Wissenschaftler der EPFL haben eine fortschrittliche, miniaturisierte Gehirn-Maschine-Schnittstelle der nächsten Generation entwickelt, die mithilfe von sehr kleinen Siliziumchips Gedanken direkt in Text umwandeln kann.
Brain-Machine-Interfaces (BMIs) haben sich als vielversprechende Lösung zur Wiederherstellung von Kommunikation und Kontrolle bei Menschen mit schweren motorischen Behinderungen erwiesen. Traditionell sind diese Systeme sperrig, energieintensiv und in ihrer praktischen Anwendung eingeschränkt. Forscher der EPFL haben die erste miniaturisierte Gehirn-Maschine-Schnittstelle (oder miniature brain-machine interface auf Englisch), genannt MiBMI, mit hoher Leistung entwickelt, die eine extrem kleine, energiesparende, hochpräzise und vielseitige Lösung bietet. MiBMI, das in der neuesten Ausgabe des IEEE Journal of Solid-State Circuits veröffentlicht und auf der International Solid-State Circuits Conference vorgestellt wurde, verbessert nicht nur die Effizienz und Skalierbarkeit von ICMs, sondern ebnet auch den Weg für praktische, vollständig implantierbare Geräte. Diese Technologie könnte die Lebensqualität von Patienten mit Krankheiten wie amyotropher Lateralsklerose (ALS) und Rückenmarksverletzungen erheblich verbessern.
Dieser Fortschritt bringt uns praktischen und implantierbaren Lösungen einen Schritt näher.
Mahsa Shoaran
Die geringe Größe und der niedrige Energieverbrauch von MiBMI sind Schlüsselmerkmale, die das System für implantierbare Anwendungen geeignet machen. Sein minimalinvasiver Charakter garantiert eine sichere und praktische Anwendung in der klinischen Umgebung und im realen Leben. Es handelt sich außerdem um ein vollständig integriertes System, d. h. die Aufzeichnung und Verarbeitung erfolgt auf zwei extrem kleinen Chips mit einer Gesamtfläche von 8 mm2. Es handelt sich um das neueste Mitglied einer neuen Klasse von stromsparenden ICM-Geräten, die von Mahsa Shoarans Labor für integrierte Neurotechnologien an den Instituten IEM und Neuro X der EPFL entwickelt wurden.
"Mit MiBMI können wir komplexe neuronale Aktivität mit hoher Präzision und geringem Energieverbrauch in lesbaren Text umwandeln. Dieser Fortschritt bringt uns praktischen, implantierbaren Lösungen näher, die die Kommunikationsfähigkeit von Menschen mit schweren motorischen Behinderungen erheblich verbessern könnten", erklärt Shoaran.
Die Umwandlung von Gehirnaktivitäten in lesbaren Text beinhaltet die Entschlüsselung der neuronalen Signale, die erzeugt werden, wenn sich eine Person vorstellt, Buchstaben oder Wörter zu schreiben. Bei diesem Prozess zeichnen im Gehirn implantierte Elektroden die neuronale Aktivität auf, die mit den motorischen Aktionen des Schreibens verbunden ist. Der MiBMI-Chip verarbeitet diese Signale dann in Echtzeit und übersetzt die vom Gehirn gewollten Handbewegungen in den entsprechenden digitalen Text. Diese Technologie ermöglicht es Menschen, insbesondere solchen mit dem Locked-in-Syndrom und anderen schweren motorischen Behinderungen, zu kommunizieren, indem sie einfach nur ans Schreiben denken, wobei die Schnittstelle ihre Gedanken in Text umwandelt, der auf einem Bildschirm lesbar ist.
MiBMI wandelt handschriftliche Schreibaktivitäten mit einer beeindruckenden Genauigkeit von 91 % in Text um.
Mohammed Ali Shaeri
"Obwohl der Chip noch nicht in einen funktionierenden ICM integriert wurde, verarbeitete er Daten aus früheren Live-Aufnahmen, wie z. B. aus dem Shenoy-Labor in Stanford, und wandelte die handschriftliche Schreibaktivität mit einer beeindruckenden Genauigkeit von 91 % in Text um", erklärt Mohammed Ali Shaeri, Hauptautor der Studie. Der Chip kann derzeit bis zu 31 verschiedene Zeichen dekodieren, eine Leistung, die von anderen integrierten Systemen nicht erreicht wird. "Wir sind zuversichtlich, dass wir bis zu 100 Zeichen dekodieren können, aber wir haben noch keinen Handschrift-Datensatz mit mehr Zeichen", fügt Shaeri hinzu.
Aktuelle MiBMIs zeichnen Daten von im Gehirn implantierten Elektroden auf und senden diese Signale dann an einen separaten Computer, der die Decodierung übernimmt. Die MiBMI-Chips zeichnen nicht nur die Daten auf, sondern verarbeiten die Informationen auch in Echtzeit, indem sie ein neuronales Aufzeichnungssystem mit 192 Kanälen und einen neuronalen Decoder mit 512 Kanälen integrieren. Dieser neurotechnologische Durchbruch ist eine extreme Miniaturisierungsleistung, die das Fachwissen über integrierte Schaltkreise, neuronale Technik und künstliche Intelligenz vereint. Diese Innovation ist besonders interessant in der aufkommenden Ära der neurotechnologischen Startups im Bereich der MCI, in der Integration und Miniaturisierung Schlüsselelemente sind. Das MiBMI der EPFL bietet vielversprechende Perspektiven und Potenzial für die Zukunft dieses Bereichs.
Unser Ziel ist es, ein vielseitiges ICM zu entwickeln, das an verschiedene neurologische Störungen angepasst werden kann.
Mahsa Shoaran
Um die massive Menge an Informationen, die von den Elektroden des miniaturisierten ICM erfasst wurden, verarbeiten zu können, mussten die Forscher einen völlig anderen Ansatz zur Datenanalyse wählen. Sie fanden heraus, dass die Gehirnaktivität für jeden Buchstaben, wenn sich der Patient vorstellt, ihn mit der Hand zu schreiben, sehr spezifische Marker enthält, die die Forscher als distinktive neuronale Codes (DNC) bezeichneten. Anstatt Tausende von Bytes an Daten für jeden Buchstaben zu verarbeiten, muss der Mikrochip nur die CNDs verarbeiten, die aus etwa 100 Bytes bestehen. Dadurch ist das System schnell, präzise und energiesparend. Dieser Fortschritt ermöglicht auch schnellere Lernzeiten, wodurch die Nutzung des BMI einfacher und zugänglicher wird.
Die Zusammenarbeit mit anderen Teams der EPFL-Institute Neuro-X und IEM, wie den Labors von Gregoire Courtine, Silvestro Micera, Stéphanie Lacour und David Atienza, verspricht die nächste Generation von integrierten MMIB-Systemen zu schaffen. Shoaran, Shaeri und ihr Team erforschen verschiedene Anwendungen des MiBMI-Systems, die über die Handschrifterkennung hinausgehen. "Wir arbeiten mit anderen Forschungsgruppen zusammen, um das System in verschiedenen Kontexten zu testen, wie z. B. bei der Sprachdekodierung und der Bewegungssteuerung. Unser Ziel ist es, ein vielseitiges ICM zu entwickeln, das an verschiedene neurologische Störungen angepasst werden kann, um den Patienten ein breiteres Spektrum an Lösungen anbieten zu können", erklärt Shoaran.
Referenzen
M. A. Shaeri, U. Shin, A. Yadav, R. Caramellino, G. Rainer and M. Shoaran, "MiBMI: A 192/512-Channel 2.46mm² Miniaturized Brain-Machine Interface Chipset Enabling 31-Class Brain-to-Text Conversion Through Distinctive Neural Codes," 2024 IEEE International Solid-State Circuits Conference (ISSCC), San Francisco, CA, USA, 2024, pp. 546’548 , doi: 10.1109/ISSCC49657.2024.10454533 .
M. A. Shaeri, U. Shin, A. Yadav, R. Caramellino, G. Rainer, M. Shoaran, "A 2.46mm2 Miniaturized Brain-Machine Interface (MiBMI) Enabling 31-Class Brain-to-Text Decoding", in IEEE Journal of Solid-State Circuits (JSSC), 2024, doi: 10.1109/JSSC.2024.3443254 .
