Vad forskarna uppnådde

Den centrala prestationen var ett slutet kretsloppssystem som inte bara stimulerade hjärnan med ett fast mönster, utan som lärde sig från hjärnans egna svar och justerade sin output i realtid. Studien involverade en 27-årig man som förlorade synen på grund av en traumatisk hjärnskada. Han hade en elektrodmatris med 96 kanaler tillfälligt inplanterad i synbarken i sex månader på Hospital IMED Elche i Spanien, vilket gjorde det möjligt för teamet att både stimulera och registrera hjärnaktivitet samtidigt .

Med denna uppsättning reproducerade de AI-designade mönstren den önskade hjärnaktiviteten mer exakt och använde mindre elektrisk ström än jämförelsemetoderna – en upptäckt som skulle kunna minska sidoeffekter och strömförbrukning i framtida enheter .

Hur djupinlärningsmodellen fungerade

Det djupa neurala nätverket tränades för att förutsäga hur deltagarens synbark skulle reagera på olika kombinationer av stimuleringsparametrar. Avgörande var att modellen inte bara tog hänsyn till vilka elektroder som aktiverades och med vilken strömstyrka – den vägde också in hjärnans vilande aktivitet omedelbart före varje stimuleringshändelse .

När modellen var tränad användes den i omvänd ordning: istället för att bara förutsäga utfall, sökte den efter de stimuleringsinställningar som mest sannolikt skulle producera ett önskat mönster av neural aktivitet. Detta är känt som en sluten, modellbaserad kontrollmetod . Istället för att applicera ett standardrecept anpassade systemet kontinuerligt sin output baserat på hjärnans aktuella tillstånd.

Hjärnans respons vs. stimuleringssignalen

Studiens viktigaste resultat är att den registrerade neurala aktiviteten var en mer exakt prediktor för vad deltagaren faktiskt upplevde (fosfener – ljusblixtar, former och färger) än stimuleringsinställningarna i sig . Att veta vilka elektroder som aktiverades och hur mycket ström som levererades räckte alltså inte för att fullt ut bestämma den visuella upplevelsen. Hjärnans egen respons måste mätas och tolkas för att pålitligt kunna förutsäga perceptionen.

Detta resultat belyser en central utmaning inom neuroproteser: signalen som skickas till hjärnan bestämmer inte fullt ut den perception som uppstår . Hjärnan är ingen passiv mottagare – dess tillstånd från ögonblick till ögonblick formar aktivt vad vi ser.

Vägen mot personliga synproteser

Ramverket pekar mot en ny generation av adaptiva, personliga synproteser som kontinuerligt lär sig varje användares neurala dynamik och justerar stimuleringen i realtid . Viktiga implikationer:

• Dynamisk omkalibrering: Systemet kan anpassa sig när hjärnans bastillstånd fluktuerar, vilket åtgärdar en stor tillförlitlighetsutmaning som har plågat tidigare implantat med fasta protokoll .
• Mindre ström och färre sidoeffekter: Eftersom de AI-designade mönstren nådde sina mål med mindre elektrisk ström, kan framtida enheter bli säkrare och ha längre batteritid .
• Personlig anpassning: Huvudforskaren Michael Beyeler konstaterade: "En användbar synprotes kan inte förlita sig på ett fast recept. I slutändan måste enheten anpassa sig till personen, inte tvärtom."
• Klinisk utveckling: Efterföljande faser av den spanska genomförbarhetsstudien syftar till att flytta dessa kortikala proteser från experimentella prototyper till livskraftiga kliniska behandlingar för blindhet orsakad av stroke, neurodegenerativa sjukdomar eller trauma .

Även om studien endast involverade en enda deltagare, demonstrerar den en grundläggande princip som skulle kunna förändra hur bioniska synsystem designas – från statiska stimulatorer till intelligenta, lärande gränssnitt som samarbetar med hjärnans naturliga dynamik.

Vad forskarna uppnådde

Den centrala prestationen var ett slutet kretsloppssystem som inte bara stimulerade hjärnan med ett fast mönster, utan som lärde sig från hjärnans egna svar och justerade sin output i realtid. Studien involverade en 27-årig man som förlorade synen på grund av en traumatisk hjärnskada. Han hade en elektrodmatris med 96 kanaler tillfälligt inplanterad i synbarken i sex månader på Hospital IMED Elche i Spanien, vilket gjorde det möjligt för teamet att både stimulera och registrera hjärnaktivitet samtidigt .

Med denna uppsättning reproducerade de AI-designade mönstren den önskade hjärnaktiviteten mer exakt och använde mindre elektrisk ström än jämförelsemetoderna – en upptäckt som skulle kunna minska sidoeffekter och strömförbrukning i framtida enheter .

Hur djupinlärningsmodellen fungerade

Det djupa neurala nätverket tränades för att förutsäga hur deltagarens synbark skulle reagera på olika kombinationer av stimuleringsparametrar. Avgörande var att modellen inte bara tog hänsyn till vilka elektroder som aktiverades och med vilken strömstyrka – den vägde också in hjärnans vilande aktivitet omedelbart före varje stimuleringshändelse .

När modellen var tränad användes den i omvänd ordning: istället för att bara förutsäga utfall, sökte den efter de stimuleringsinställningar som mest sannolikt skulle producera ett önskat mönster av neural aktivitet. Detta är känt som en sluten, modellbaserad kontrollmetod . Istället för att applicera ett standardrecept anpassade systemet kontinuerligt sin output baserat på hjärnans aktuella tillstånd.

Hjärnans respons vs. stimuleringssignalen

Studiens viktigaste resultat är att den registrerade neurala aktiviteten var en mer exakt prediktor för vad deltagaren faktiskt upplevde (fosfener – ljusblixtar, former och färger) än stimuleringsinställningarna i sig . Att veta vilka elektroder som aktiverades och hur mycket ström som levererades räckte alltså inte för att fullt ut bestämma den visuella upplevelsen. Hjärnans egen respons måste mätas och tolkas för att pålitligt kunna förutsäga perceptionen.

Detta resultat belyser en central utmaning inom neuroproteser: signalen som skickas till hjärnan bestämmer inte fullt ut den perception som uppstår . Hjärnan är ingen passiv mottagare – dess tillstånd från ögonblick till ögonblick formar aktivt vad vi ser.

Vägen mot personliga synproteser

Ramverket pekar mot en ny generation av adaptiva, personliga synproteser som kontinuerligt lär sig varje användares neurala dynamik och justerar stimuleringen i realtid . Viktiga implikationer:

• Dynamisk omkalibrering: Systemet kan anpassa sig när hjärnans bastillstånd fluktuerar, vilket åtgärdar en stor tillförlitlighetsutmaning som har plågat tidigare implantat med fasta protokoll .
• Mindre ström och färre sidoeffekter: Eftersom de AI-designade mönstren nådde sina mål med mindre elektrisk ström, kan framtida enheter bli säkrare och ha längre batteritid .
• Personlig anpassning: Huvudforskaren Michael Beyeler konstaterade: "En användbar synprotes kan inte förlita sig på ett fast recept. I slutändan måste enheten anpassa sig till personen, inte tvärtom."
• Klinisk utveckling: Efterföljande faser av den spanska genomförbarhetsstudien syftar till att flytta dessa kortikala proteser från experimentella prototyper till livskraftiga kliniska behandlingar för blindhet orsakad av stroke, neurodegenerativa sjukdomar eller trauma .

Även om studien endast involverade en enda deltagare, demonstrerar den en grundläggande princip som skulle kunna förändra hur bioniska synsystem designas – från statiska stimulatorer till intelligenta, lärande gränssnitt som samarbetar med hjärnans naturliga dynamik.