De met onze hersenen te besturen in de

De invloeden van Brain-computer interfaces op onze toekomst

Stefan Zwerver (s4435818)

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

Essaybegeleider: L.P.M. Lamers

Datum: 8-01-2018

 

 

Abstract

Wordt geschreven nadat het essay af is

 

Introductie

     De hersenen spelen al een erg belangrijke
rol in ons leven. Het is dat wat ons aanstuurt, de rest van het lichaam is maar
het gereedschap.

Hier moet meer tussen

De
hersenen zijn alleen altijd al begrensd geweest door de mogelijkheden die ons
lichaam kan bieden en deze capaciteiten maken vrijwel nooit een grote
verandering mee. Sleutelen aan het lichaam blijkt tot nu toe een lastige taak
te zijn. Momenteel bestaan er al protheses die bijvoorbeeld signalen uit de
spieren in onze armen kunnen aflezen en hierdoor bestuurd kunnen worden (Farina
and others 2014). Bionische protheses die we direct met onze hersenen kunnen
aansturen, dus direct verbonden zijn aan bijvoorbeeld zenuwen in de arm
beginnen vrij recent van de grond te komen (Ortiz-Catalan and others 2014). Een
groter iets met een ander doel die in de nabije toekomst in ons bereik gaat
vallen is de mogelijkheid om machine, naast ons lichaam, met onze hersenen te
besturen in de vorm van een brain-computer interface (Khan and Hong 2017). Brain-computer
interface (BCI) is een technologie waarbij de activiteit of signalen van de
hersenen worden afgelezen, worden omgezet tot iets wat door computers verwerkt
kan worden en daarna vertaald wordt naar een actie (Yuan and He 2014). Deze
actie kan bijvoorbeeld een piepje zijn uit een speaker, maar kan ook zo complex
zijn als een cursor bewegen op een computerscherm afhankelijk van welke methode
wordt gebruikt voor het aflezen van de hersenactiviteit en de precisie van de
apparatuur die gebruikt wordt. In de nabije toekomst wanneer de apparatuur
waarmee we onze hersenen aflezen preciezer wordt en het makkelijker wordt om
veel verschillende signalen van de hersenen beter van elkaar te onderscheiden
zullen de mogelijkheden flink in complexiteit toenemen. Denk hierbij niet
alleen aan protheses die een hand kunnen vervangen, maar ook aan volledige
machines of robots die van een afstand bestuurd kunnen worden. Een commerciëler
doeleinde hiervan zou kunnen zijn het gebruik van computer-brain interfaces in entertainment,
zoals bijvoorbeeld virtual reality. Hiermee zouden we de mogelijkheid kunnen
krijgen om vrij rond te lopen in een gesimuleerde wereld alsof het ons eigen
lichaam is en hier te kunnen doen wat in de normale wereld door natuurwetten
wordt begrensd.

Technieken voor het creëren van een BCI

     Er zijn meerdere technieken die het
mogelijk maken om de hersenen af te lezen, elk met zijn voor en nadelen. De
methodes die het meest gebruikt worden voor het registreren van
hersenactiviteit zijn non-invasief, hierbij kan de apparatuur buiten het hoofd
zijn metingen doen. Hieronder staan een aantal methoden voor non-invasieve
manieren om de hersenen te meten benoemd en beschreven. Daarnaast worden kort
een aantal voor en nadelen benoemd.

 

 

 

Elektro-encefalografie (EEG)

     EEG is meer dan een halve eeuw geleden
ontwikkeld en is hiermee de oudste methode voor het non-invasief weergeven van
het menselijk brein (Thibault and others 2016). De apparatuur voor EEG bestaat
uit een enkele electrode of een hem met meerdere electroden. De manier hoe deze
methode hersenactiviteit meet is door het extracellulaire elektrisch potentiaal
die geassocieerd wordt met hersenactiviteit af te lezen (Yuan and He 2014). Dit
potentiaal wordt gegenereerd door piramidale cellen die loodrecht op de schedel
staan, hiermee is het een methode die alleen aan het oppervlak van de hersenen
kan meten. EEG is gevoelig voor storingen in het signaal door
elektromyografische (EMG) signalen, dit zijn signalen die afgegeven worden door
spieren wanneer deze geactiveerd worden (Leuthardt and others 2006). Dit maakt
de methode, als het op zichzelf wordt gebruikt, niet erg nuttig voor accurate
BCI’s. Deze methode heeft as voordelen wel dat het makkelijk te vervoeren is en
door zijn relatief lage prijs (500 tot 50.000 dollar) erg toegankelijk is.

Real-time
functional magnetic resonance imaging (rtfMRI)

     Deze
variant is gebaseerd op fMRI. Het is een non-invasieve methode voor het
moduleren van hersenactiviteit. rtfMRI biedt een manier om Blood Oxygen
level-dependant (BOLD) fMRI data te verzamelen, welk indirect gerelateerd is
aan hersenactiviteit, te verwerken en weer te geven. Doordat deze methode snel
beeld kan geven van de hersenactiviteit, geeft dit het geteste individu de
mogelijkheid om zijn hersenactiviteit in real-time waar te nemen, dus met erg
weinig vertraging. Hierdoor kan het individu makkelijker zijn eigen
hersenactiviteit sturen en dus de relevante delen beter beïnvloeden (Thibault
and others 2016). Andere voordelen van deze methode zijn de precisie waarmee
hersenactiviteit weergegeven kan worden, dit kan in vakjes van 3mm bij 3mm. De
feedback delay van deze methode is vanaf het meten van de zuurstofafgifte van
het bloed tot weergave op het scherm ongeveer 1,5 seconde. Om daaruit het
moment van de hersenactiviteit te bepalen moet hier nog 4 tot 6 seconde bij op
worden gedaan doordat de afgifte van zuurstof door het bloed ook tijd nodig
heeft. Een voordeel van deze methode is dat de activiteit diep in de hersenen
afgelezen kan worden en dat dus elke 3 bij 3mm van de hersenen kan worden
afgebeeld. De benodigde apparatuur, vooral de MRI-scanner, is wel te groot om
gemakkelijk te kunnen transporteren.

Near-infrared
spectroscopy (NIRS)

     NIRS en hieruit afgeleide functionele NIRS
(fNIRS) is een methode van weergeven van hersenactiviteit die vrij recentelijk
is ontwikkeld (Thibault and others 2016). Deze methode bestaat uit een soort
helm met rond de 50 sensoren die op het hoofd kan worden geplaatst en de
concentratie van zuurstofarm bloed in de hersenen meet. Deze methode is
vergelijkbaar met MRI aangezien ze beide gebruikmaken van hetzelfde mechanisme
om de hersenactiviteit te meten, maar beide methodes hebben hun eigen voor- en
nadelen. Een nadeel van fNIRS is de diepte waarop de apparatuur kan meten in de
hersenen. NIRS kan alleen zijn metingen uitvoeren op hersengebieden aan het
oppervlak van de hersenen, terwijl MRI over het hele brein kan meten.

     Nog een voordeel is dat de vertraging die
deze methode heeft korter is dan die van MRI. De vertraging van deze methode is
ongeveer een halve seconde. Hier komt natuurlijk wel de 4 tot 6 seconde
vertraging voor de zuurstofafgifte van het bloed bij. De apparatuur voor deze
methode is makkelijk te transporteren en neemt weinig ruimte in beslag. Dit is
onder andere relevant voor de mobiliteit van het gemeten individu waardoor het
individu zijn hersenactiviteit makkelijker kan volgen op een scherm en
gemakkelijk bewegingen en/ of acties kan uitvoeren die gemeten kunnen worden.
Het individu kan bijvoorbeeld rondlopen terwijl de meting loopt of naast de
meting acties uitvoeren met een andere invoermethode. De apparatuur voor fNIRS
kost ook maar een fractie van wat de apparatuur van fMRI kost (50.000-300.000
dollar voor fNIRS ten opzichte van 500.000-2.000.000 dollar voor fMRI, waar nog
elektriciteitskosten van 500 dollar per uur bovenop komt) waardoor het
makkelijker is voor onderzoekers om deze apparatuur te financieren. Er is nog
vrij weinig aan literatuur te vinden over fNIRS, maar er is veel onderzoek aan
de gang voor deze veelbelovende methode waardoor te verwachten is dat de
hoeveelheid literatuur in de nabije toekomst flink gaat toenemen. (Thibault and
others 2016)

 

Magneto encefalografie (MEG)

     MEG is een methode die wordt gebruikt om
de amplitude van magnetische signalen die worden uitgestraald door de hersenen
te meten (Thibault and others 2016). Deze methode kan zowel hersengebieden aan
het oppervlak als hersengebieden die dieper liggen aflezen. Net als bij een
MRI-scanner moet het individu in een magnetisch afgeschermde ruimte de metingen
ondergaan. Het apparaat bestaat uit een grote helm waar het individu zijn hoofd
in zet. Het apparaat bestaat uit honderden sensoren die kleine veranderingen in
het magnetisch veld kunnen detecteren.

     Deze methode heeft als nadeel wel dat het
net als MRI grote apparatuur nodig heeft welk moeilijk toegankelijk is en
vooral in grotere onderzoekscentra en ziekenhuizen te vinden is. Geteste
individuen zitten met hun hoofd vast in het apparaat waardoor ze weinig
bewegingsvrijheid hebben, maar ze hebben wel hun handen vrij en kunnen hierdoor
alsnog gemakkelijk acties uitvoeren, zolang deze niet verstoord worden of
verstorend werken op de MEG-scanner. Deze methode is vrij duur, de prijs voor
aanschaf van de apparaten ligt rond de 2.000.000 dollar, dat is exclusief de
kosten voor de elektriciteit van 500 dollar per uur dat het apparaat aan staat.
Net als bij fNIRS is er nog vrij weinig literatuur te vinden specifiek over
fNIRS, maar er is toenemende interesse naar deze methode van, dus literatuur
zal snel volgen. Vergeleken met andere methodes hebben MEG en fNIRS het hoogste
potentieel om toegepast te worden voor BCI’s, dit voornamelijk door hun kleine
vertraging (minder dan 50ms bij MEG en ongeveer 0,5s bij fNIRS). MEG heeft het
voordeel dat het veel preciezer zijn metingen kan uitvoeren vergeleken met
fNIRS (geldt ook voor EEG). Een ander groot voordeel wat MEG heeft ten opzichte
van andere methodes is de precisie waarmee het zijn metingen kan uitvoeren en
zijn hoge signal-to-noise ratio. Deze methode kan tijdens het meten onderscheid
maken tussen stukken van 10mm bij 10mm. Deze methode kan activiteit diep in de
hersenen meten, maar de kwaliteit van de metingen gaat bij dieper liggende
hersengebieden achteruit. Het meten van dieper liggende hersengebieden is
momenteel wel minder relevant voor BCI’s, maar dit kan, als er in de toekomst
een wens is naar preciezere apparatuur een begrenzende factor zijn.

     De apparatuur waarmee wordt gemeten kunnen
ook in het lichaam worden ingebracht, deze zijn invasief. Hierbij wordt de
apparatuur in het hoofd direct aan de hersenen verbonden, dit kan aan het
oppervlak zijn of een gebied van interesse dieper in de hersenen. Het voordeel
dat dit met zich meebrengt is dat deze invasieve methodes beter zijn in het
onderscheiden van verschillende signalen vergeleken met non-invasieve methodes
(Bensmaia and Miller 2014). De nadelen die dit met zich meebrengt is de
toegankelijkheid van het implantaat. Als de implantaat niet meer optimaal
functioneert of misplaatst is moet om deze te laten verwijderen een operatie
uitgevoerd worden, waarbij hoogstwaarschijnlijk in de schedel wordt geboord of
deze geopend wordt, wat voor enig discomfort kan zorgen. Daarnaast kunnen er
infecties ontstaan, welk in de hersenen al gauw een groot risico kunnen vormen.
Hieronder staan een aantal methoden van invasieve technieken voor het meten aan
de hersenen benoemd en beschreven. Daarnaast worden kort een aantal voor en
nadelen benoemd.

 

Elektrocorticografie (ECoG)

     ECoG is een alternatieve methode voor BCI
welk functioneert door elektrodes invasief op het hersenoppervlak te plaatsen
op gebieden van interesse (Leuthardt and others 2006). ECoG heeft een hoge
ruimtelijke resolutie, wat betekent dat een electrode signalen kan opvangt in
van een kleinere hoeveelheid hersencellen vergeleken met conventionelere
methodes zoals EEG. Daarnaast is ECoG een stuk minder gevoelig voor
interferentie van EMG-signalen.

Meer diepgang nodig

Toepassingen van verschillende technieken

Hybrid EEG-fNIRS

     Het nadeel van EEG op zichzelf is dat de
kwaliteit van het signaal omlaag gaat bij het uitvoeren van actieve taken (Khan
and Hong 2017). Een manier om te compenseren voor deze vermindering in
kwaliteit is door een hybride BCI te creëren, welk een combinatie is van twee
verschillende manieren van het meten van hersenactiviteit. De EEG-fNIRS-based
Hybrid BCI blijkt de beste combinatie te zijn voor actieve tests, dit doordat
deze combinatie de classificatie accuratie (dit is de mate waarin de apparatuur
verschillende signalen die sterk overeenkomen van elkaar kan onderscheiden)
verhoogd en een toename in commando’s toestaat. De toename in de mate waarop
verschillende signalen van elkaar kunnen worden onderscheiden wordt behaald
door tegelijk met zowel EEG als fNIRS de hersenactiviteit te meten en deze
metingen met elkaar te combineren. Het vergrootte aantal commando’s die door de
apparatuur gemeten kan worden wordt behaald door weer tegelijk met zowel EEG
als fNIRS de hersenactiviteit te meten maar met de apparatuur verschillende
hersengebieden af te meten. De kwaliteit van de metingen wordt hierdoor wel
weer begrensd wanneer actieve tests worden uitgevoerd.

     In een onderzoek uit begin 2017 (Khan and
Hong 2017) is door gebruik te maken van Hybrid EEG-fNIRS het mogelijk gemaakt
om een quadcopter, dit is een soort helikopter met vier rotoren, door middel
van een Hybrid EEG-fNIRS BCI. Dit hebben ze mogelijk gemaakt doordat ze met
deze methode tijdens een actieve test acht verschillende signalen uit de
frontale en prefrontale cortex van elkaar hebben kunnen onderscheiden. Deze
signalen hebben elk een vaste actie aan hen gekoppeld gekregen die de
quadcopter dan uitvoert. Deze signalen werden in dit experiment opgewekt door vier
taken die werden uitgevoerd (deze zijn hoofdrekenen, aftellen in je hoofd,
woordformatie en “mental rotation”, dit is het in je hoofd bewegen en/of
draaien van tweedimensionale of driedimensionale objecten) en 4 oogbewegingen
(verticaal, horizontaal, twee keer knipperen en 3 keer knipperen). Dit signaal
werd gedecodeerd door gebruik van EEG. Classificatie van deze signalen werd
gedaan door gebruik te maken van fNIRS. Deze signalen werden gebruikt voor het
aansturen van de quadcopter, 6 signalen voor het bewegen van de quadcopter en 2
signalen om het aan en uit te zetten. De classificatie van deze signalen werd
door fNIRS in 76,5% van de gevallen correct uitgevoerd. Het meten van de
signaalpieken en de hoeveelheid pieken werd door EEG in 86% van de gevallen
correct uitgevoerd. Dit is het eerste onderzoek die door middel van Hybrid
EEG-fNIRS het mogelijk heeft gemaakt om 8 verschillende signalen van elkaar te
onderscheiden en hier met hoge accuratie een machine mee te besturen (Khan and
Hong 2017). Hiermee heeft dit onderzoek een belangrijk begin gemaakt voor
verder onderzoek om dit accurater en op grotere schaal, denk hierbij aan
grotere voertuigen of machines, uit te voeren.

 

Uitbreiden met meer voorbeelden

Welke toepassingen zullen er in de toekomst mogelijk zijn
(conclusie/discussie)

 

Wordt aan gewerkt

 

 

 

 

Literatuur

 

Bensmaia
SJ, Miller LE. 2014. Restoring sensorimotor function through intracortical
interfaces: progress and looming challenges. Nat Rev Neurosci 15(5):313-25.

 

Farina
D, Jiang N, Rehbaum H, Holobar A, Graimann B, Dietl H, Aszmann OC. 2014. The
extraction of neural information from the surface EMG for the control of
upper-limb prostheses: emerging avenues and challenges. IEEE Trans Neural Syst
Rehabil Eng 22(4):797-809.

 

Khan
MJ, Hong KS. 2017. Hybrid EEG-fNIRS-Based Eight-Command Decoding for BCI:
Application to Quadcopter Control. Front Neurorobot 11:6.

 

Leuthardt
EC, Miller KJ, Schalk G, Rao RPN, Ojemann JG. 2006. Electrocorticography-based
brain computer interface – The Seattle experience. Ieee Transactions on Neural
Systems and Rehabilitation Engineering 14(2):194-198.

 

Ortiz-Catalan
M, Hakansson B, Branemark R. 2014. An osseointegrated human-machine gateway for
long-term sensory feedback and motor control of artificial limbs. Sci Transl
Med 6(257):257re6.

 

Thibault
RT, Lifshitz M, Raz A. 2016. The self-regulating brain and neurofeedback:
Experimental science and clinical promise. Cortex 74:247-61.

 

Yuan H, He B. 2014. Brain-computer interfaces using sensorimotor
rhythms: current state and future perspectives. IEEE Trans Biomed Eng
61(5):1425-35.

Referenten over potentiele toekomstige toepassingen

Referent die verdiept op ECoG

Referent die meer toepassingen van BCI biedt