Carnegie Mellon University'deki araştırmacılar, Nature Communications'da yayınladıkları yeni çalışmalarında, kullanıcının düşüncelerini okuyarak robotik bir elin parmak hareketini kontrol eden gerçek zamanlı çözüm geliştirdi. Daha önceki çalışmalarında araştırmacılar, invaziv olmayan Beyin Bilgisayar Arayüzleri (BBA) ile robotik bir kol kontrol edebilmiş, daha sonrasında bir dron bile uçurmuşlardı. İnvaziv olmayan BBA'lar kullanan ekip şimdi ise bu sistemlerin en büyük eksiği olan hassasiyet yetersizliğini çözerek bu sistemleri günlük kullanıma bir adım daha yaklaştırıyor.

Beyin Bilgisayar Arayüzleri (BCI) Nedir?

Beyin-Bilgisayar Arayüzleri (BBA'lar), insan beyninin elektriksel aktivitesini okuyarak dış cihazları kontrol etmeyi sağlayan sistemlerdir. Özellikle motor engelli bireyler için iletişim, hareket özgürlüğü ve yaşam kalitesini artırma potansiyeli taşır. Örneğin, felçli bir kişinin düşünmesi ile bir robotik kolu hareket ettirmesi veya bir bilgisayarda yazı yazması BBA'lar sayesinde mümkündür. Bu teknoloji, nöral protezlerden sanal gerçekliğe kadar geniş bir uygulama alanına sahiptir. Neuralink , Paradromics , Neurable , Synchron ve daha birçok firma BBA'ların ticari, askeri ve tıp alanlarındaki potansiyelini görmekte ve BBA'lar üzerinde çalışmalarını devam ettirmektedir.

İnvasiv ve Non-İnvaziv BCI

BCI'lar, beyin sinyallerini toplama yöntemlerine göre ikiye ayrılır:

1. İnvaziv BCI: Beyin dokusuna cerrahi olarak yerleştirilen elektrotlarla yüksek çözünürlüklü sinyaller elde edilir. Bu yöntem, robotik kol kontrolü gibi karmaşık görevlerde yüksek başarı sağlar. Ancak cerrahi risk, enfeksiyon ve yüksek maliyet gibi dezavantajları vardır.
2. İnvaziv Olmayan BCI: Kafa derisine yerleştirilen elektrotlarla (ECoG) sinyaller toplanır. Cerrahi gerektirmediği için güvenli, taşınabilir ve düşük maliyetlidir. Ancak sinyallerin kafatasından geçerken zayıflaması ("hacim iletimi etkisi"), düşük sinyal kalitesi ve sınırlı hassasiyet gibi sorunlar içerir.

İnvaziv BBA'ların bir çoğu, beyin dokusuna doğrudan sensör yerleştirmektedir ve bu büyük sağlık riskleri oluşturmaktadır. İnvazive BBA üzerinde çalışan bazı firmalar bu riskleri azaltmak için beyin dokusuna sensör koymamaktadır. Bu BBA'lara Az İnvazive BBA'lar denmektedir.        

Derin Öğrenme ile Parmak Seviyesinde Kontrol

Yayınlanan yeni çalışmada, invaziv olmayan elektroensefalografi (EEG) tabanlı BBA ile bireysel parmak hareketlerinin gerçek zamanlı robotik kontrolü başarılmıştır ve bunu başaran ilk invaziv olmayan BBA sistemdir.

• Katılımcılar, sağ eldeki baş parmak, işaret parmağı veya serçe parmağını hareket ettirerek (Movement Execution, ME) veya zihinsel olarak düşünerek (Motor Imagery, MI) bir robot elin ilgili parmağını kontrol etti.
• EEGNet-8.2 Derin Öğrenme Modeli sayesinde ham EEG sinyalleri işlenerek parmak hareketleri %80,56 (iki parmak) ve %60,61 (üç parmak) doğrulukla kontrol edildi. Geleneksel yöntemlerden farklı olarak, derin öğrenme sayesinde nöral sinyallerdeki ince farklılıklar otomatik olarak tespit edildi. Katılımcılardan gün içerisinde toplanan verilerle modelin güncellenmesi yapıldı (Fine-Tuning). Böylece oturumlar arası performans %15-20 oranında iyileştirildi.
• Çevrimiçi Düzeltme: Robotik hareketlerdeki titremeyi azaltmak için önceki çıktıları dikkate alan bir algoritma geliştirildi. Bu sayede kontrol komutları istikrarlı hale getirildi.

Çalışmanın Önemi

• İlk kez başarıldı: İnvaziv olmayan BCI'larda parmak seviyesinde kontrol daha önce mümkün değildi. EEG'nin düşük çözünürlüğüne rağmen, derin öğrenme sayesinde nöral sinyalleri yakın olan bir elin parmaklarının sinyalleri başarıyla ayırt edildi.
• Pratik Uygulama: Katılımcıların sadece 1 eğitim oturumu sonrasında doğruluk oranı ciddi bir şekilde arttı. Böylece sistemin, klinik kullanımda hızlı adaptasyon potansiyeli gösterildi.

Gelecek Vizyonu

Bu çalışma, invaziv olmayan BCI'ların karmaşık görevlerdeki potansiyelini kanıtlayarak önemli bir kilometre taşı olmuştur. Robotik protezler, nöro-rehabilitasyon ve insan-bilgisayar etkileşimi alanlarında çığır açabilir. Araştırmacıların bir sonraki aşamada hedefleri şu şekilde sıralanmaktadır.

• Daha fazla parmak kontrolünü sağlama: Bu çalışmada 4 parmağın sınıflandırılmasındaki doğruluk oranı (%45 true positive oranı) yetersizdir. Gelişmiş algoritmalar ve birden çok yöntem (fMRI + EEG) kullanımının doğruluk oranını arttırması hedeflenmektedir.
• Klinik testler: Motor engelli bireylerle doğrudan çalışmalara başlanılması hedeflenmektedir.
• Erişilebilirlik: EEG cihazlarının maliyetinin düşmesi ve kullanıcı dostu arayüzlerinin tasarlanarak gündelik hayatta kullanılabilirliğini arttırmak hedeflenmektedir.