BCI
-
Репрезентация внутренней речи нейронами супрамаргинальной извилины человека.
Речевые интерфейсы «мозг-машина» (BCI) преобразуют сигналы мозга в слова, позволяя общаться людям, потерявшим речевые способности из-за болезней или травм. Несмотря на то, что были достигнуты важные успехи в декодировании вокализованной речи, результаты чтения внутренней речи еще не достигли высокой функциональности. Примечательно, что до сих пор неясно, из каких областей мозга можно декодировать внутреннюю речь. Исследовали двух пациентов с тетраплегией с имплантированными массивами микроэлектродов, расположенными в супрамаргинальной извилине (SMG) и первичной соматосенсорной коре (S1), которые слушали и воображали вокализованную речь из шести слов и двух псевдослов. У обоих участников обнаружили значительную нейронную репрезентацию внутренней и вокализованной речи на уровне отдельных нейронов и популяции в SMG. Судя по зарегистрированной активности нейронных популяций в SMG, воображаемые слова были в значительной степени декодируемы. При автономном анализе достигли средней точности декодирования 55% и 24% для каждого участника соответственно (уровень вероятности 12,5%), а во время онлайн-задачи внутренней речи мы получили в среднем точность 79% и 23% соответственно. Доказательства общих нейронных представлений между внутренней речью, чтением слов и вокализованными речевыми процессами были обнаружены у 1 пациента в SMG, который представлял слова, а также псевдослова, что свидетельствует о фонетическом кодировании. Кроме того, наш декодер достиг высокой классификации благодаря множеству внутренних речевых стратегий (слуховое воображение/визуальное воображение). Активность в S1 модулировалась вокализованной, а не внутренней речью у обоих участников, что позволяет предположить, что во время производства внутренней речи не происходило никаких артикуляционных движений речевого тракта. Эта работа представляет собой доказательство концепции высокопроизводительного BCI для внутренней речи.
-
Энтропия сигнала ЭЭГ
Энтропия сигнала — это показатель, который служит своеобразным отпечатком индивидуальности.Ученые разработали универсальную математическую функцию, которая позволяет определить наиболее подходящий метод расчета энтропии. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Mathematics.«Созданная на языке программирования Python программа по оценке эффективности энтропий позволит не только выявить нестандартные сигналы на энцефалограммах, но также будет полезна для создания нового интерфейса «мозг-компьютер», который активно развивается для анализа биологических сигналов нашего организма. Наша дальнейшая цель — усовершенствовать методы классификации сигналов с помощью энтропийных функций и нейронных сетей, в том числе нейронных сетей различных типов: от простейшей компьютерной модели до более сложных вариантов», — рассказывает руководитель проекта, Андрей Величко, кандидат физико-математических наук, заведующий учебно-научной лабораторией по разработке электронной компонентной базы на основе микро- и наноструктур Петрозаводского государственного университета.Конехеро, Дж.А.; Величко А.; Гарибо-и-Ортс, Т.; Изотов Ю.; Фам, В.-Т. Исследование основанной на энтропии классификации временных рядов с использованием графиков видимости из хаотических карт. Математика 2024, 12, 938. https://doi.org/10.3390/math12070938 -
Устройства "чтения мыслей" раскрывают тайны мозга
Имплантаты и другие технологии, декодирующие нейронную активность, могут восстановить способность людей двигаться и говорить, а также помочь исследователям понять, как работает мозг.