I ricercatori del UCSF Weill Institute for Neurosciences hanno pubblicato su Nature Biotechnology uno studio che dimostra la possibilità di ottenere una protesi cerebrale Plug-and-play (controllo che garantisce una performance stabile a lungo termine senza ricalibrazione) grazie alla combinazione di un array di elettrodi ECoG e di un algoritmo di interfaccia cervello-computer (BCI) che utilizza tecniche di machine learning. Gli elettrodi sono stati impiantati in un paziente tetraplegico a cui è stato chiesto di controllare il cursore del computer sul monitor.
La svolta dell’ECoG
Una delle sfide nel campo delle interfacce neurali è quella di ottenere affidabilità a lungo termine, riducendo i tempi di ricalibrazione. Per sviluppare un metodo che garantisca risultati duraturi, come prima cosa, i ricercatori dell’UCSF hanno dovuto stabilizzare il segnale di monitoraggio. Questo è stato possibile grazie all’elettrocorticografia (ECoG), un metodo d’indagine invasivo per la registrazione dei potenziali d’azione della corteccia cerebrale e delle loro variazioni indotte dalle varie situazioni sperimentali. È stato utilizzato un impianto ECoG a 128 canali, che prevede il posizionamento chirurgico degli elettrodi sulla superficie del cervello per registrare l’attività elettrica della corteccia.
I metodi tradizionali per la progettazione di una protesi cerebrale utilizzano gli elettrodi per la stereoelettroencelografia (sEEG), che penetrano nel tessuto favorendo maggiore sensibilità, ma con il rischio di spostamenti che causano la variazione del segnale cerebrale e quindi richiedono il reset giornaliero dell’algoritmo dell’interfaccia. Invece, i segnali ottenuti con l’ECoG, garantendo la stabilità del segnale a lungo termine, permettono di utilizzare algoritmi di BCI in continuo aggiornamento – closed-loop decoder adaptation (CLDA) – per allinearsi all’attività cerebrale registrata. Il problema nell’utilizzo degli attuali sistemi di interfaccia neurale infatti è proprio il fatto di dover essere resettati e ricalibrati ogni giorno, il che comporta tempi lunghi e un maggiore sforzo del paziente per controllare il dispositivo. Lo studio dimostra che l’algoritmo, unito alla stabilità dell’ECoG, permette di migliorare le strategie di controllo protesico basate sulla consolidazione delle mappe neurali.
Controllo di una protesi cerebrale in un paziente tetraplegico
È stato chiesto a un paziente tetraplegico di immaginare i movimenti del collo e del polso durante lo spostamento del cursore sul monitor. Attraverso tecniche di machine learning, l’algoritmo associa i movimenti dell’indicatore all’attività neurale del paziente, aiutandolo ad assumere il controllo del cursore. I ricercatori, in un primo momento, hanno utilizzato il metodo standard, il quale richiede il reset giornaliero dell’algoritmo a causa dell’instabilità del segnale. Hanno riscontrato che con questo sistema non si riesce a ottenere un controllo efficace della protesi e il paziente non sempre riesce a portare a termine il task. Nel caso di algoritmi in continuo aggiornamento, invece, non solo sono state raggiunte prestazioni molto più elevate, ma una volta consolidata la strategia di controllo il paziente è riuscito a riapplicarla rapidamente nonostante il reset dell’algoritmo. Inoltre, è stato possibile per il soggetto inserire gradualmente nuovi tasks o non esercitarsi per alcuni giorni senza inficiare i progressi ottenuti.
Lo step successivo sarà quello di allargare lo studio a più individui ed estendere il controllo a sistemi più complessi, come gli arti protesici. Il controllo Plug-and-play attraverso la stabilizzazione della mappa neurale potrebbe quindi rappresentare una svolta nel campo delle BCI, portando ad una maggiore diffusione di questa tecnologia.
Articolo a cura di Noemi D’Abbondanza.
