(Bilderklärung siehe unten)
Gehirn-Maschine-Schnittstellen übersetzen die Aktivität von Nervenzellen, die Bewegungsintention in Bewegung umwandeln, beispielsweise in die Bewegung eines Roboterarms. Trotz fortlaufender Verbesserungen stellen Fehler auf Seiten des Computers in der Dekodierung der Bewegungsintention immer noch ein großes Problem für Gehirn-Maschine-Schnittstellen-Systeme dar. Wenn die dekodierte Bewegung entscheidend von der intendierten Bewegung abweicht, nennen Wissenschaftler dies einen Ausführungsfehler. Eine weiter Art von Fehler im Bereich der Gehirn-Maschine-Schnittstellen ist der sogenannte Ergebnisfehler. In diesem Fall wird ein bestimmtes Bewegungsziel (beispielsweise eine Tasse zu fassen) verfehlt. Gehirn-Maschine-Schnittstellen-Systeme, die in Betrieb sind, würden von der Erkennung solcher Fehler profitieren: Der Computer könnte erkannte Fehler korrigieren, wenn festgestellt wird, dass Intention und Ausführung nicht übereinstimmten. Weiterhin könnte ein anpassungsfähiger Dekodierungsalgorithmus sich selbst verbessern und lernen, solche Fehler in Zukunft zu vermeiden.
In einer Studie, die in der Zeitschrift PLoS One erschien, zeigen Tomislav Milekovic und Kollegen vom Bernstein Center an der Universität Freiburg und vom Imperial College London, dass solche Fehler auf Basis von Signalen des menschlichen Gehirns entdeckt werden können. Eine der Datenquellen, die die Forscher nutzten, um nach Fehlersignalen zu suchen, ist die Elektrokortikographie. Dieses Verfahren misst Veränderungen im elektrischen Potential auf der Gehirnoberfläche. Da Elektroden nicht lediglich für Forschungszwecke in den menschlichen Schädel eingepflanzt werden, waren die Forscher von Patienten abhängig, denen solche Elektroden für medizinische Zweck implantiert wurden. Sobald die Probanden eine Bewegung ausführten, zeigte das Computerprogramm Fehler in weniger als einer halben Sekunde mit hoher Präzision an. Selbst wenn die Forscher nur vier Elektroden, die einen kleinen Teil der Hirnoberfläche abdecken, beobachteten, konnten sie von diesen Punkten aus 82% der Information zu Ausführungsfehlern und 74% der Information für Ergebnisfehler erkennen.
In Zukunft könnte die Fehlererkennungsmethode des Londoner und Freiburger Teams Fehler erkennen, die während Gehirn-Maschine-Schnitstellen-Abläufen auftreten, und Algorithmen anpassen, sodass mehr Fehler vermieden werden können. Die Ergebnisse zeigen weiterhin, dass kleinste Implantate ausreichen, um solche Fehler zu erkennen. Da kleinere Implantate ein kleineres medizinisches Risiko bedeuten, könnten diese Forschungsergebnisse eine Großzahl von Gehirn-Maschine-Schnittstellen ermöglichen. In Freiburg verfolgt der neu gegründete Exzellenzcluster BrainLinks-BrainTools dieses Ziel.
Originalveröffentlichung (open access)
Milekovic T, Ball T, Schulze-Bonhage A, Aertsen A, Mehring C (2013) Detection of Error Related Neuronal Responses Recorded by Electrocorticography in Humans during Continuous Movements. PLoS ONE 8(2): e55235. doi:10.1371/journal.pone.0055235
Bildlegende
Wenn eine Gehirn-Maschine-Schnittstelle eine Bewegungsintention korrekt dekodiert, wird kein neuronaler Fehler hervorgerufen. Wenn ein sogenannter Ausführungsfehler dekodiert wird, kann der Algorithmus angepasst werden, um die Anzahl der Fehler bei zukünftiger Dekodierung zu vermeiden. Wenn eine ungewollte Bewegung dazu führt, dass der Cursor ein ungewolltes Ziel erreicht, wird möglicherweise ein Ergebnisfehler hervorgerufen. Falls dies von dem Gehirn-Mschine-Schnittstellen-System erkannt wird, kann der Dekodieralgorithmus ebenfalls angepasst werden.