Что сделали исследователи

Главное достижение — создание замкнутой системы, которая не просто посылала фиксированный сигнал в мозг, а училась на его собственных реакциях и подстраивала выходной сигнал в реальном времени. В эксперименте участвовал 27-летний мужчина, потерявший зрение из-за черепно-мозговой травмы. На шесть месяцев ему имплантировали в зрительную кору матрицу из 96 электродов, что позволяло одновременно стимулировать участки коры и записывать их активность. Операции проводились в больнице IMED Elche (Испания) .

Разработанные ИИ паттерны воспроизводили целевые паттерны мозговой активности точнее и требовали меньшего электрического тока по сравнению с контрольными методами — это означает, что будущие устройства могут быть безопаснее и работать дольше без подзарядки .

Как работала нейросеть

Нейронную сеть сначала обучили предсказывать, как зрительная кора участника отреагирует на разные комбинации стимулирующих параметров. Важно, что модель учитывала не только то, какие электроды задействованы и с какой силой на них подаётся ток, — она также принимала в расчёт фоновую активность мозга непосредственно перед каждым стимулом .

После обучения модель использовали в обратном направлении: вместо простого прогноза она искала такие настройки стимуляции, которые с наибольшей вероятностью приведут к желаемому паттерну нейронной активности. Это классический подход замкнутого управления на основе модели . Вместо того чтобы применять одну и ту же «формулу» стимуляции для всех случаев, система непрерывно подстраивала свои сигналы под текущее состояние мозга.

Почему реакция мозга важнее сигнала стимулятора

Самый важный результат исследования: записанная нейронная активность оказалась более точным предиктором того, что на самом деле видел участник (фосфены — вспышки, формы, цвета), чем просто параметры стимуляции . Иными словами, знание того, какие электроды были включены и какой ток на них подавался, не позволяло однозначно предсказать зрительный опыт человека. Чтобы надёжно предсказать восприятие, нужно было измерить и интерпретировать ответ самого мозга .

Этот результат подчёркивает фундаментальный вызов нейропротезирования: сигнал, посылаемый в мозг, не полностью определяет восприятие, которое из этого сигнала рождается . Мозг — не пассивный приёмник; его состояние в каждый конкретный момент активно формирует то, что мы видим.

Путь к персонализированным зрительным протезам

Предложенный подход указывает на новое поколение адаптивных, персонализированных зрительных протезов, которые непрерывно изучают нейродинамику каждого пользователя и подстраивают стимуляцию в реальном времени . Ключевые последствия:

• Динамическая перенастройка: система может адаптироваться при изменении базового состояния мозга, решая главную проблему надёжности, с которой сталкивались старые импланты с фиксированными протоколами .
• Меньше энергии и побочных эффектов: ИИ-паттерны достигают целей при меньшем токе — будущие устройства могут быть безопаснее и работать дольше на одной зарядке .
• Персонализация: ведущий исследователь Майкл Бейлер заявил: «Полезный зрительный протез не может полагаться на фиксированный рецепт. В конечном счёте устройство должно адаптироваться к человеку, а не наоборот» .
• Клиническая перспектива: последующие фазы испанского исследования направлены на то, чтобы превратить эти кортикальные протезы из экспериментальных прототипов в реальные клинические методы лечения слепоты, вызванной инсультом, нейродегенеративными заболеваниями или травмами .

Хотя в исследовании участвовал только один человек, оно демонстрирует фундаментальный принцип, который может изменить подход к проектированию бионического зрения — от статичных стимуляторов к интеллектуальным, обучающимся интерфейсам, работающим в согласии с естественной динамикой мозга.

Что сделали исследователи

Главное достижение — создание замкнутой системы, которая не просто посылала фиксированный сигнал в мозг, а училась на его собственных реакциях и подстраивала выходной сигнал в реальном времени. В эксперименте участвовал 27-летний мужчина, потерявший зрение из-за черепно-мозговой травмы. На шесть месяцев ему имплантировали в зрительную кору матрицу из 96 электродов, что позволяло одновременно стимулировать участки коры и записывать их активность. Операции проводились в больнице IMED Elche (Испания) .

Разработанные ИИ паттерны воспроизводили целевые паттерны мозговой активности точнее и требовали меньшего электрического тока по сравнению с контрольными методами — это означает, что будущие устройства могут быть безопаснее и работать дольше без подзарядки .

Как работала нейросеть

Нейронную сеть сначала обучили предсказывать, как зрительная кора участника отреагирует на разные комбинации стимулирующих параметров. Важно, что модель учитывала не только то, какие электроды задействованы и с какой силой на них подаётся ток, — она также принимала в расчёт фоновую активность мозга непосредственно перед каждым стимулом .

После обучения модель использовали в обратном направлении: вместо простого прогноза она искала такие настройки стимуляции, которые с наибольшей вероятностью приведут к желаемому паттерну нейронной активности. Это классический подход замкнутого управления на основе модели . Вместо того чтобы применять одну и ту же «формулу» стимуляции для всех случаев, система непрерывно подстраивала свои сигналы под текущее состояние мозга.

Почему реакция мозга важнее сигнала стимулятора

Самый важный результат исследования: записанная нейронная активность оказалась более точным предиктором того, что на самом деле видел участник (фосфены — вспышки, формы, цвета), чем просто параметры стимуляции . Иными словами, знание того, какие электроды были включены и какой ток на них подавался, не позволяло однозначно предсказать зрительный опыт человека. Чтобы надёжно предсказать восприятие, нужно было измерить и интерпретировать ответ самого мозга .

Этот результат подчёркивает фундаментальный вызов нейропротезирования: сигнал, посылаемый в мозг, не полностью определяет восприятие, которое из этого сигнала рождается . Мозг — не пассивный приёмник; его состояние в каждый конкретный момент активно формирует то, что мы видим.

Путь к персонализированным зрительным протезам

Предложенный подход указывает на новое поколение адаптивных, персонализированных зрительных протезов, которые непрерывно изучают нейродинамику каждого пользователя и подстраивают стимуляцию в реальном времени . Ключевые последствия:

• Динамическая перенастройка: система может адаптироваться при изменении базового состояния мозга, решая главную проблему надёжности, с которой сталкивались старые импланты с фиксированными протоколами .
• Меньше энергии и побочных эффектов: ИИ-паттерны достигают целей при меньшем токе — будущие устройства могут быть безопаснее и работать дольше на одной зарядке .
• Персонализация: ведущий исследователь Майкл Бейлер заявил: «Полезный зрительный протез не может полагаться на фиксированный рецепт. В конечном счёте устройство должно адаптироваться к человеку, а не наоборот» .
• Клиническая перспектива: последующие фазы испанского исследования направлены на то, чтобы превратить эти кортикальные протезы из экспериментальных прототипов в реальные клинические методы лечения слепоты, вызванной инсультом, нейродегенеративными заболеваниями или травмами .

Хотя в исследовании участвовал только один человек, оно демонстрирует фундаментальный принцип, который может изменить подход к проектированию бионического зрения — от статичных стимуляторов к интеллектуальным, обучающимся интерфейсам, работающим в согласии с естественной динамикой мозга.