Hva forskerne oppnådde

Kjernefunnet var et lukket sløyfesystem som ikke bare stimulerte hjernen med et fast mønster, men som lærte av hjernens egne responser og justerte utgangen i sanntid. Studien involverte en 27 år gammel mann som mistet synet på grunn av en traumatisk hjerneskade. Han fikk et midlertidig 96-kanals elektrodearray implantert i synsbarken i seks måneder ved Hospital IMED Elche i Spania, noe som gjorde det mulig for teamet å både stimulere og registrere signaler fra hjernen samtidig .

Med dette oppsettet reproduserte de AI-designede mønstrene målrettet hjerneaktivitet mer nøyaktig og brukte mindre elektrisk strøm enn sammenlignbare metoder. Dette kan redusere bivirkninger og strømforbruk i fremtidige enheter .

Slik fungerte dyplæringsmodellen

Det dype nevrale nettverket ble trent til å forutsi hvordan deltakerens synsbark ville reagere på ulike kombinasjoner av stimuleringsparametere. Kritisk nok tok modellen hensyn til mer enn bare hvilke elektroder som ble aktivert og med hvilken strømstyrke – den inkluderte også hjernens hvileaktivitet rett før hver stimulering .

Etter trening ble modellen brukt motsatt vei: i stedet for bare å forutsi utfall, søkte den etter stimuleringsinnstillingene som mest sannsynlig ville produsere et ønsket mønster av nevral aktivitet. Dette kalles en lukket sløyfe, modellbasert kontrolltilnærming . I stedet for en standardisert stimuleringsoppskrift, tilpasset systemet kontinuerlig utgangen basert på hjernens nåværende tilstand.

Hjernens respons vs. stimuleringssignalet alene

Studiens viktigste funn er at registrert nevral aktivitet var en mer nøyaktig prediktor for hva deltakeren faktisk oppfattet (fosfener – lysglimt, former og farger) enn stimuleringsinnstillingene alene . Dette betyr at det å vite hvilke elektroder som ble aktivert og hvor mye strøm som ble levert, ikke fullt ut bestemte den visuelle opplevelsen. Hjernens egen respons måtte måles og tolkes for å pålitelig forutsi persepsjon.

Dette resultatet belyser en grunnleggende utfordring innen nevroproteseteknologi: signalet som sendes inn i hjernen, bestemmer ikke fullt ut persepsjonen som fremkommer . Hjernen er ikke en passiv mottaker; dens tilstand fra øyeblikk til øyeblikk former aktivt det vi ser.

Veien videre mot personlige synsproteser

Rammeverket peker mot en ny generasjon adaptive, personlige synsproteser som kontinuerlig lærer hver enkelt brukers nevrale dynamikk og justerer stimuleringen i sanntid . Viktige implikasjoner inkluderer:

• Dynamisk omkalibrering: Systemet kan tilpasse seg etter hvert som hjernens grunntilstand svinger, og løser en stor pålitelighetsutfordring som har plaget tidligere implantater med faste protokoller .
• Lavere strømforbruk og færre bivirkninger: Fordi AI-designet mønstre nådde sine mål med mindre elektrisk strøm, kan fremtidige enheter bli sikrere og gå lenger på ett batteri .
• Personlig tilpasning: Hovedforsker Michael Beyeler uttalte: «En nyttig synsprotese kan ikke stole på en fast oppskrift. Til syvende og sist må enheten tilpasse seg personen, ikke omvendt.»
• Klinisk vei: De neste fasene av den spanske utprøvingen tar sikte på å flytte disse kortikale protesene fra eksperimentelle prototyper til levedyktige kliniske behandlinger for blindhet forårsaket av hjerneslag, nevrodegenerativ sykdom eller traumer .

Selv om studien bare involverte én deltaker, demonstrerer den et grunnleggende prinsipp som kan endre måten bioniske synssystemer designes på – fra statiske stimulatorer til intelligente, lærende grensesnitt som samarbeider med hjernens naturlige dynamikk.

Hva forskerne oppnådde

Kjernefunnet var et lukket sløyfesystem som ikke bare stimulerte hjernen med et fast mønster, men som lærte av hjernens egne responser og justerte utgangen i sanntid. Studien involverte en 27 år gammel mann som mistet synet på grunn av en traumatisk hjerneskade. Han fikk et midlertidig 96-kanals elektrodearray implantert i synsbarken i seks måneder ved Hospital IMED Elche i Spania, noe som gjorde det mulig for teamet å både stimulere og registrere signaler fra hjernen samtidig .

Med dette oppsettet reproduserte de AI-designede mønstrene målrettet hjerneaktivitet mer nøyaktig og brukte mindre elektrisk strøm enn sammenlignbare metoder. Dette kan redusere bivirkninger og strømforbruk i fremtidige enheter .

Slik fungerte dyplæringsmodellen

Det dype nevrale nettverket ble trent til å forutsi hvordan deltakerens synsbark ville reagere på ulike kombinasjoner av stimuleringsparametere. Kritisk nok tok modellen hensyn til mer enn bare hvilke elektroder som ble aktivert og med hvilken strømstyrke – den inkluderte også hjernens hvileaktivitet rett før hver stimulering .

Etter trening ble modellen brukt motsatt vei: i stedet for bare å forutsi utfall, søkte den etter stimuleringsinnstillingene som mest sannsynlig ville produsere et ønsket mønster av nevral aktivitet. Dette kalles en lukket sløyfe, modellbasert kontrolltilnærming . I stedet for en standardisert stimuleringsoppskrift, tilpasset systemet kontinuerlig utgangen basert på hjernens nåværende tilstand.

Hjernens respons vs. stimuleringssignalet alene

Studiens viktigste funn er at registrert nevral aktivitet var en mer nøyaktig prediktor for hva deltakeren faktisk oppfattet (fosfener – lysglimt, former og farger) enn stimuleringsinnstillingene alene . Dette betyr at det å vite hvilke elektroder som ble aktivert og hvor mye strøm som ble levert, ikke fullt ut bestemte den visuelle opplevelsen. Hjernens egen respons måtte måles og tolkes for å pålitelig forutsi persepsjon.

Dette resultatet belyser en grunnleggende utfordring innen nevroproteseteknologi: signalet som sendes inn i hjernen, bestemmer ikke fullt ut persepsjonen som fremkommer . Hjernen er ikke en passiv mottaker; dens tilstand fra øyeblikk til øyeblikk former aktivt det vi ser.

Veien videre mot personlige synsproteser

Rammeverket peker mot en ny generasjon adaptive, personlige synsproteser som kontinuerlig lærer hver enkelt brukers nevrale dynamikk og justerer stimuleringen i sanntid . Viktige implikasjoner inkluderer:

• Dynamisk omkalibrering: Systemet kan tilpasse seg etter hvert som hjernens grunntilstand svinger, og løser en stor pålitelighetsutfordring som har plaget tidligere implantater med faste protokoller .
• Lavere strømforbruk og færre bivirkninger: Fordi AI-designet mønstre nådde sine mål med mindre elektrisk strøm, kan fremtidige enheter bli sikrere og gå lenger på ett batteri .
• Personlig tilpasning: Hovedforsker Michael Beyeler uttalte: «En nyttig synsprotese kan ikke stole på en fast oppskrift. Til syvende og sist må enheten tilpasse seg personen, ikke omvendt.»
• Klinisk vei: De neste fasene av den spanske utprøvingen tar sikte på å flytte disse kortikale protesene fra eksperimentelle prototyper til levedyktige kliniske behandlinger for blindhet forårsaket av hjerneslag, nevrodegenerativ sykdom eller traumer .

Selv om studien bare involverte én deltaker, demonstrerer den et grunnleggende prinsipp som kan endre måten bioniske synssystemer designes på – fra statiske stimulatorer til intelligente, lærende grensesnitt som samarbeider med hjernens naturlige dynamikk.