Auf dem Weg zur Hippocampus-Navigation für das Gehirn | Schwerkraftabscheider Group Co., Ltd

Wissenschaftliche Berichte Band 13, Artikelnummer: 14021 (2023) Diesen Artikel zitieren

668 Zugriffe

8 Altmetrisch

Details zu den Metriken

Automatische Rollstühle, die direkt durch die Gehirnaktivität gesteuert werden, könnten schwer gelähmten Personen Autonomie ermöglichen. Aktuelle Ansätze basieren meist auf nicht-invasiven Messungen der Gehirnaktivität und übersetzen einzelne Befehle in Rollstuhlbewegungen. Beispielsweise würde eine imaginäre Bewegung der rechten Hand den Rollstuhl nach rechts lenken. Keine Forschung hat die Dekodierung von kognitiven Prozessen höherer Ordnung untersucht, um die Kontrolle über den Rollstuhl zu erreichen. Wir stellen uns eine invasive Nervenprothese vor, die durch die Dekodierung der Navigationsabsicht aus Hippocampussignalen Input für die Rollstuhlsteuerung liefern könnte. Die Navigation wurde in Hippocampus-Aufzeichnungen ausführlich untersucht, jedoch nicht für die Entwicklung neuronaler Prothesen. Hier zeigen wir, dass es möglich ist, einen Decoder zu trainieren, virtuelle Bewegungsgeschwindigkeiten aus Hippocampussignalen zu klassifizieren, die während einer virtuellen Navigationsaufgabe aufgezeichnet wurden. Diese Ergebnisse stellen den ersten Schritt zur Erforschung der Machbarkeit eines invasiven Hippocampus-BCI zur Rollstuhlsteuerung dar.

Millionen Menschen leiden unter Lähmungen: der Unfähigkeit, einen Teil ihres Körpers zu bewegen1. Bei den schwersten Formen der Lähmung, z. B. Tetraplegie, kommt es zu einem Kontrollverlust über Arme, Beine und Rumpf. Eine Lähmung kann durch verschiedene Krankheiten wie Rückenmarksverletzungen, transversale Myelitis, Multiple Sklerose, Polio und amyotrophe Lateralsklerose (ALS) verursacht werden. Diese Patienten benötigen die Unterstützung von Familienmitgliedern und medizinischem Fachpersonal. Da die Fähigkeit zur selbstständigen Interaktion mit der Umwelt positiv mit der Lebenszufriedenheit assoziiert ist2, ist es unerlässlich, Lösungen zu entwickeln, um Menschen mit schwerer Lähmung Unabhängigkeit zu ermöglichen.

Gehirn-Computer-Schnittstellen (BCIs) ermöglichen die Kommunikation zwischen Menschen und Computern, ohne dass Muskelbewegungen erforderlich sind, indem sie neuronale Signale entschlüsseln3. In den letzten Jahren haben Forscher gezeigt, dass BCI das Potenzial hat, mehreren Patientengruppen zu helfen4. Eine Studie befragte Personen mit ALS und ergab, dass die Steuerung von Roboterarmen und Rollstühlen bei der BCI-Entwicklung höchste Priorität hatte5. Bei der Entwicklung von Roboterarmprothesen wurden große Fortschritte erzielt6. Der Rollstuhlkontrolle hingegen wurde von Forschern weniger Aufmerksamkeit geschenkt, insbesondere durch die Verwendung invasiver Messungen der Gehirnaktivität.

Nicht-invasive BCI-Ansätze wie die Elektroenzephalographie (EEG) haben den Vorteil, dass sie risikoarm sind, da sie die Gehirnaktivität von außerhalb der Kopfhaut aufzeichnen. Allerdings beeinträchtigen diese Ansätze dabei die Signalqualität, die räumliche Auflösung und/oder die zeitliche Auflösung erheblich7. Aufgrund dieser Einschränkungen hat die EEG-basierte BCI zur Rollstuhlkontrolle in den letzten Jahren keine großen Fortschritte gemacht.

Viele Ansätze, bei denen das EEG direkt oder indirekt genutzt wird, basieren auf Augenbewegungen und Blinzeln8,9,10 und übersetzen diese in einfache Richtungsbefehle. Augenbewegungen und Blinzeln sind für viele ALS-Patienten nicht möglich4. Darüber hinaus wäre die Einschränkung der Augenbewegung während der Navigation unbequem und würde soziale Interaktionen behindern. Andere Methoden basieren auf der Dekodierung mentaler Aufgaben oder Vorstellungen, um die beabsichtigte Bewegung anzuzeigen11,12,13,14. Stellen Sie sich beispielsweise eine mentale Drehung oder eine Bewegung der linken Hand vor, um nach links abzubiegen. Mit dieser Methode kann zwar eine hohe Genauigkeit erzielt werden, die Geschwindigkeit der Informationsübertragung ist jedoch für eine sichere Nutzung im Rollstuhl zu langsam. Ein invasiver BCI, der zielorientierte Navigationsabsichten nutzt, kann den Input liefern, der für eine präzise, sichere und intuitive Rollstuhlsteuerung erforderlich ist. Gehirn-Computer-Schnittstellen, die kognitive Prozesse höherer Ordnung entschlüsseln, können gelähmten Menschen einen intuitiven Input zur Steuerung externer Geräte bieten und so die Unabhängigkeit fördern.

Das höhere Signal-Rausch-Verhältnis, die zeitliche Auflösung und die räumliche Genauigkeit der invasiv aufgezeichneten Signale könnten die Entwicklung einer verbesserten Rollstuhlsteuerung ermöglichen. Bisher wurden alle derartigen Untersuchungen, die uns bekannt sind, mit nichtmenschlichen Primaten durchgeführt. In einigen Studien wurden Joystick-basierte BCI-Paradigmen für die Rollstuhlsteuerung verwendet15,16. Handbewegungen wurden von primären Neuronen des motorischen Kortex entschlüsselt, während der Affe einen Joystick zur Steuerung eines Rollstuhls verwendete. Rajangam et al.17 hingegen zeigten die Fähigkeit von Rhesusaffen, einen Rollstuhl auf der Grundlage invasiver neuronaler Signale zu steuern, ohne ein Joystick-Paradigma zu verwenden. Dies ist ein wichtiger Schritt, da viele gelähmte Personen nicht in der Lage sein werden, einen Joystick zum Trainieren der BCI-Klassifikatoren zu verwenden. Mithilfe von Ensembleaufnahmen im prämotorischen und sensomotorischen Bereich konnten die Affen die Rotations- und Translationsbewegung eines Rollstuhls steuern, um ihr Ziel zu erreichen. Dieser Ansatz ist vielversprechend, da er auf Populationen von Neuronen basierte, die auf eine Ganzkörperverschiebung abgestimmt waren. Dieser Ansatz dekodierte jedoch kontinuierlich ausgegebene einzelne Bewegungsbefehle, anstatt auf hoher Ebene geplante Trajektorien zu dekodieren.

BCIs, die auf der Dekodierung übergeordneter kognitiver Prozesse basieren, können eine intuitive und flexible BCI-Steuerung ermöglichen, da keine kontinuierliche Eingabe von Bewegungsbefehlen erforderlich ist. Die Entschlüsselung kognitiver Prozesse steht vor vielen Herausforderungen, aber Forscher hatten Erfolg bei der Entschlüsselung entscheidungsbezogener Prozesse (siehe 18). Darüber hinaus entschlüsselten Mussalam et al.19 Zieldarstellungen auf höherer Ebene aus Regionen, die mit dem Erreichen mithilfe von Elektrodenarrays verbunden sind. Von besonderer Bedeutung ist, dass Forscher große Erfolge bei der Entschlüsselung navigationsbezogener Prozesse im Hippocampus von Nagetieren erzielt haben. Brown et al. verwendeten neuronale Populationsaktivität, um eine genaue Vorhersage der zweidimensionalen Position eines Nagetiers in seiner Umgebung zu entschlüsseln20. Agarwal et al.21 erweiterten diesen Befund, indem sie zeigten, dass die Selbstlokalisierung sowohl mithilfe von Spiking als auch der LFP-Aktivität entschlüsselt werden kann. Darüber hinaus konnten Forscher geplante Flugbahnen erfolgreich entschlüsseln22.

Während es zahlreiche Forschungsarbeiten gibt, die die Entschlüsselung von Positions- und Navigationsinformationen aus dem Hippocampus bei Nagetieren belegen, haben nur wenige Studien untersucht, was aus dem menschlichen Hippocampus entschlüsselt werden kann. Es hat sich gezeigt, dass die Leistung niederfrequenter Schwingungen mit der Bewegungsgeschwindigkeit in einer virtuellen Umgebung zunimmt23. Vass et al.24 berichteten über eine erfolgreiche Dekodierung der Teleportationsentfernung während einer virtuellen Navigationsaufgabe. In einer anderen Studie wurden Mikroelektrodenaufzeichnungen verwendet, um Navigationszielinformationen aus Spitzenphasen von medial-temporalen Lappenstrukturen, einschließlich des Hippocampus, zu dekodieren25. In einer anderen Studie wurde ein neuronales Netzwerk verwendet, um die reale Bewegungsgeschwindigkeit des Hippocampus zu entschlüsseln. Anhand einer seltenen Patientengruppe mit drahtlosen intrakortikalen Elektroden, die im Hippocampus implantiert wurden, haben Aghajan et al. waren in der Lage, reale Gehbewegungen aufzuzeichnen und gleichzeitig die neuronale Aktivität aufzuzeichnen26. Sie verfolgten die Geschwindigkeit der Teilnehmer, während sie angewiesen wurden, entweder langsam oder schnell zu gehen. Sie nutzten ein neuronales Netzwerk, um anhand von Spektraldaten die höchsten und langsamsten 30 % der Bewegungsgeschwindigkeiten vorherzusagen.

Weitere Untersuchungen sind erforderlich, um festzustellen, welche Navigationsmerkmale aus der Aktivität des menschlichen Hippocampus entschlüsselt werden können. In der vorliegenden Studie untersuchen wir, inwieweit die virtuelle Bewegungsgeschwindigkeit aus der invasiv aufgezeichneten Hippocampusaktivität entschlüsselt werden kann. Die Aktivität des Hippocampus wurde während einer tastaturgesteuerten virtuellen Navigationsaufgabe bei drei Patienten aufgezeichnet. Im Hauptteil dieser Aufgabe steuerten die Teilnehmer ein Auto zu drei verschiedenen Orten (Strand, Wald, Stadt), um dort ein Paket abzugeben, das sie im folgenden Versuch wieder abholen mussten (Abb. 1). Anschließend wurden Decoder darauf trainiert, die virtuelle Geschwindigkeit anhand der Theta- und Gamma-Aktivität zu klassifizieren. Wir zeigen, dass ein Klassifikator für alle drei Patienten zwischen langsamen und schnellen virtuellen Bewegungsgeschwindigkeiten unterscheiden kann. Darüber hinaus zeigen wir, dass ein Klassifikator zwischen feinkörnigeren Geschwindigkeitsstufen unterscheiden kann.

Virtuelle Navigationsaufgabe. (a) Sicht des Teilnehmers beim Navigieren durch die Waldumgebung; (b) Ansicht der Umgebung von oben nach unten; den Teilnehmern zu Beginn vorgestellt. Die Startposition wird durch das rote X angezeigt; (c) Schematische Darstellung der Aufgabenstruktur.

Zusätzlich zu unserem Fokus auf die Dekodierung der Hippocampusaktivität für mögliche Anwendungen in der Rollstuhlsteuerung für gelähmte Personen erkennen wir die Bedeutung der Erforschung anderer Methoden für die asynchrone Echtzeitsteuerung von virtuellen Spielobjekten, Roboterarmen und anderen Hilfsgeräten an. Es gibt mehrere invasive und nicht-invasive Studien, die die Machbarkeit einer solchen Kontrolle gezeigt haben (siehe4). Ziel unserer Studie ist es, einen Beitrag zu dieser wachsenden Literaturmenge zu leisten, indem wir das Potenzial der Hippocampus-Aktivität für die BCI-Kontrolle in einem virtuellen Navigationskontext untersuchen und so den Grundstein für zukünftige Forschungen zur Entwicklung intuitiverer und effektiverer BCI-Lösungen legen.

Theta- und Gammaenergie von Hippocampuskontakten wurden als Merkmale in allen Dekodierungsmethoden genutzt. Mithilfe einer linearen Diskriminanzanalyse (LDA) konnten wir für alle Teilnehmer die schnellsten und langsamsten 10 % der Geschwindigkeiten über dem Zufallsniveau klassifizieren (Abb. 2). Für alle Patienten wurde bei der Klassifizierung eine gleiche Anzahl von Hochgeschwindigkeits- und Niedriggeschwindigkeitsproben verwendet. Für P01 gab es jeweils 164 Samples für langsame und schnelle Geschwindigkeiten; für P02 gab es jeweils 179 Proben für langsame und schnelle Geschwindigkeiten; und für P03 gab es jeweils 263 Proben für langsame und schnelle Geschwindigkeiten. Zur Bestimmung der signifikanten Fläche unter der Kurve (AUC) wurde eine Bootstrap-Resampling-Methode verwendet (siehe Abschnitt „Methoden“). Bei allen drei Teilnehmern lagen die AUC-Werte deutlich über dem Zufall (p < 0,05), wenn Theta- und Gamma-Merkmale in Kombination mit AUC von 0,72, 0,66 bzw. 0,62 verwendet wurden.

ROC-Kurve für die oberen und unteren 10 % der Geschwindigkeiten. ROC-Diagramm, das die Klassifizierung der oberen und unteren 10 % der Geschwindigkeiten zeigt. Unten rechts wird die Fläche unter der Kurve (AUC) für jeden Patienten angegeben.

Anschließend analysierten wir, wie gut der Decoder binäre Klassifizierungen zwischen abgestuften virtuellen Bewegungsgeschwindigkeiten für Patient eins durchführen konnte. Sieben von zehn Klassifikationen bestanden die Signifikanzprüfung (Abb. 3). Darüber hinaus fanden wir eine signifikante Korrelation zwischen dem Geschwindigkeitsunterschied zwischen den verglichenen Klassen und der Decodierungsgenauigkeit (r(10) = 0,79, p = 0,006), was zeigt, dass eine größere Trennung zwischen Geschwindigkeitsbereichen zu einer höheren Genauigkeit führt.

AUCs für binäre Klassifizierungen von Geschwindigkeitsbereichen in Patient eins. Matrix mit Klassifizierungsergebnissen für die binäre Klassifizierung zwischen Geschwindigkeitsgruppen. Jedes Quadrat zeigt den AUC-Wert, der sich aus der Klassifizierung der in der entsprechenden Zeile und Spalte angegebenen Geschwindigkeiten ergibt. Deutlich über dem Zufall liegende AUC-Werte, markiert mit einem Sternchen; Die Korrektur mehrerer Vergleiche wurde mit dem maxT-Test durchgeführt.

Nach unserem besten Wissen sind wir die ersten, die zeigen konnten, dass die Bewegungsgeschwindigkeit mithilfe einer virtuellen Navigationsaufgabe aus dem Theta des menschlichen Hippocampus dekodiert werden kann. Die Dekodierung der schnellsten gegenüber den langsamsten 10 % der Geschwindigkeiten führte zu einer erheblichen Dekodierungsgenauigkeit. Diese Ergebnisse erweitern frühere Ergebnisse, die zeigen, dass langsame und schnelle Bewegungsgeschwindigkeiten während realer ambulanter Bewegungen entschlüsselt werden können26. Darüber hinaus konnten wir zwischen breiten Geschwindigkeitsgruppen einteilen. Diese Ergebnisse legen nahe, dass es möglich ist, aus der Aktivität des Hippocampus eine Reihe von Geschwindigkeiten zu entschlüsseln. Darüber hinaus führten größere Unterschiede zwischen den Geschwindigkeitsklassen zu einer verbesserten Klassifizierung.

Im Gegensatz zu herkömmlichen EEG-basierten Rollstuhldesigns, die nur eine diskrete Steuerung unterstützen, bietet unsere Methodik einen potenziellen Vorteil, indem sie eine kontinuierliche Dekodierung der Bewegungsgeschwindigkeit ermöglicht. Die Dekodierung diskreter Zustände reicht möglicherweise nicht aus, um kontinuierliche, sich gleichmäßig ändernde Flugbahnen zu erzeugen, die sich jederzeit ändern können. Im Gegensatz dazu zielt unsere Studie darauf ab, die kontinuierliche Bewegungsgeschwindigkeit in Echtzeit aus dem Hippocampus zu entschlüsseln, eine Funktion, die bisher im Zusammenhang mit der BCI-Kontrolle noch nicht versucht wurde. Die Einbeziehung der dekodierten Bewegungsgeschwindigkeit kann bei der Entwicklung wirksamer und sicherer BCI-Rollstuhlkontrollmethoden hilfreich sein.

Aufgrund des naturalistischen Aufgabendesigns ist unser Datensatz hinsichtlich der bei verschiedenen Geschwindigkeiten verbrachten Zeit nicht perfekt ausbalanciert. Darüber hinaus kann die Bewegungsgeschwindigkeit während der Fahrt mit anderen Faktoren verknüpft sein, beispielsweise mit der Intensität der Kurvenfahrt. Während wir darauf abzielen, das Navigationsverhalten direkt zu dekodieren, kann eine hohe Dekodierungsgenauigkeit durch die Verwendung sekundärer Signale wie motorischer Bilder oder des Neurofeedback-Paradigmas4 erreicht werden. Um die Leistung zu verbessern, sollte in zukünftigen Forschungen untersucht werden, wie andere Funktionen die Genauigkeit der Dekodierung der Geschwindigkeit virtueller Bewegungen verbessern können. zum Beispiel durch die Einbeziehung zusätzlicher neuronaler Merkmale und Gehirnstandorte. Um die Machbarkeit dieser Methode für den Einsatz in BCI zu beurteilen, ist es wichtig zu beurteilen, welche anderen Navigationsmerkmale höherer Ordnung, wie z. B. Richtung und Eigenstandort, aus menschlichen sEEG-Aufzeichnungen dekodiert werden können und ob solche Merkmale daraus dekodiert werden können vorgestellte Navigation.

Diese Ergebnisse stellen den ersten Schritt zur Erforschung der Machbarkeit der Verwendung von Hippocampussignalen dar, die mit intrakraniellen Tiefenelektroden gemessen werden, für eine neuronale Navigationsprothese. Diese Forschungsrichtung könnte eines Tages denjenigen, die an Lähmungen leiden, von großem Nutzen sein, indem sie beispielsweise die Entwicklung eines Hippocampus-basierten kognitiven BCI für die Rollstuhlsteuerung ermöglichen.

Drei Teilnehmern (eine Frau, zwei Männer, 24, 26 und 46 Jahre alt) mit pharmakoresistenter Epilepsie wurden im Maastricht University Medical Center sEEG-Elektroden implantiert (Abb. 4). Bei diesen Patienten kam es weder zu Lähmungen noch zu erheblichen motorischen Beeinträchtigungen. Die Wahl der Teilnehmer mit Epilepsie in dieser Studie bestand darin, die Möglichkeit von sEEG-Aufzeichnungen in einem klinischen Umfeld als Proof-of-Concept für die Entschlüsselung der Hippocampusaktivität im Zusammenhang mit der Navigation zu nutzen. Diese Studie soll den Epilepsiepatienten keinen unmittelbaren Nutzen bringen, sondern vielmehr den Grundstein für mögliche zukünftige Anwendungen bei Patienten mit Lähmungen oder motorischen Beeinträchtigungen legen. Die Implantationsorte basierten ausschließlich auf der klinischen Bewertung und wurden mittels Postimplantations-Computertomographie bestätigt.

sEEG-Implantationsorte. Die Einführung der Elektroden erfolgt mittels stereotaktisch geführter Implantation. Überlagerte Elektrodenpositionen über dem im MRT rekonstruierten Gehirn des Patienten.

Die Implantation von Stereo-Elektroenzephalographie-Elektroden (sEEG) wurde zur Behandlung von Epilepsie eingesetzt und die mit dem Verfahren verbundenen Risiken wurden systematisch überprüft27. Bei refraktärer Epilepsie überwiegen die Vorteile der sEEG-Implantation zur Anfallskontrolle nachweislich die damit verbundenen Risiken. Ebenso glauben wir, dass bei Patienten mit Lähmungen das Potenzial, die Bewegungsfähigkeit durch die Verwendung eines Hippocampus-BCI wiederzuerlangen, die mit dem Implantationsverfahren verbundenen Risiken überwiegen könnte. Es ist wichtig zu beachten, dass die Patienten in unserer Studie die sEEG-Implantate hauptsächlich zur Behandlung ihrer Epilepsie und nicht zur BCI-Kontrolle erhielten. Die Studie wurde vom Medical Ethics Review Committee des Maastricht University Medical Center und der örtlichen Kommission des Epilepsiezentrums Kempenhaeghe genehmigt. Die Patienten gaben eine Einverständniserklärung gemäß den Grundsätzen der Deklaration von Helsinki ab. Nach der Elektrodenimplantation wurde der Patient in die Epilepsieüberwachungseinheit des Epilepsiezentrums Kempenhaeghe verlegt.

Allen Patienten wurden bilaterale Hippocampus-Elektroden implantiert. Bei allen Elektroden handelte es sich um DIXI MicroDeep-Elektroden (DIXI Medical, Frankreich). Die Elektroden hatten einen Durchmesser von 0,8 mm, eine Kontaktlänge von 2 mm und einen Kontaktabstand von 1,5 mm. Zur Datenaufzeichnung wurde ein Micromed-Verstärker verwendet (Micromed, Italien, Abtastrate 1024 Hz). Kontakte wurden auf einen gemeinsamen Kontakt in der weißen Substanz verwiesen. Aufgaben- und neuronale Daten wurden über LabStreamingLayer28 synchronisiert.

Die präoperative Drei-Tesla-Magnetresonanztomographie (MRT) des Gehirns und die postoperative Computertomographie (CT) wurden gemeinsam registriert. Anschließend wurde ein Open-Source-Python-Paket verwendet, um Elektrodenpositionen im Hippocampus zu identifizieren und zu kennzeichnen29. Die Teilnehmer hatten 11, 5 und 7 Kontakte im rechten Hippocampus und 3, 5 bzw. 4 Kontakte im linken Hippocampus.

Die Teilnehmer spielten auf einem Laptop in ihrem Krankenzimmer ein Third-Person-Navigationsspiel für Lieferfahrer. Da der Patient während der Aufgabe an sein Krankenhausbett gefesselt war, wurde eine virtuelle Umgebung verwendet. Das Spiel wurde mithilfe der Spieleentwicklungsplattform Unity 3D (Unity Technologies, San Francisco, CA) maßgeschneidert. Der Patient nutzte die Laptop-Tastatur, wobei die Auf-/Ab-Tasten die Geschwindigkeit des Fahrzeugs und die Rechts-/Links-Tasten die Drehrichtung steuerten, um durch die dreidimensionale virtuelle Umgebung zu fahren (Abb. 1a). Unter virtueller Bewegungsgeschwindigkeit versteht man die Geschwindigkeit, mit der das virtuelle Fahrzeug die Umgebung durchquert. Da das Fahrzeug zentriert auf dem Bildschirm bleibt, wird die Geschwindigkeit durch die Bewegung der Umgebung bestimmt, was den Eindruck einer Verschiebung vermittelt. Während die Vorwärtstaste gedrückt wurde, beschleunigte das Fahrzeug gleichmäßig, bevor es die Höchstgeschwindigkeit erreichte. Wichtig ist, dass es bei hohen Geschwindigkeiten nicht mehr Tastendrücke gibt als bei langsamen Geschwindigkeiten. Wenn der Patient während der Fahrt zu schnell umdrehte, kippte das Auto um und richtete sich nach einer kurzen Verzögerung neu aus, was den Teilnehmer dazu veranlasste, seine Geschwindigkeit zu regulieren. Zusätzlich zur Geschwindigkeit wurden die Umgebung und die Aufgabe entwickelt, um zu testen, ob es möglich ist, mehrere Merkmale zu dekodieren, darunter Richtung, zurückgelegte Distanz, Entfernung von Grenzen, visuelle Hinweise, Selbststandort, Pfad und Navigationsplanung.

Die virtuelle Umgebung bestand aus einer zentralen Schleife mit Zugang zu drei optisch unterschiedlichen Zonen: einem Wald, einer Stadt und einem See. Die Sicht auf die drei Umweltzonen war auf der zentralen Straße versperrt, um die Teilnehmer zu ermutigen, sich auf ihre interne kognitive Karte zu verlassen, anstatt einfach nur auf visuelle Reize zu reagieren. Zunächst wurden dem Teilnehmer die Tastatursteuerungen präsentiert und eine Draufsicht auf die Umgebung gezeigt (Abb. 1B). Anschließend wurde den Teilnehmern unbegrenzte Zeit zum freien Erkunden gegeben, um sich mit der Umgebung und den Bedienelementen vertraut zu machen (jeweils 172, 318 und 224 s). Anschließend wurden ihnen die Aufgabenanweisungen vorgelegt. Anschließend bestand die Hauptaufgabe aus zwölf Versuchen mit jeweils zwei Phasen: Absetzen und Aufnehmen (652, 559 bzw. 1079 s). Das Auto wurde zu Beginn jeder Phase in die Ausgangsposition zurückgesetzt (Abb. 1B, rotes „X“). Während der Abgabephase wurde der Patient gebeten, ein Paket an einer von drei zufällig ausgewählten Zonen abzugeben. Das Paket wurde automatisch nach einer kurzen oder langen Strecke beim Betreten der Zielzone abgesetzt, unabhängig davon, welchen Weg es einschlug. Als nächstes wurde der Patient während der Abholphase angewiesen, zum Standort des Pakets zu navigieren, das er in der vorangegangenen Abgabephase abgegeben hatte. Beim Erreichen des Pakets erhielt der Patient Punkte für die optimale Route und wurde in die nächste Abgabephase zurückgesetzt.

Der lineare Trend wurde während einer bestimmten Sitzung aus den sEEG-Signalen entfernt. Zur Verwendung in Dekodierungsanalysen wurde die dynamische Leistung in den Frequenzen Theta (4–8 Hz) und Gamma (52–99 Hz) extrahiert. Zur Erzielung kontinuierlicher Leistungssignale wurden ein nichtkausaler Butterworth-Bandstopp-Nullphasenfilter (Vorwärts- und Rückwärtsdurchgang mit zwei Durchgängen) und eine Hilbert-Transformation verwendet.

Diese Bänder wurden ausgewählt, da das Theta-Band bekanntermaßen Informationen über Navigationsprozesse enthält und das Gamma-Band stark dem Ensemble-Spiking ähnelt30, das auch lokalisierte Informationen über Hippocampus-Prozesse liefern könnte. Spektrale Leistung und Fahrgeschwindigkeit wurden in Ein-Sekunden-Bins mit einer Überlappung von einer halben Sekunde eingeteilt, indem der Mittelwert jedes Bins berechnet wurde. Auf diese Weise wurde jedem Fenster neuronaler Aktivität der entsprechende Geschwindigkeitswert zugewiesen. Anschließend wurden die Theta- und Gamma-Leistung logarithmisch transformiert und über zeitliche Fenster hinweg z-bewertet.

Für jeden Teilnehmer wurde ein separater Klassifikator trainiert und getestet, wobei ein zehnfaches Kreuzvalidierungsschema innerhalb der Daten jedes Teilnehmers durchgeführt wurde. Bei dieser Methode werden 9/10 der Daten zur Anpassung an das Modell und das verbleibende 1/10 zur Auswertung verwendet. Dies wird wiederholt, bis jede Probe genau einmal zum Testen verwendet wurde. Zur Klassifizierung der Bewegungsgeschwindigkeiten wurden lineare Diskriminanzanalysen (LDA) verwendet31. LDA wurde aufgrund seiner Widerstandsfähigkeit gegenüber unausgeglichenen Datensätzen ausgewählt32. Wir verwendeten die Schrumpfungsregularisierung mit dem Schrumpfungsparameter, der durch das in33 beschriebene Analyseverfahren bestimmt wurde.

Die Leistung des Klassifikators wurde durch das Zeichnen von ROC-Kurven (Receiver Operating Characteristic) und die Berechnung der entsprechenden Fläche unter der Kurve (AUC)34 bewertet. Um festzustellen, ob die Leistung des Klassifikators über dem Zufallsniveau lag, wurde eine Bootstrapping-Resampling-Methode verwendet, um die Nullhypotheseverteilung zu schätzen. Bei dieser Methode wurden die Beschriftungen 1000-mal verschoben und die Daten mit dem LDA erneut analysiert; Anschließend wurden die AUCs für jede Replikation berechnet. Um die zeitliche Autokorrelation zwischen den neuronalen Daten und den Geschwindigkeitsdaten zu berücksichtigen, wurde das Verschieben der Daten anstelle des Mischens verwendet. AUCs, die außerhalb des auf der Nullhypothese basierenden 95 %-Konfidenzintervalls lagen, wurden nach Korrektur mehrerer Vergleiche mithilfe des maxT-Tests als signifikant angesehen35).

Um langsame vs. schnelle virtuelle Bewegungsgeschwindigkeiten zu dekodieren, wurden neuronale Signale entweder als langsam (langsamste 10 % der virtuellen Bewegungsgeschwindigkeiten) oder schnell (schnellste 10 % der virtuellen Bewegungsgeschwindigkeiten) gekennzeichnet. Zu den neuronalen Signalen gehörten Theta- und Gammaenergie von den Kontakten im Hippocampus. Anschließend wurde ein LDA-Klassifikator darauf trainiert, eine Reihe virtueller Bewegungsgeschwindigkeiten zu klassifizieren. Für diese Analyse wurden Geschwindigkeitsdaten in fünf Geschwindigkeitskategorien für virtuelle Bewegungen diskretisiert, wobei jede Geschwindigkeitseinheiten zehn Geschwindigkeiten umfasste (z. B. 10–20 Einheiten/Sekunde, 20–30 Einheiten/Sekunde usw.). Anschließend haben wir für jede Kombination der Geschwindigkeitsklassen zehn binäre Klassifizierungen durchgeführt.

Daten auf Anfrage beim entsprechenden Autor erhältlich.

Armour, BS, Courtney-Long, EA, Fox, MH, Fredine, H. & Cahill, A. Prävaenz und Ursachen von Lähmungen – USA, 2013. Am. J. Public Health 106, 1855–1857. https://doi.org/10.2105/AJPH.2016.303270 (2016).

Artikel PubMed PubMed Central Google Scholar

Richards, JS et al. Zugang zur Umwelt und Lebenszufriedenheit nach einer Rückenmarksverletzung. Bogen. Physik. Med. Rehabilitation. 80, 1501–1506 (1999).

Artikel CAS PubMed Google Scholar

Wolpaw, JR, Birbaumer, N., McFarland, DJ, Pfurtscheller, G. & Vaughan, TM Gehirn-Computer-Schnittstellen für Kommunikation und Steuerung. Klin. Neurophysiol. 113, 767–791 (2002).

Artikel PubMed Google Scholar

Nicolas-Alonso, LF & Gomez-Gil, J. Brain Computer Interfaces, eine Rezension. Sensoren 12, 1211–1279. https://doi.org/10.3390/s120201211 (2012).

Artikel ADS PubMed PubMed Central Google Scholar

Huggins, JE, Wren, PA & Gruis, KL Was würden sich Benutzer von Gehirn-Computer-Schnittstellen wünschen? Meinungen und Prioritäten potenzieller Anwender mit Amyotropher Lateralsklerose. Amyotroph. Lateraler Skler 12, 318–324. https://doi.org/10.3109/17482968.2011.572978 (2011).

Artikel PubMed PubMed Central Google Scholar

Hochberg, LR et al. Erreichen und Greifen durch Menschen mit Tetraplegie mithilfe eines neuronal gesteuerten Roboterarms. Natur 485, 372–375 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Min, BK, Marzelli, MJ & Yoo, SS Neuroimaging-basierte Ansätze in der Gehirn-Computer-Schnittstelle. Trends Biotechnologie. 28, 552–560 (2010).

Artikel CAS PubMed Google Scholar

Gneo, M., Severini, G., Conforto, S., Schmid, M. & D'Alessio, T. Auf dem Weg zu einem gehirnaktivierten und augengesteuerten Rollstuhl. Int. J. Bioelektromag. 13, 44–45 (2011).

Google Scholar

Lin, JS & Yang, WC Drahtlose Gehirn-Computer-Schnittstelle für Elektrorollstühle mit EEG und Augenblinzelsignalen. Int. J. Innov. Berechnen. Inf. Kontrolle 8, 6011–6024 (2012).

Google Scholar

Li, Y., Pan, J., Wang, F. & Yu, Z. Ein hybrides BCI-System, das P300 und SSVEP kombiniert und seine Anwendung auf die Rollstuhlsteuerung. IEEE Trans. Biomed. Ing. 60, 3156–3166. https://doi.org/10.1109/TBME.2013.2270283 (2013).

Artikel PubMed Google Scholar

Khan, MJ, Hong, MJ & Hong, KS Dekodierung von vier Bewegungsrichtungen mithilfe der hybriden NIRS-EEG-Gehirn-Computer-Schnittstelle. Vorderseite. Summen. Neurosci. 8, 244. https://doi.org/10.3389/fnhum.2014.00244 (2014).

Artikel PubMed PubMed Central Google Scholar

Galan, F. et al. Ein gehirngesteuerter Rollstuhl: Asynchrone und nicht-invasive Gehirn-Computer-Schnittstellen zur kontinuierlichen Steuerung von Robotern. Klin. Neurophysiol. 119, 2159–2169. https://doi.org/10.1016/j.clinph.2008.06.001 (2008).

Artikel CAS PubMed Google Scholar

Huang, D. et al. Auf Elektroenzephalographie (EEG) basierende Gehirn-Computer-Schnittstelle (BCI): Eine virtuelle 2D-Rollstuhlsteuerung basierend auf ereignisbezogener Desynchronisation/Synchronisation und Zustandskontrolle. IEEE Trans. Neuronales System. Rehabilitation. Ing. 20, 379–388. https://doi.org/10.1109/TNSRE.2012.2190299 (2012).

Artikel PubMed Google Scholar

Carlson, T. & del Millan, RJ Gehirngesteuerte Rollstühle: Eine Roboterarchitektur. IEEE-Roboter. Autom. Mag. 20, 65–73. https://doi.org/10.1109/mra.2012.2229936 (2013).

Artikel Google Scholar

Schwarz, DA et al. Chronische, drahtlose Aufzeichnungen großflächiger Gehirnaktivitäten bei sich frei bewegenden Rhesusaffen. Nat. Methoden 11, 670–676 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Xu, Z., So, RQ, Toe, KK, Ang, KK und Guan, C. (2014). Zur asynchron kontinuierlichen Steuerung der Bewegung mobiler Roboter durch motorische kortikale Spitzenaktivität. 2014 36. jährliche internationale Konferenz der IEEE Engineering in Medicine and Biology Society (S. 3049–3052). IEEE.

Rajangam, S. et al. Drahtlose kortikale Gehirn-Maschine-Schnittstelle für die Ganzkörpernavigation bei Primaten. Sci Rep 6, 22170. https://doi.org/10.1038/srep22170 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wallis, JD Dekodierung kognitiver Prozesse aus neuronalen Ensembles. Trends Cogn. Wissenschaft. 22, 1091–1102 (2018).

Artikel PubMed PubMed Central Google Scholar

Musallam, S., Corneil, BD, Greger, B., Scherberger, H. & Andersen, RA Kognitive Kontrollsignale für neuronale Prothetik. Wissenschaft 305, 258–262 (2004).

Artikel ADS CAS PubMed Google Scholar

Brown, EN, Frank, LM, Tang, D., Quirk, MC & Wilson, MA Ein statistisches Paradigma für die Dekodierung neuronaler Spike-Trains, angewendet auf die Positionsvorhersage aus Ensemble-Feuermustern von Hippocampus-Ortszellen der Ratte. J. Neurosci. 18, 7411–7425 (1998).

Artikel CAS PubMed PubMed Central Google Scholar

Agarwal, G. et al. Räumlich verteilte lokale Felder im Hippocampus kodieren die Position der Ratte. Wissenschaft 344, 626–630. https://doi.org/10.1126/science.1250444 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Pfeiffer, BE & Foster, DJ Hippocampus-Ortszellensequenzen zeigen zukünftige Wege zu erinnerten Zielen. Natur 497, 74–79. https://doi.org/10.1038/nature12112 (2013).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Watrous, AJ, Fried, I. & Ekstrom, AD Verhaltenskorrelate menschlicher Delta- und Theta-Oszillationen des Hippocampus während der Navigation. J. Neurophysiol. 105, 1747–1755. https://doi.org/10.1152/jn.00921.2010 (2011).

Artikel PubMed Google Scholar

Vass, LK et al. Schwingungen gehen über die Distanz: Niederfrequente Oszillationen des menschlichen Hippocampus kodieren die räumliche Distanz, wenn während der Teleportation keine sensorischen Hinweise vorhanden sind. Neuron 89, 1180–1186. https://doi.org/10.1016/j.neuron.2016.01.045 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Watrous, AJ, Miller, J., Qasim, SE, Fried, I. & Jacobs, J. Phasenabgestimmtes neuronales Feuern kodiert menschliche kontextuelle Darstellungen für Navigationsziele. Elife 7, e32554 (2018).

Artikel PubMed PubMed Central Google Scholar

Aghajan, ZM et al. Theta-Oszillationen im medialen Schläfenlappen des Menschen während realer ambulanter Bewegungen. Curr. Biol. 27, 3743–3751 (2017).

Artikel CAS PubMed Central Google Scholar

Mullin, JP et al. Ist SEEG sicher? Eine systematische Überprüfung und Metaanalyse von Komplikationen im Zusammenhang mit der Stereo-Elektroenzephalographie. Epilepsia 57, 386–401 (2016).

Artikel PubMed Google Scholar

Kothe, C. (2014). Lab-Streaming-Layer (LSL). https://github.com/sccn/labstreaminglayer

Hamilton, LS, Chang, DL, Lee, MB & Chang, EF Halbautomatische anatomische Markierung und intersubjektive Verzerrung hochdichter intrakranieller Aufzeichnungselektroden in der Elektrokortikographie. Vorderseite. Neuroinform. 11, 62 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Ray, S., Crone, NE, Niebur, E., Franaszczuk, PJ & Hsiao, SS Neuronale Korrelate von Hoch-Gamma-Oszillationen (60–200 Hz) in lokalen Feldpotentialen von Makaken und ihre möglichen Auswirkungen auf die Elektrokortikographie. J. Neurosci. 28, 11526–11536 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Hastie, T., Tibshirani, R. & Friedman, J. Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage (Springer, 2009).

Buchen Sie MATH Google Scholar

Xue, J.-H. & Titterington, DM Haben unausgeglichene Daten einen negativen Einfluss auf die LDA? Mustererkennung. 41, 1558–1571. https://doi.org/10.1016/j.patcog.2007.11.008 (2008).

Artikel ADS MATH Google Scholar

Ledoit, O. & Wolf, M. Ein gut konditionierter Schätzer für großdimensionale Kovarianzmatrizen. J. Multivar. Anal. 88, 365–411 (2004).

Artikel MathSciNet MATH Google Scholar

Huang, J. & Ling, CX Verwendung von AUC und Genauigkeit bei der Bewertung von Lernalgorithmen. IEEE Trans. Wissen. Daten-Ing. 17, 299–310 (2005).

Artikel CAS Google Scholar

Westfall, PH & Troendle, JF Mehrfachtests mit minimalen Annahmen. Biom. JJ Mathe. Methoden Biosci. 50, 745–755 (2008).

MathSciNet MATH Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch das Forschungsprojekt „Decoding Speech In SEEG (DESIS)“ mit der Projektnummer VI.Veni.194.021 gefördert, das vom niederländischen Forschungsrat (NWO) finanziert wurde.

Universität Maastricht, Universiteitssingel 50, 6299 ER, Maastricht, Niederlande

Jeremy Saal, Maarten Christiaan Ottenhoff, Pieter L. Kubben, Sophocles Goulis und Christian Herff

University of California, San Francisco, 675 Nelson Rising Ln, San Francisco, CA, 94158, USA

Jeremy Saal

Akademisches Zentrum für Epileptologie Kempenhaeghe/MUMC, Kempenhaeghe, Heeze, Niederlande

Albert J. Colon & Johannes P. van Dijk

Virginia Commonwealth University, Richmond, VA, USA

Dekan J. Krusienski

Sie können diesen Autor auch in PubMed Google Scholar suchen

JS, DJK, AJC, PLK, CH haben das Experiment entworfen, JS hat das Experiment umgesetzt. CH, MCO, DJK, JPD haben die Daten aufgezeichnet. JS und CH analysierten die Daten, CH überwachte die Forschung. JS hat das Manuskript geschrieben. Alle Autoren lieferten Beiträge zum Manuskript.

Korrespondenz mit Jeremy Saal oder Christian Herff.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Saal, J., Ottenhoff, MC, Kubben, PL et al. Auf dem Weg zur Hippocampus-Navigation für Gehirn-Computer-Schnittstellen. Sci Rep 13, 14021 (2023). https://doi.org/10.1038/s41598-023-40282-7

Zitat herunterladen

Eingegangen: 27. Januar 2023

Angenommen: 08. August 2023

Veröffentlicht: 28. August 2023

DOI: https://doi.org/10.1038/s41598-023-40282-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.