Luistert de volgende wearable naar onze hersenen?

Beeldt u zich eens in dat u dingen kan besturen met uw gedachten. Misschien kan dit in de toekomst wel met een wearable die u op uw hoofd draagt en naar uw hersenen luistert om te bepalen wat u wil doen. Voor velen misschien een leuk nieuw gadget, maar voor mensen die verlamd raakten na een wervelletsel zou het veel kunnen betekenen op het vlak van zelfstandigheid. In mijn masterproef onderzocht ik daarom of nieuwe, slimme algoritmes dit mogelijk kunnen maken.

Computers leren luisteren naar ons brein

Na een letsel aan de wervelkolom bestaat de kans dat er verlamming optreedt. Afhankelijk van de plaats van het letsel, is het voor de patiënt niet meer mogelijk om zelfstandig te bewegen, of zelfs te spreken. Nochtans is bij deze patiënten vaak de hersenfunctie die deze spieren aanstuurt nog intact.

Door elektrodes op het hoofd te plaatsen kunnen de signalen die onze hersenen produceren worden opgevangen – zoals bij een antenne – en vervolgens worden omgezet in elektrische signalen. Deze techniek noemen we elektro-encefalografie of kortweg EEG.

Elk van onze ledematen wordt bestuurd door een bepaald deel van onze hersenen. Wanneer we met een lidmaat aan de ene kant van ons lichaam een beweging maken of ons inbeelden dat we die zullen maken, worden de breinsignalen van de overeenkomstige hersenregio aan de tegenovergestelde kant zwakker, terwijl die aan dezelfde kant sterker worden. Een computer kan leren om deze patronen te herkennen in de opgenomen breinsignalen en zo een voorspelling te maken over met welke kant de patiënt de beweging (ingebeeld) maakte, bijvoorbeeld een linker- of rechterhandbeweging. Zulk computersysteem noemen we een brein-computer interface.

Hoewel bij wervelletselpatiënten bepaalde spieren niet meer verbonden zijn met de hersenen, is de hersenfunctie vaak onbeschadigd en kan een brein-computerinterface bij hen worden ingezet voor het besturen van bijvoorbeeld een rolstoel of spraakcomputer. Hierdoor krijgt de patiënt opnieuw een deel van diens zelfstandigheid terug.

Van het lab naar het dagelijkse leven

Meestal worden de EEG-elektrodes vastgemaakt aan een muts die ervoor zorgt dat ze op de juiste plek blijven zitten. Maar deze muts is zeer oncomfortabel en moet bovendien geregeld opnieuw worden geplaatst om de kwaliteit van de signalen optimaal te houden. Dit maakt deze aanpak ongeschikt voor de toepassing hierboven beschreven, waarin de gebruiker het apparaat voor langere tijd draagt.

Het vastmaken van de elektrodes aan een muts zorgt ervoor dat die steeds op de juiste plaats blijven zitten (foto: Chris Hope, CC BY 2.0, via Wikimedia Commons)

Wetenschappers hebben daarom een alternatieve aanpak voorgesteld waarin er gebruik wordt gemaakt van een draadloos netwerk van kleine sensormodules die bijvoorbeeld op het hoofd van de patiënt kunnen worden geplakt doordat ze zo licht zijn. Elke module beschikt dan over een aantal EEG-elektrodes en kan draadloos communiceren met de andere modules in het netwerk.

Om de hierboven beschreven patronen in onze hersensignalen te kunnen herkennen, moeten er signalen worden opgenomen van verschillende delen van onze hersenen en met elkaar worden vergeleken. Daarom moeten er meerdere sensormodules worden geplaatst, verspreid over het hoofd van de patiënt, en moeten de modules hun signalen doorsturen naar elkaar zodat deze kunnen worden vergeleken.

Deze signalen worden echter sterk gedempt door het hoofd, waardoor deze communicatie erg energieverslindend is. Verder is om de modules zo klein mogelijk te houden, ook de batterijcapaciteit beperkt. De benodigde communicatie tussen de modules gebruikt dan ook teveel energie om een redelijke batterijduur te hebben.

Daarom ontwikkelde ik in mijn masterproef een systeem om de hersensignalen te interpreteren met zo’n draadloos netwerk waarbij de modules samenwerken door middel van slimme algoritmes. Ik onderzocht ook of dat dan de voorgestelde aanpak mogelijk zou kunnen maken en welke performance er dan verwacht kan worden van zulke systemen. Er werd daarbij gekeken naar twee performance-aspecten: de accuraatheid van de voorspellingen en de energieconsumptie. Beide zijn cruciale factoren die bepalen of het systeem praktisch haalbaar is.

Methodes

Om een inschatting te kunnen maken van de energieconsumptie, ontwikkelde ik wiskundige modellen. Die modellen geven op basis van enkele parameters zoals o.a. het aantal modules en het aantal elektrodes per module, een wiskundige benadering van de werkelijke energieconsumptie.

Om de accuraatheid te bepalen, werd data van een EEG-sensornetwerk geëmuleerd op basis van traditionele EEG-data die eerder werd opgenomen bij proefpersonen. Dit wordt dan gebruikt in het ontwikkelde systeem waarna de accuraatheid van de resulterende voorspellingen wordt bepaald.

Resultaten

Met deze methodes werd vervolgens de energieconsumptie en accuraatheid bepaald van netwerken met verschillende groottes, waarbij de grootte bepaald is door het aantal modules. Hieruit bleek dat een relatief klein netwerk de beste accuraatheid behaalde. Dat is enerzijds goed nieuws, want zo moeten er minder modules bevestigd worden en is het systeem dus makkelijker en comfortabeler in gebruik.

Anderzijds bleek echter wel uit de experimenten dat voor kleine netwerken, de onderlinge communicatie die nodig is voor de samenwerking tussen de modules, de voordelen van de slimme algoritmes teniet deed wat betreft de energieconsumptie. De slimme algoritmes leverden voor deze toepassing dan ook geen verbetering op in energieverbruik ten opzichte van het eenvoudige algoritme. Uit dit onderzoek blijkt dat om het gebruik van een EEG-sensornetwerk mogelijk te maken voor deze toepassing, de focus in de toekomst zal moeten gelegd worden op het ontwikkelen van eenvoudigere algoritmes. De modellen en systemen die ontwikkeld werden in deze masterproef kunnen dan opnieuw worden gebruikt om die nieuwe, simpelere algoritmen te evalueren.

Bij experimenten op grotere netwerken, zijn de voordelen wel duidelijk zichtbaar. De slimme algoritmes die gebruikt werden, blijken dus ideaal voor toepassingen die gebruik maken van zulke grotere netwerken, zoals bijvoorbeeld voor het monitoren van epilepsiepatiënten ter voorbereiding op een operatie. Dat zou het voor de patiënt comfortabeler maken en bovendien toelaten om monitoring bij de patiënt thuis mogelijk te maken.

Zowel voor toepassingen met kleine als grote netwerken hebben EEG-sensornetwerken nog veel potentieel. Verder onderzoek is echter nog nodig voordat deze systemen een realiteit kunnen worden, waartoe de modellen en systemen uit deze masterproef een basis kunnen vormen.