В стандартной постановке задача анализа при построении интерфейсов «мозг — компьютер» выглядит как типичная задача анализа данных. Необходимо регистрировать уровень сигнала электрической активности мозга, и в теории это может нам помочь понять, о чем думает человек в момент проведения измерений. Самое популярное прикладное применение этой концепции — разработка нейроинтерфейсов, которые могли бы помочь нам управлять устройствами силой мысли. Одно из интригующих примеров использования нейроинтерфейсов — это более эффективное обучение. Например, DARPA ведет разработки инструмента, использующего электроэнцефалограмму, для отслеживания прогресса и его ускорения в обучении стрельбе у новобранцев (надо отметить, что совместно с показателями ЭКГ и других физиологических параметров). Еще одно направление, которое активно изучается в мире, — это использование нейроинтерфейсов для постинсультной реабилитации.
Как здесь помогают методы математической статистики и анализа данных? Главное, что должны уметь нейроинтерфейсы, — интерпретировать сигналы мозга и преобразовывать их в управляющие команды устройству. С точки зрения анализа данных это эквивалентно задаче классификации. Например, при одном из подходов к постинсультной реабилитации больной воображает движение рукой, которой он владеет в полной мере, и рукой, которую из-за инсульта он не контролирует или контролирует плохо. Идея состоит в том, что система могла бы распознавать воображаемые движения и давать испытуемому обратную связь для подкрепления активности этого региона мозга, сжимая и разжимая его кулак, например. Для решения этой задачи используются методы анализа данных. Возникает целый ряд важных подзадач. Скажем, в сигнале ЭЭГ, который по своей амплитуде крайне мал, часто возникают артефакты, вызванные другими электрическими сигналами. Одна из причин возникновения наиболее ярко выраженных помех — это моргание. Для борьбы с этим нужно или разрабатывать специальные методы очистки от этих артефактов, или строить устойчивые методы классификации. В целом существуют определенные технологические и научные предпосылки для выхода подобных устройств из лаборатории в жизнь, но для этого предстоит решить многие вопросы, — например, алгоритмы должны быть адаптированы к новым пользователям. Даже в этом случае потенциальные задачи, в которых возможно повседневное использование нейроинтерфейсов, будут крайне ограниченны и просты.
Дело в том, что на основании опытов, проведенных различными методами улучшения распознавания сигналов мозга на основе открытых баз данных, можно сделать вывод, что на текущем уровне развития технологий от особенностей мозга человека, с которого мы снимаем информацию, зависит гораздо больше, чем от алгоритма.
Допустим, мы хотим распознавать управляющие команды. Для одного человека точность работы манипулятора составит около 90%, а для другого — не более 40%. Алгоритмы, используемые при этом для распознавания сигналов, будут одинаковые.
Сейчас ученые пытаются понять, с чем связана такая разница. Немецкая группа Berlin Brain-Computer Interface (BBCI) — один из лидеров алгоритмической разработки в области brain-computer interface. За успехами группы следит все научное сообщество, они ищут самые разные подходы к решению этой задачи. Судя по всему, исследователи BBCI также считают, что исключительно подбором алгоритмов анализа данных задачу улучшения точности распознавания сигналов, по всей видимости, не решить. Возможные направления для развития области — это поиск альтернативных постановок эксперимента или нестандартных способов регистрации активности мозга.
Как мы обсуждали выше, классический подход к нейроинтерфейсам основан на анализе ЭЭГ, то есть электрической активности мозга. Спектроскопия в ближней инфракрасной области — это другая технология, которая позволяет измерять кровоток и тем самым оценивает, какие регионы мозга активировались и потребовали усиления потока крови с питательными веществами и кислородом. Эта технология похожа на своего рода «мини-функциональное МРТ». Выходит, что мы уже измеряем не электрическую активность, а параметры кровотока и получаем другой тип сигнала.
Одно из интересных направлений в современных нейроинтерфейсах — это попытка построить гибридный интерфейс, основанный сразу на двух типах сигнала. Для этого на человека надевают датчики обоих типов и пытаются повысить качество распознавания за счет совместного анализа этих двух сигналов.
Второе направление — разработка методик обучения, направленных на поиск индивидуальных сигналов. Классический подход, используемый для постинсультной реабилитации, — воображение движений руками. Это не самый гибкий подход, так как мы просим каждого испытуемого выполнять однотипные задания и не у всех получается достаточно сильный сигнал. Вместо этого можно предлагать широкий спектр сигналов и анализировать реакцию человека, выбирая для дальнейшего распознавания наиболее сильные.
Однако даже при успешной реализации всех этих подходов сложно ожидать существенных прорывов в области нейроинтерфейсов. Надо признать, что сама технология съема сигнала известна уже очень давно, а больших прорывов в росте спектра решаемых задач нет. Сегодня энтузиасты в разработке конкретных устройств идут дальше и предлагают использовать вместо неудобных гелевых электродных схем сухие электроды. Они более комфортные, но, безусловно, с качеством сигнала для них все еще сложнее. Потребуются еще более серьезные решения для проблемы плохого контакта и огромного уровня шума (для негелевых электродов уровень сигналов не превышает десятков микровольтов). На основе негелевых электродов уже появляются рыночные нейрогарнитуры, но применение их крайне ограничено. Кроме того, скорее всего, все равно останутся люди, для считывания активности мозга которых подобные устройства не будут работать. Есть и другие направления улучшения удобства использования нейроинтерфейсов, — например, за счет использования беспроводных нейроинтерфейсов. К тому же происходит удешевление девайсов. Скажем, на рынке можно найти их по ценам в несколько сотен долларов. Изобретатели обещают, что устройства станут массовыми, но при текущем уровне функциональных возможностей этой технологии будет сложно оказаться чем-то бо́льшим, чем дорогая игрушка на пару дней.
Исследователи ищут в том числе новые концепции нейроинтерфейсов, но здесь пока больших достижений нет. Например, уже достаточно давно известна футуристическая концепция нейропыли — мельчайших датчиков, которые должны перемещаться в организме человека и отправлять ультразвуковые сигналы. Пока технологии нейропыли не отработаны, они остаются фантастическими.
