد BCIهایی که دستگاه‌ها را طبیعی‌تر کنترل کنند ممکن است نیاز به درس‌هایی در مورد نحوه استفاده از بدن انسان‌ها باشد. برای نمونه، ما می‌توانیم رمزگشاهای BCI ایجاد کنیم که نه تنها تصورهای حرکتی خاص را تشخیص می‌دهند، بلکه جنبه‌های دیگر این حرکات همچون جهت و سرعت را تشخیص و از این اطلاعات برای تعدیل فرمان خروجی استفاده کنیم. آزمایشگاه گروه Brain Tweakers سامانه‌های BCI که به سیگنال‌های شناختی همچون شناسایی خطا و پیش بینی نقاط بحرانی تصمیم‌گیری کاربر پاسخ می‌دهند را بررسی میکند. و در آخر آنها با یک BCI برای خودروهایی که می‌تواند سیگنال‌های عصبی راننده هنگامی که انتظار می‌رود ترمز بگیرند یا سرعت خود را افزایش دهند آزمایش کرده‌اند.

دو کاربر گروه Brain Tweakers در مورد آینده BCIها مشتاق هستند و تصور می‌کنند که طیف وسیعی از آنها میتواند استقلال بیشتری برای زندگی روزمره آنها به همراه داشته باشد. اما فراموش نخواهیم کرد که گروه بر اساس یک روش یادگیری متقابل مدال طلا را به دست آورد که در آن انسان و ماشین با یکدیگر سازگار می‌شوند.

بیشتر بخوانید:

>>با دارنده مدال طلای نخستین المپیک سایبورگ ها آشنا شوید (بخش نخست)

منبع: spectrum.ieee.org

استفاده و بازنشر این نوشتار تنها با ذکر لینک منبع و نام «مجله‌ی فناوری‌های توان افزا و پوشیدنی» مجاز است.