کاربرد رابط هاي مغز- کامپيوتر براي برقراري ارتباط و کنترل
فعاليت مغز سيگنال هاي الکتريکي توليد مي کند که از روي پوست سر، قشر يا درون مغز قابل تشخيص هستند. رابط هاي مغز کامپيوتر (BCI) اين سيگنال ها را به خروجي هايي تبديل مي کنند که کاربران را قادر سازد بدون دخالت عضلات و اعصاب جانبي به برقراري ارتباط بپردازند.(شکل 1)
از آنجا که اين رابط ها به کنترل عصبي عضلاني وابسته نيستند، به افرادي با بيماري هاي نابود کننده کنترل عصبي عضلاني (مانند اسکلروز جانبي آميوتروفيک (ALS)، سکته ساقه مغز، فلج مغزي و صدمات نخاعي) امکان برقراري ارتباط و کنترل مي دهند. هدف اصلي تحقيق و توسعه BCI اين است که کاربران را قادر مي سازد خواسته هاي خود را به پرستارانش منتقل کنند، از برنامه هاي پردازش متن و ساير نرم افزارها استفاده کنند و حتي يک بازوي روباتيک يا نوروپروتز (مصنوعي) را کنترل کنند. مشاهدات نشان داده اند که BCI مي تواند براي افرادي با آسيب هاي حرکتي خفيف تر يا حتي افرادي که فاقد چنين آسيب هايي هستند نيز مفيد باشد. سيگنال هاي مغز توسط الکترودهايي که بر روي پوست سر قرار دارند جمع آوري و پردازش مي شوند تا ويژگي هاي سيگنالي خاص که نشان دهنده مقاصد کاربر است از آنها استخراج شوند. اين ويژگي ها به دستورالعمل هايي براي کار با دستگاه ترجمه مي شوند. کاربران بايد رابطه مناسبي ميان قصد خود و ويژگي هاي سيگنال BCI برقرار و آن را حفظ کنند. BCI نيز بايد ويژگي هاي تحت کنترل کاربر را انتخاب و استخراج و آنها را به دستورالعمل هاي کار با دستگاه ترجمه کند (برگرفته از مقاله ولپا و همکاران.)
بيش از 80 سال از زماني که هنري برگر در اثر پيشگام خود نشان داد که مي توان بدون جراحي و با استفاده از الکترودهاي از روي پوست سر فعاليت الکتريکي مغز را ضبط کرد، مي گذرد. برگر دريافت که يک نواخت (فرکانس) قابل مشاهده تقريباً 10 هرتزي در پشت سر وجود دارد که به نور واکنش نشان مي دهد. وي اين نواخت را آلفا ناميد. اين مورد و مشاهدات ديگر نشان دادند که مي توان از الکتروانسفالوگرام (EEG) به عنوان شاخصي از وضعيت کلي مغز استفاده کرد. با وجود آزمايشات دقيق برگر، در ابتدا بسياري از دانشمندان به آن با ديده شک مي نگريستند. برخي از آنها اعلام مي کردند که ممکن است EEG نوعي خطاي دريافت (درست نما) باشد. اما کارهاي بعدي با قاطعيت نشان دادند که EEG واقعاً توسط فعاليت هاي مغز توليد مي شود.
الکترودهايي که بر روي پوست سر قرار مي گيرند با بافت مغز فاصله دارند و پوشش هاي مغز از جمله سابکوتانيوس و پوست آن دو را از هم جدا مي کنند. در نتيجه سيگنال به طور قابل ملاحظه اي افت کرده و تنها فعاليت همزمان تعداد زيادي از عناصر عصبي قابل تشخيص خواهد بود و اين امر دقت بررسي فعاليت هاي مغز را محدود مي کند. علاوه بر اين الکترودهاي روي پوست، فعاليت منابع ديگر از جمله نويزهاي محيط (مانند فعاليت 50 تا 60 هرتزي خطوط برق) و نويزهاي زيستي (مانند فعاليت قلب، عضلات اسکلتي و چشم ها) را نيز ضبط مي کنند. با اين وجود از زمان برگر تاکنون در مطالعات بسياري از EEG براي شناخت عملکرد مغز استفاده شده که بسياري از آنها با استفاده از ميانگين گيري، EEG را از نويز الکتريکي متداخل جدا کرده اند.
تحقيقات EEG نشان دهنده دو پارادايم اصلي است: پتانسيل هاي الکتريکي برانگيخته و ويژگي هاي نوساني، پتانسيل هاي برانگيخته شکل موج هايي ناپايدار يا آشفتگي هايي مختصر در فعاليت هاي در حال انجام هستند که با يک پيشامد (مثلاً يک محرک بصري) هم فازند. تجزيه و تحليل آنها معمولاً از طريق ميانگين گيري چندين اتفاق مشابه در يک محدوده زماني انجام مي شود. با وجودي که ويژگي هاي نوساني نيز ممکن است در واکنش به يک پيشامد خاص رخ دهند، اما آنها معمولاً هم فاز نيستند و روش مطالعه معمول در آنها طيف نمايي است. با وجودي که هر دو پارادايم اصلي در تحقيقات BCI به کار رفته اند، از نظر تاريخي در بيشتر مطالعات EEG، پتانسيل هاي برانگيخته هم فاز مورد بررسي قرار گرفته اند.
کاربرد اصطلاح BCI به دهه 1970 باز مي گردد. زماني که ژاک ويدال از دانشگاه کاليفرنيا در لس آنجلس، يک سيستم BCI مبتني بر پتانسيل هاي برانگيخته بصري ابداع کرد. کاربران وي به يک صفحه شطرنج قرمز رنگ لوزي شکل نگاه مي کردند که با نور چشمک زن زنون روشن مي شد. با قرار گرفتن در گوشه هاي مختلف صفحه چشمک زن مي توانستند براي حرکت در هزارتوي موجود در يک ترمينال گرافيکي، دستورات حرکت به بالا، پايين، چپ و راست را صادر کنند.
داده ها توسط يک کامپيوتر بزرگ (مين فريم) IBM360 ديجيتال مي شد و يک کامپيوتر XDS Sigma7 نيز کنترل پيشامدهاي آزمايش را بر عهده داست. کاربران ابتدا داده هاي لازم براي تعليم يک تابع تفکيک کننده خطي گام به گام را فراهم مي کردند و سپس به حرکت آن لاين و بلادرنگ در هزارتو مي پرداختند. بنابراين ويدال از تکنيک هاي پردازش سيگنال براي تحليل بلادرنگ EEG با ميانگين گيري حداقلي استفاده کرد. شکل موج هايي که ويدال ارائه کرد نشان داد BCI وي از فعاليت EEG در قاب زماني N100P200 استفاده کرده است که Nو P به ترتيب نشان دهنده بيشينه مثبت و منفي اعداد بيانگر ميزان تأخير نسبي در واحد ميلي ثانيه اند.
دستاورد ويدال برهاني جذاب براي اثبات اصل بود. چنين دستاوردي در اوايل دهه 1970 به دليل وابستگي به سيستم هاي تسهيم زماني و ظرفيت محدود پردازشي کامپيوترها فاصله زيادي با استفاده عملي داشت. ويدال حذف آن لاين درست نماهاي (خطاهاي دريافتي) چشمي را نيز اضافه کرد تا جلوي استفاده از آنها در کنترل را بگيرد. يک دهه پيش از آن ادموند دوان از آزمايشگاه تحقيقاتي نيروي هوايي کمبريج در بدفورد ايالت ماساچوست، کاربراني را آموزش داده بود تا به طور مشخص از حرکت چشم هايشان براي تنظيم امواج مغزي استفاده کنند. اين آزمايش نشان مي داد که افراد مي توانند بياموزند با فعاليت هاي EEG ناشي از حرکت چشم، پيام هاي مورس بفرستند.
اين واقعيت که BCIهاي ويدال و دوان هر دو به حرکت چشم ها وابسته بودند، از جذابيت آنها از هر دو جنبه علمي و باليني مي کاست چرا که به هر حال به کنترل واقعي عضلات يا حرکت چشم نياز داشتند و از EEG براي نشان دادن نتيجه حرکت چشم استفاده مي کردند.
ولپا و همکارانش براي اولين بار از نواخت هاي حسي حرکتي (SMR) براي کنترل نشانگر روي يک صفحه نمايش استفاده کردند. و اين نواخت هاي EEG با حرکت يا تصور حرکت تغيير مي کنند و خود انگيخته اند يعني به محرک خاصي نياز ندارند. افراد ياد گرفتند با تغيير نواخت هاي حسي حرکتي خود نشانگر را براي زدن دو هدف در حد بالا و حد پايين صفحه نمايش حرکت دهند.
ب) در يک سيستم P300، يک ماتريس انتخاب در صفحه نشان داده مي شود و با روشن شدن ترتيبي اين انتخاب EEG فرد ضبط مي شود.
ج) در يک BCI نوروني درون قشري الکترودهاي جاسازي شده درون قشر مغز پتانسيل الکتريکي فعاليت هاي نورن هاي منفرد را تشخيص مي دهند. کاربران مي آموزند که با کنترل نرخ آتش نورون ها نشانگر را بر روي صفحه حرکت دهند.
حرکت هاي نشانگر با دامنه نوسان SMR (که با استفاده از طيف سنجي اندازه گيري مي شد) کنترل مي گرديد. يکي از وجوه تمايز اين فعاليت اين بود که کاربران را وادار مي کرد براي زدن دو هدف دائماً ميان دو حالت تغيير وضعيت دهند. ماهيت دو جهتي و سريع پارادايم ولپا و همکارانش، آن را از مطالعات پيشين که تغييرات يک جهتي طولاني مدت در نواخت هاي مغزي ايجاد مي کردند (مثلاً کاربران مجبور بودند هر بار يک افزايش نواخت EEG را براي مدت يک دقيقه حفظ کنند) متمايز مي کند.
اين نتايج اوليه SMR در تحقيقات بعدي نيز تکرار و به کنترل چند بعدي گسترش يافت. BCIهاي حسي حرکتي و P300 نشان دادند ضبط بدون جراحي EEG سيگنال هاي مغزي مي تواند به عنوان اساس کار دستگاه هاي ارتباط و کنترل مورد استفاده قرار گيرند.
آزمايشگاه هاي مختلفي نيز به بررسي امکان توسعه رابط هايي با فعاليت هاي تک نوروني که به وسيله ميکروالکترودهاي جاسازي شده در قشر مغز فعاليت مي کنند، پرداخته اند. بيشتر اين آزمايشات بر روي نخستي هاي غير انسان (ميمونها) صورت گرفته اند اما در مواردي نيز سوژه هاي انساني داشته اند. مطالعات ديگر نيز نشان داده اند که ضبط فعاليت الکتروکورتيکوگرافيک (ECoG) سطح مغز نيز مي تواند سيگنال هاي مورد نياز BCI را فراهم کند. آنها تاکنون نشان داده اند که روش هاي ضبط با جراحي نيز مي توانند اساس کار BCI باشند، اما هنور مسائل مهمي در زمينه اثرات احتمالي استفاده طولاني مدت انسان از اين روش ها وجود دارد که بايد حل شود.
مطالعات اوليه که شامل شرطي سازي کنشي واحدها در قشر حرکتي نخستي ها، نواخت تتاي کامپال در سگ ها و نواخت حسي حرکتي در انسان ها مي شد، نشان داد مي تواند با استفاده از تکنيک هاي کنشي، فعاليت هاي مغز را تعليم داد. اما اين مطالعات مورد سيستم هاي BCI کاربردي نداشتند زيرا سوژه بايد براي دوره هاي چند دقيقه اي فعاليت مغزي خود را در يک جهت تغيير داد. اما دستگاه هاي ارتباط و کنترل نياز دارند که کاربر حداقل بتواند ميان دو گزينه متفاوت انتخاب کند. به عبارت ديگر در هر انتخاب بايد حداقل يک بيت اطلاعات وجود داشته باشد. دستگاه هاي ارتباط و کنترل مؤثر دارند که کاربر بتواند به سرعت ميان چندين گزينه تغيير وضعيت دهد.
محققين نشان داده اند که علاوه بر معيارهاي الکتروفيزيولوژيک مي توان از مگنتوانسفالوگرافي (MEG)، تصويربرداري مقاومت مغناطيسي کاربردي (fMRI) و سيستم هاي نزديک به مادون قرمز نيز استفاده کرد. فناوري هاي فعلي ضبط fMRI و MEG گران قيمت و حجيم هستند و fNRI به طور بالقوه ارزان تر و فشرده تر است. اما هر دوي fMRI و fNRI به دليل وابستگي به تغييرات جريان خون مغزي پاسخ دهي کندي دارند. بنابراين در حال حاضر هنوز سيگنال هاي الکتروفيزيولوژيک کاربردي ترين سيگنال براي استفاده در BCI هستند.
بلاتکرتز و همکارانش با بررسي نتايج يک مسابقه طبقه بندي داده هاي BCI، گرايشات مختلفي را يافتند. بيشتر برندگان از الگوريتم هاي طبقه بندي خطي استفاده کرده بودند که از آن ميان تفکيک دننده فيشر و ماشين هاي برداري پشتيبان خطي (SVM) پرطرفدارترين ها بودند. برندگان بخش مجموعه دادگان نوساني چند کاناله، اغلب از الگوهاي فضايي متداول استفاده کرده بودند. لوت و همکارانش در طبقه بندي ادبيات مربوط به الگوريتم هاي طبقه بندي به اين نتيجه رسيدند که ماشينهاي برداري پشتيبان کارآمدتر هستند و دليل اين کارآمدي ويژگي تنظيم و اصلاح و مصونيت آنها در برابر نفرين ابعاد است. آنها همچنين با اشاره به فقدان مقايسه الگوريتم ها در يک مطالعه و با استفاده از پارامترهاي يکسان، نتيجه گيري کردند که استفاده از ترکيباتي از الگوريتم ها نيز مي تواند موثر باشد.
مولر و بلانکرتز از يک رويکرد يادگيري ماشين براي توسعه BCI دفاع کرده اند. رويکردي که در آن از تحليل آماري معيار اندازه گيري براي آموزش سيستم استفاده شود. هدف، دستيابي به يک روش «بدون نياز به آموزش» است که کاربران مي توانند بدون نياز به آموزش کنترل سيگنال هاي مغزي، از اولين جلسه به طور کارآمد از آن استفاده کنند. ايده سيستمي که بدون نياز به آموزش هاي طولاني قابل استفاده باشد بسيار جذاب است چرا که در ابتداي کار به تلاش کمتري هم از طرف کاربر و هم از طرف اپراتور سيستم نيازمند است. عملکرد چنين سيستمي بر اين فرض تاکنون اثبات نشده استوار است که کاربران مي توانند مکرراً و به طور قابل اطميناني رابطه ميان سيگنال هاي مغزي و مقاصد خويش را حفظ کنند. شکل3 سه حالت مختلف سازگاري براي حفظ کارايي مناسب BCI را نشان مي دهد: در شکل نخست BCI خود را با کاربر وفق مي دهد، در شکل دوم اين کاربر است که خود را با BCI سازگار مي کند و در شکل سوم هر دو با يکديگر وفق پيدا مي کنند.
تعدادي از سيستم هاي BCI به منظور تشخيص عملکرد کاربر در فعاليت هاي شناختي خاص طراحي شده اند. کوران و همکارانش معتقدند که فعاليت هاي شناختي (مانند ناوبري و تصويربرداري شنوايي) مي توانند براي کنترل BCI از تصويربرداري حرکتي مفيدتر باشند. اما BCIهاي مبتني بر نواخت حسي حرکتي نيز مي تواند مزايايي نسبت به سيستم هاي مبتني بر عمليات شناختي پيچيده داشته باشند. به عنوان مثال احتمال دارد ساختارهاي درون تصويربرداري شنوايي نيز با ورودي حس شنوايي هدايت شوند. ولپا و مک فارلند مي گويند با تمرينات گسترده کاربران براي کار با يک BCI مبتني بر نواخت حسي حرکتي، ديگر نيازي به تصويربرداري حرکتي وجود ندارد. احتمال تداخل کارايي خودکار با عمليات ذهني ديگري که کاربران در حين استفاده از BCI دارند کمتر است. به عنوان مثال نوشتن يک متن بدون نياز به فکر کردن به تک تک حرکت هاي قلم بر روي کاغذ بسيار ساده تر است.
همان طور که پيش از اين گفته شد ممکن است EEG با فعاليت هاي غير مغزي (مثل نويز خطوط و فعاليت هاي عضلاني) درآميخته باشد. فعاليت هاي ضبط شده از روي سر شامل سيگنال هاي بسياري است که برخي از آنها منشائي مغزي و برخي منشائي غير از مغز دارند. براي بررسي جرئيات اين سيگنال ها مي توانيد به مقاله فتورچي و همکارانش مراجعه کنيد. اين سيگنال ها شامل سيگنال هاي توليد شده توسط دوقطبي شبکيه، حرکمت چشم ها يا پلک زدن و عضلات صورت مي شود. شايان ذکر است که اغلب تغيير در ميزان پلک زدن و فعاليت هاي عضلاني را با فعاليت هاي ذهني مرتبط مي دانند. عضلات صورت مي توانند سيگنال هايي با انرژي اي در طيف سيگنال هاي بينايي توليد کنند. اين سيگنال ها اغلب در BCIهاي مبتني بر SMR به عنوان ويژگي در نظر گرفته مي شوند. فعاليت عضلاني همچنين مي تواند فعاليت SMR را تنظيم کند. مثلاً کاربر ميي تواند به منظور ناهم زمان سازي نواخت ميو. (mu) در نيمکره چپ مغز، دست راست خود را حرکت دهد. اين نوع از دخالت EEG که در اثر حرکت عضلات جانبي پديد مي آمد در نخستين روزهاي توسعه BCI يکي از نگراني هاي محققين بود. همان طور که پيش تر گفته شد دوان به کاربران آموزش داد تا با استفاده از نواخت هاي آلفاي پس سري که بوسيله حرکت هاي اختياري چشم تنظيم مي شدند، به ارسال پيام هاي مورس بپردازند. به همين دليل واگان و همکارانش در زماني که کاربران سعي داشتند با استفاده از نواختهاي بتا و ميوي مرکزي، نشانگر را جابجا کنند، به ضبط سيگنال هاي EMG از 10 عضله دورباش دست و پا پرداختند، EMG ضبط شده از اين کاربران تعليم ديده در سطح بسيار پاييني قرار داشت. از همه مهم تر اينکه ارتباطي که ميان مکان هدف و ميزان EEG وجود داشت در فعاليت EMG ديده نمي شد. مطالعات مشابه با حرکت دو جهتي نشانگر نيز انجام شده است که نشان مي دهد تنظيم SMR به حرکت يا فعاليت واقعي عضلات نيازي دارد.
ميانگين کاربران P300 نيز 3.66 انتخاب در دقيقه بوده است. نرخ گزارش شده در مورد سيستم P300 به نحوه محاسبه شکل بستگي دارد ولي نويسندگان مطالعات ديگر به اين جزئيات اشاره نکرده اند. حذف زمان ميان آزمايش ها، نتايج P300 را از 3.66 به 5.92 کاراکتر در ثانيه افزايش داد. در هر حال عملکرد اين سيستم ها همگي در يک بازه کلي مشابه قرار مي گيرند. با نرخ کاراکتر BCIهاي فعلي تنها کاربراني با گزينه ها محدود مي توانند از آنها استفاده کند.
يکي ديگر از کاربردهاي سيستم هاي BCI کنترل است. به عنوان مثال گروه هاي مختلف نشان داده اند که سوژه هاي انساني مي توانند از فعاليت EEG خود براي هدايت ويلچرهاي شبيه سازي شده استفاده کنند. بل و همکارانش نشان دادند که مي توان از P300 براي انتخاب دستورات پيچيده به يک ربات انسان نماي نيمه خودمختار استفاده کرد. براي بررسي کاربردهاي BCI در دستگاه هاي رباتيک و نوروپروتز مي توانيد به مقاله مک فارلند و ولپا مراجعه کنيد.
نگراني هاي اقتصادي منجر به ساخت دستگاه هاي ارزان قيمتي شده که ادعا مي شود EEG را اندازه گيري مي کنند. اموتيو ونوروسکي دستگاه هايي با تعداد محدودي الکترود ساختند که از فناوريهاي متداول که براي کار به وجود ژل نياز دارند استفاده نمي کنند. هدف از توليد آنها فراهم کردن داده هاي ورودي براي بازي هاي ويديويي است. آنچه خيلي روشن نيست ميزان استفاده واقعي آنها از فعاليت EEG در مقابل فعاليت عضلات سر يا ساير سيگنال هاي غيرمغزي است. با توجه به غلبه فعاليت EMG در فعاليت هاي ضبط شده از مغز، به نظر مي رسد که احتمالاً بيشتر سيگنال هاي مورد استفاده اين دستگاه ها از اين جنس باشند.
هر دو روش با و بدون جراحي از بهبود روش هاي ضبط سيگنال بهره خواهند برد. روشهاي نيازمند جراحي فعلي از لحاظ کارايي پايدار در کوتاه مدت مناسب نيستند واکنش پيچيده جراحي فعلي از لحاظ کارايي پايدار در کوتاه مدت مناسب نيستند. واکنش پيچيده مغز به جاسازي جسم بيروني هنوز به خوبي شناخته نشده است و ممکن است بر کارايي بلند مدت اثر منفي داشته باشد. قرار دادن بدون جراحي الکترودهاي EEG نيز به سطحي از مهارت و براي اطمينان از برقراري اتصال درست به تعميرات دوره اي نياز دارد. الکترودهاي بي دردسر تر و پايدارتري نيز در دست ساخت هستند. روش هاي بهبود يافته براي استخراج ويژگي هاي کليدي EEG و ترجمه آنها به دستورات کنترل دستگاه و آموزش کاربران نيز به بهبود کارايي BCI کمک مي کند.
پيشرفت هاي اخير در سخت افزار کامپيوتر منجر به ساخت سيستم هايي فشرده، قابل حمل و بسيار قدرتمند شده است. استفاده از الکترونيک ديجيتال نيز به بهبود اندازه و کارايي تقويت کننده هاي EEG انجاميده است. در نتيجه ديگر لازم نيست مانند دوران ويدال از يک کامپيوتر بزرگ تسهيم زماني استفاده کنيم و لپ تاپ هاي استاندارد قادرند بيشتر پروتکل هاي بلادرنگ BCI را اجرا کنند.
الگوريتم هاي پردازش سيگنال و يادگيري ماشين نيز بهبود يافته اند. موارد فوق در کنار کشف ويژگي هاي جديد EEG براي استفاده در BCI و توسعه پارادايم هاي جديد براي آموزش کاربران، باعث افزايش تدريجي سرعت و قابليت اطمينان کنترل و ارتباط BCI شده اند. اين پيشرفت ها با آمدن پلت فرم نرم افزاري BCI2000 نيز تسهيل شده است.
BCI2000 يک سيستم تحقيق و توسعه همه منظوره است که شامل تمامي سيگنال هاي مغز، روش هاي پردازش سيگنال، دستگاه خروجي و پروتکل هاي عملکرد است. BCI2000 داراي يک استاندارد عمومي براي ساخت ماژول هاي قابل جابجايي است که بر اساس اصول شي ء گرايي طراحي شده و شامل يک ماژول چهارم انجام مي شود. ماژول هاي بسياري براي دريافت و پردازش سيگنال و استفاده کاربران بر اساس استاندارد BCI200 ساخته شده اند.(ن.ک: org/www.bci2000 home .html/bci 2000)
مرکز وادزورث اخيراً شروع به توسعه سيستمي براي استفاده خانگي افرادي با اختلالات شديد حرکتي کرده است. سخت افزار اصلي آن شامل يک لپ تاپ با يک دريافت کننده 16 کاناله EEG يک صفحه نمايش دوم رو به روي کاربر و يک کلاه الکترود است و نرم افزار آن به وسيله سيستم همه منظوره BCI2000 فراهم شده است. نخستين کاربران اين سيستم در مرحله پاياني بيماري ALS قرار داشتند و حرکت هاي اختياري آنان بسيار کم يا فاقد حرکات اختياري بودند و ابزارهاي کمک ارتباطي متداول به نيازهايشان پاسخ نمي داد. در چنين مواردي به دليل توان عملياتي نسبتاً بالا براي هجي کردن و سادگي استفاده از هجي کننده ماتريسي P300 استفاده مي شود. يک دانشمند 49 ساله مبتلا به ALS که به مدت تقريباً سه سال از اين سيستم استفاده کرده است آن را برتر از سيستم مبتني بر جهت نگاه (ابزار انتخاب حروف بر اساس جهت نگاه) مي داند و روزانه چهار تا شش ساعت براي ارسال و دريافت ايميل و ساير مقاصد ارتباطي از آن استفاده مي کند.
اينکه فناوري BCI تا کجا به پيش خواهد رفت و چقدر مفيد خواهد بود به پيشرفت هاي تحقيقاتي آتي بستگي دارد. اما روشن است که BCIها مي توانند نيازهاي ارتباطي ابتدايي افرادي با توانايي شديد حرکتي را که امکان استفاده از ابزارهاي ارتباطي تکميلي که همگي به کنترل عضلاتي وابسته اند برطرف کنند.
منبع: نشريه بزرگراه رايانه، شماره 141.
از آنجا که اين رابط ها به کنترل عصبي عضلاني وابسته نيستند، به افرادي با بيماري هاي نابود کننده کنترل عصبي عضلاني (مانند اسکلروز جانبي آميوتروفيک (ALS)، سکته ساقه مغز، فلج مغزي و صدمات نخاعي) امکان برقراري ارتباط و کنترل مي دهند. هدف اصلي تحقيق و توسعه BCI اين است که کاربران را قادر مي سازد خواسته هاي خود را به پرستارانش منتقل کنند، از برنامه هاي پردازش متن و ساير نرم افزارها استفاده کنند و حتي يک بازوي روباتيک يا نوروپروتز (مصنوعي) را کنترل کنند. مشاهدات نشان داده اند که BCI مي تواند براي افرادي با آسيب هاي حرکتي خفيف تر يا حتي افرادي که فاقد چنين آسيب هايي هستند نيز مفيد باشد. سيگنال هاي مغز توسط الکترودهايي که بر روي پوست سر قرار دارند جمع آوري و پردازش مي شوند تا ويژگي هاي سيگنالي خاص که نشان دهنده مقاصد کاربر است از آنها استخراج شوند. اين ويژگي ها به دستورالعمل هايي براي کار با دستگاه ترجمه مي شوند. کاربران بايد رابطه مناسبي ميان قصد خود و ويژگي هاي سيگنال BCI برقرار و آن را حفظ کنند. BCI نيز بايد ويژگي هاي تحت کنترل کاربر را انتخاب و استخراج و آنها را به دستورالعمل هاي کار با دستگاه ترجمه کند (برگرفته از مقاله ولپا و همکاران.)
بيش از 80 سال از زماني که هنري برگر در اثر پيشگام خود نشان داد که مي توان بدون جراحي و با استفاده از الکترودهاي از روي پوست سر فعاليت الکتريکي مغز را ضبط کرد، مي گذرد. برگر دريافت که يک نواخت (فرکانس) قابل مشاهده تقريباً 10 هرتزي در پشت سر وجود دارد که به نور واکنش نشان مي دهد. وي اين نواخت را آلفا ناميد. اين مورد و مشاهدات ديگر نشان دادند که مي توان از الکتروانسفالوگرام (EEG) به عنوان شاخصي از وضعيت کلي مغز استفاده کرد. با وجود آزمايشات دقيق برگر، در ابتدا بسياري از دانشمندان به آن با ديده شک مي نگريستند. برخي از آنها اعلام مي کردند که ممکن است EEG نوعي خطاي دريافت (درست نما) باشد. اما کارهاي بعدي با قاطعيت نشان دادند که EEG واقعاً توسط فعاليت هاي مغز توليد مي شود.
الکترودهايي که بر روي پوست سر قرار مي گيرند با بافت مغز فاصله دارند و پوشش هاي مغز از جمله سابکوتانيوس و پوست آن دو را از هم جدا مي کنند. در نتيجه سيگنال به طور قابل ملاحظه اي افت کرده و تنها فعاليت همزمان تعداد زيادي از عناصر عصبي قابل تشخيص خواهد بود و اين امر دقت بررسي فعاليت هاي مغز را محدود مي کند. علاوه بر اين الکترودهاي روي پوست، فعاليت منابع ديگر از جمله نويزهاي محيط (مانند فعاليت 50 تا 60 هرتزي خطوط برق) و نويزهاي زيستي (مانند فعاليت قلب، عضلات اسکلتي و چشم ها) را نيز ضبط مي کنند. با اين وجود از زمان برگر تاکنون در مطالعات بسياري از EEG براي شناخت عملکرد مغز استفاده شده که بسياري از آنها با استفاده از ميانگين گيري، EEG را از نويز الکتريکي متداخل جدا کرده اند.
تحقيقات EEG نشان دهنده دو پارادايم اصلي است: پتانسيل هاي الکتريکي برانگيخته و ويژگي هاي نوساني، پتانسيل هاي برانگيخته شکل موج هايي ناپايدار يا آشفتگي هايي مختصر در فعاليت هاي در حال انجام هستند که با يک پيشامد (مثلاً يک محرک بصري) هم فازند. تجزيه و تحليل آنها معمولاً از طريق ميانگين گيري چندين اتفاق مشابه در يک محدوده زماني انجام مي شود. با وجودي که ويژگي هاي نوساني نيز ممکن است در واکنش به يک پيشامد خاص رخ دهند، اما آنها معمولاً هم فاز نيستند و روش مطالعه معمول در آنها طيف نمايي است. با وجودي که هر دو پارادايم اصلي در تحقيقات BCI به کار رفته اند، از نظر تاريخي در بيشتر مطالعات EEG، پتانسيل هاي برانگيخته هم فاز مورد بررسي قرار گرفته اند.
کاربرد اصطلاح BCI به دهه 1970 باز مي گردد. زماني که ژاک ويدال از دانشگاه کاليفرنيا در لس آنجلس، يک سيستم BCI مبتني بر پتانسيل هاي برانگيخته بصري ابداع کرد. کاربران وي به يک صفحه شطرنج قرمز رنگ لوزي شکل نگاه مي کردند که با نور چشمک زن زنون روشن مي شد. با قرار گرفتن در گوشه هاي مختلف صفحه چشمک زن مي توانستند براي حرکت در هزارتوي موجود در يک ترمينال گرافيکي، دستورات حرکت به بالا، پايين، چپ و راست را صادر کنند.
داده ها توسط يک کامپيوتر بزرگ (مين فريم) IBM360 ديجيتال مي شد و يک کامپيوتر XDS Sigma7 نيز کنترل پيشامدهاي آزمايش را بر عهده داست. کاربران ابتدا داده هاي لازم براي تعليم يک تابع تفکيک کننده خطي گام به گام را فراهم مي کردند و سپس به حرکت آن لاين و بلادرنگ در هزارتو مي پرداختند. بنابراين ويدال از تکنيک هاي پردازش سيگنال براي تحليل بلادرنگ EEG با ميانگين گيري حداقلي استفاده کرد. شکل موج هايي که ويدال ارائه کرد نشان داد BCI وي از فعاليت EEG در قاب زماني N100P200 استفاده کرده است که Nو P به ترتيب نشان دهنده بيشينه مثبت و منفي اعداد بيانگر ميزان تأخير نسبي در واحد ميلي ثانيه اند.
دستاورد ويدال برهاني جذاب براي اثبات اصل بود. چنين دستاوردي در اوايل دهه 1970 به دليل وابستگي به سيستم هاي تسهيم زماني و ظرفيت محدود پردازشي کامپيوترها فاصله زيادي با استفاده عملي داشت. ويدال حذف آن لاين درست نماهاي (خطاهاي دريافتي) چشمي را نيز اضافه کرد تا جلوي استفاده از آنها در کنترل را بگيرد. يک دهه پيش از آن ادموند دوان از آزمايشگاه تحقيقاتي نيروي هوايي کمبريج در بدفورد ايالت ماساچوست، کاربراني را آموزش داده بود تا به طور مشخص از حرکت چشم هايشان براي تنظيم امواج مغزي استفاده کنند. اين آزمايش نشان مي داد که افراد مي توانند بياموزند با فعاليت هاي EEG ناشي از حرکت چشم، پيام هاي مورس بفرستند.
اين واقعيت که BCIهاي ويدال و دوان هر دو به حرکت چشم ها وابسته بودند، از جذابيت آنها از هر دو جنبه علمي و باليني مي کاست چرا که به هر حال به کنترل واقعي عضلات يا حرکت چشم نياز داشتند و از EEG براي نشان دادن نتيجه حرکت چشم استفاده مي کردند.
انواع سيگنال هاي BCI
ولپا و همکارانش براي اولين بار از نواخت هاي حسي حرکتي (SMR) براي کنترل نشانگر روي يک صفحه نمايش استفاده کردند. و اين نواخت هاي EEG با حرکت يا تصور حرکت تغيير مي کنند و خود انگيخته اند يعني به محرک خاصي نياز ندارند. افراد ياد گرفتند با تغيير نواخت هاي حسي حرکتي خود نشانگر را براي زدن دو هدف در حد بالا و حد پايين صفحه نمايش حرکت دهند.
حالات الف و ب بدون جراحي و حالت ج با جراحي است.
ب) در يک سيستم P300، يک ماتريس انتخاب در صفحه نشان داده مي شود و با روشن شدن ترتيبي اين انتخاب EEG فرد ضبط مي شود.
ج) در يک BCI نوروني درون قشري الکترودهاي جاسازي شده درون قشر مغز پتانسيل الکتريکي فعاليت هاي نورن هاي منفرد را تشخيص مي دهند. کاربران مي آموزند که با کنترل نرخ آتش نورون ها نشانگر را بر روي صفحه حرکت دهند.
حرکت هاي نشانگر با دامنه نوسان SMR (که با استفاده از طيف سنجي اندازه گيري مي شد) کنترل مي گرديد. يکي از وجوه تمايز اين فعاليت اين بود که کاربران را وادار مي کرد براي زدن دو هدف دائماً ميان دو حالت تغيير وضعيت دهند. ماهيت دو جهتي و سريع پارادايم ولپا و همکارانش، آن را از مطالعات پيشين که تغييرات يک جهتي طولاني مدت در نواخت هاي مغزي ايجاد مي کردند (مثلاً کاربران مجبور بودند هر بار يک افزايش نواخت EEG را براي مدت يک دقيقه حفظ کنند) متمايز مي کند.
اين نتايج اوليه SMR در تحقيقات بعدي نيز تکرار و به کنترل چند بعدي گسترش يافت. BCIهاي حسي حرکتي و P300 نشان دادند ضبط بدون جراحي EEG سيگنال هاي مغزي مي تواند به عنوان اساس کار دستگاه هاي ارتباط و کنترل مورد استفاده قرار گيرند.
آزمايشگاه هاي مختلفي نيز به بررسي امکان توسعه رابط هايي با فعاليت هاي تک نوروني که به وسيله ميکروالکترودهاي جاسازي شده در قشر مغز فعاليت مي کنند، پرداخته اند. بيشتر اين آزمايشات بر روي نخستي هاي غير انسان (ميمونها) صورت گرفته اند اما در مواردي نيز سوژه هاي انساني داشته اند. مطالعات ديگر نيز نشان داده اند که ضبط فعاليت الکتروکورتيکوگرافيک (ECoG) سطح مغز نيز مي تواند سيگنال هاي مورد نياز BCI را فراهم کند. آنها تاکنون نشان داده اند که روش هاي ضبط با جراحي نيز مي توانند اساس کار BCI باشند، اما هنور مسائل مهمي در زمينه اثرات احتمالي استفاده طولاني مدت انسان از اين روش ها وجود دارد که بايد حل شود.
مطالعات اوليه که شامل شرطي سازي کنشي واحدها در قشر حرکتي نخستي ها، نواخت تتاي کامپال در سگ ها و نواخت حسي حرکتي در انسان ها مي شد، نشان داد مي تواند با استفاده از تکنيک هاي کنشي، فعاليت هاي مغز را تعليم داد. اما اين مطالعات مورد سيستم هاي BCI کاربردي نداشتند زيرا سوژه بايد براي دوره هاي چند دقيقه اي فعاليت مغزي خود را در يک جهت تغيير داد. اما دستگاه هاي ارتباط و کنترل نياز دارند که کاربر حداقل بتواند ميان دو گزينه متفاوت انتخاب کند. به عبارت ديگر در هر انتخاب بايد حداقل يک بيت اطلاعات وجود داشته باشد. دستگاه هاي ارتباط و کنترل مؤثر دارند که کاربر بتواند به سرعت ميان چندين گزينه تغيير وضعيت دهد.
محققين نشان داده اند که علاوه بر معيارهاي الکتروفيزيولوژيک مي توان از مگنتوانسفالوگرافي (MEG)، تصويربرداري مقاومت مغناطيسي کاربردي (fMRI) و سيستم هاي نزديک به مادون قرمز نيز استفاده کرد. فناوري هاي فعلي ضبط fMRI و MEG گران قيمت و حجيم هستند و fNRI به طور بالقوه ارزان تر و فشرده تر است. اما هر دوي fMRI و fNRI به دليل وابستگي به تغييرات جريان خون مغزي پاسخ دهي کندي دارند. بنابراين در حال حاضر هنوز سيگنال هاي الکتروفيزيولوژيک کاربردي ترين سيگنال براي استفاده در BCI هستند.
طراحي سيستم
بلاتکرتز و همکارانش با بررسي نتايج يک مسابقه طبقه بندي داده هاي BCI، گرايشات مختلفي را يافتند. بيشتر برندگان از الگوريتم هاي طبقه بندي خطي استفاده کرده بودند که از آن ميان تفکيک دننده فيشر و ماشين هاي برداري پشتيبان خطي (SVM) پرطرفدارترين ها بودند. برندگان بخش مجموعه دادگان نوساني چند کاناله، اغلب از الگوهاي فضايي متداول استفاده کرده بودند. لوت و همکارانش در طبقه بندي ادبيات مربوط به الگوريتم هاي طبقه بندي به اين نتيجه رسيدند که ماشينهاي برداري پشتيبان کارآمدتر هستند و دليل اين کارآمدي ويژگي تنظيم و اصلاح و مصونيت آنها در برابر نفرين ابعاد است. آنها همچنين با اشاره به فقدان مقايسه الگوريتم ها در يک مطالعه و با استفاده از پارامترهاي يکسان، نتيجه گيري کردند که استفاده از ترکيباتي از الگوريتم ها نيز مي تواند موثر باشد.
مولر و بلانکرتز از يک رويکرد يادگيري ماشين براي توسعه BCI دفاع کرده اند. رويکردي که در آن از تحليل آماري معيار اندازه گيري براي آموزش سيستم استفاده شود. هدف، دستيابي به يک روش «بدون نياز به آموزش» است که کاربران مي توانند بدون نياز به آموزش کنترل سيگنال هاي مغزي، از اولين جلسه به طور کارآمد از آن استفاده کنند. ايده سيستمي که بدون نياز به آموزش هاي طولاني قابل استفاده باشد بسيار جذاب است چرا که در ابتداي کار به تلاش کمتري هم از طرف کاربر و هم از طرف اپراتور سيستم نيازمند است. عملکرد چنين سيستمي بر اين فرض تاکنون اثبات نشده استوار است که کاربران مي توانند مکرراً و به طور قابل اطميناني رابطه ميان سيگنال هاي مغزي و مقاصد خويش را حفظ کنند. شکل3 سه حالت مختلف سازگاري براي حفظ کارايي مناسب BCI را نشان مي دهد: در شکل نخست BCI خود را با کاربر وفق مي دهد، در شکل دوم اين کاربر است که خود را با BCI سازگار مي کند و در شکل سوم هر دو با يکديگر وفق پيدا مي کنند.
تعدادي از سيستم هاي BCI به منظور تشخيص عملکرد کاربر در فعاليت هاي شناختي خاص طراحي شده اند. کوران و همکارانش معتقدند که فعاليت هاي شناختي (مانند ناوبري و تصويربرداري شنوايي) مي توانند براي کنترل BCI از تصويربرداري حرکتي مفيدتر باشند. اما BCIهاي مبتني بر نواخت حسي حرکتي نيز مي تواند مزايايي نسبت به سيستم هاي مبتني بر عمليات شناختي پيچيده داشته باشند. به عنوان مثال احتمال دارد ساختارهاي درون تصويربرداري شنوايي نيز با ورودي حس شنوايي هدايت شوند. ولپا و مک فارلند مي گويند با تمرينات گسترده کاربران براي کار با يک BCI مبتني بر نواخت حسي حرکتي، ديگر نيازي به تصويربرداري حرکتي وجود ندارد. احتمال تداخل کارايي خودکار با عمليات ذهني ديگري که کاربران در حين استفاده از BCI دارند کمتر است. به عنوان مثال نوشتن يک متن بدون نياز به فکر کردن به تک تک حرکت هاي قلم بر روي کاغذ بسيار ساده تر است.
همان طور که پيش از اين گفته شد ممکن است EEG با فعاليت هاي غير مغزي (مثل نويز خطوط و فعاليت هاي عضلاني) درآميخته باشد. فعاليت هاي ضبط شده از روي سر شامل سيگنال هاي بسياري است که برخي از آنها منشائي مغزي و برخي منشائي غير از مغز دارند. براي بررسي جرئيات اين سيگنال ها مي توانيد به مقاله فتورچي و همکارانش مراجعه کنيد. اين سيگنال ها شامل سيگنال هاي توليد شده توسط دوقطبي شبکيه، حرکمت چشم ها يا پلک زدن و عضلات صورت مي شود. شايان ذکر است که اغلب تغيير در ميزان پلک زدن و فعاليت هاي عضلاني را با فعاليت هاي ذهني مرتبط مي دانند. عضلات صورت مي توانند سيگنال هايي با انرژي اي در طيف سيگنال هاي بينايي توليد کنند. اين سيگنال ها اغلب در BCIهاي مبتني بر SMR به عنوان ويژگي در نظر گرفته مي شوند. فعاليت عضلاني همچنين مي تواند فعاليت SMR را تنظيم کند. مثلاً کاربر ميي تواند به منظور ناهم زمان سازي نواخت ميو. (mu) در نيمکره چپ مغز، دست راست خود را حرکت دهد. اين نوع از دخالت EEG که در اثر حرکت عضلات جانبي پديد مي آمد در نخستين روزهاي توسعه BCI يکي از نگراني هاي محققين بود. همان طور که پيش تر گفته شد دوان به کاربران آموزش داد تا با استفاده از نواخت هاي آلفاي پس سري که بوسيله حرکت هاي اختياري چشم تنظيم مي شدند، به ارسال پيام هاي مورس بپردازند. به همين دليل واگان و همکارانش در زماني که کاربران سعي داشتند با استفاده از نواختهاي بتا و ميوي مرکزي، نشانگر را جابجا کنند، به ضبط سيگنال هاي EMG از 10 عضله دورباش دست و پا پرداختند، EMG ضبط شده از اين کاربران تعليم ديده در سطح بسيار پاييني قرار داشت. از همه مهم تر اينکه ارتباطي که ميان مکان هدف و ميزان EEG وجود داشت در فعاليت EMG ديده نمي شد. مطالعات مشابه با حرکت دو جهتي نشانگر نيز انجام شده است که نشان مي دهد تنظيم SMR به حرکت يا فعاليت واقعي عضلات نيازي دارد.
کاربردها
ميانگين کاربران P300 نيز 3.66 انتخاب در دقيقه بوده است. نرخ گزارش شده در مورد سيستم P300 به نحوه محاسبه شکل بستگي دارد ولي نويسندگان مطالعات ديگر به اين جزئيات اشاره نکرده اند. حذف زمان ميان آزمايش ها، نتايج P300 را از 3.66 به 5.92 کاراکتر در ثانيه افزايش داد. در هر حال عملکرد اين سيستم ها همگي در يک بازه کلي مشابه قرار مي گيرند. با نرخ کاراکتر BCIهاي فعلي تنها کاربراني با گزينه ها محدود مي توانند از آنها استفاده کند.
يکي ديگر از کاربردهاي سيستم هاي BCI کنترل است. به عنوان مثال گروه هاي مختلف نشان داده اند که سوژه هاي انساني مي توانند از فعاليت EEG خود براي هدايت ويلچرهاي شبيه سازي شده استفاده کنند. بل و همکارانش نشان دادند که مي توان از P300 براي انتخاب دستورات پيچيده به يک ربات انسان نماي نيمه خودمختار استفاده کرد. براي بررسي کاربردهاي BCI در دستگاه هاي رباتيک و نوروپروتز مي توانيد به مقاله مک فارلند و ولپا مراجعه کنيد.
نگراني هاي اقتصادي منجر به ساخت دستگاه هاي ارزان قيمتي شده که ادعا مي شود EEG را اندازه گيري مي کنند. اموتيو ونوروسکي دستگاه هايي با تعداد محدودي الکترود ساختند که از فناوريهاي متداول که براي کار به وجود ژل نياز دارند استفاده نمي کنند. هدف از توليد آنها فراهم کردن داده هاي ورودي براي بازي هاي ويديويي است. آنچه خيلي روشن نيست ميزان استفاده واقعي آنها از فعاليت EEG در مقابل فعاليت عضلات سر يا ساير سيگنال هاي غيرمغزي است. با توجه به غلبه فعاليت EMG در فعاليت هاي ضبط شده از مغز، به نظر مي رسد که احتمالاً بيشتر سيگنال هاي مورد استفاده اين دستگاه ها از اين جنس باشند.
نتيجه گيري
هر دو روش با و بدون جراحي از بهبود روش هاي ضبط سيگنال بهره خواهند برد. روشهاي نيازمند جراحي فعلي از لحاظ کارايي پايدار در کوتاه مدت مناسب نيستند واکنش پيچيده جراحي فعلي از لحاظ کارايي پايدار در کوتاه مدت مناسب نيستند. واکنش پيچيده مغز به جاسازي جسم بيروني هنوز به خوبي شناخته نشده است و ممکن است بر کارايي بلند مدت اثر منفي داشته باشد. قرار دادن بدون جراحي الکترودهاي EEG نيز به سطحي از مهارت و براي اطمينان از برقراري اتصال درست به تعميرات دوره اي نياز دارد. الکترودهاي بي دردسر تر و پايدارتري نيز در دست ساخت هستند. روش هاي بهبود يافته براي استخراج ويژگي هاي کليدي EEG و ترجمه آنها به دستورات کنترل دستگاه و آموزش کاربران نيز به بهبود کارايي BCI کمک مي کند.
پيشرفت هاي اخير در سخت افزار کامپيوتر منجر به ساخت سيستم هايي فشرده، قابل حمل و بسيار قدرتمند شده است. استفاده از الکترونيک ديجيتال نيز به بهبود اندازه و کارايي تقويت کننده هاي EEG انجاميده است. در نتيجه ديگر لازم نيست مانند دوران ويدال از يک کامپيوتر بزرگ تسهيم زماني استفاده کنيم و لپ تاپ هاي استاندارد قادرند بيشتر پروتکل هاي بلادرنگ BCI را اجرا کنند.
الگوريتم هاي پردازش سيگنال و يادگيري ماشين نيز بهبود يافته اند. موارد فوق در کنار کشف ويژگي هاي جديد EEG براي استفاده در BCI و توسعه پارادايم هاي جديد براي آموزش کاربران، باعث افزايش تدريجي سرعت و قابليت اطمينان کنترل و ارتباط BCI شده اند. اين پيشرفت ها با آمدن پلت فرم نرم افزاري BCI2000 نيز تسهيل شده است.
BCI2000 يک سيستم تحقيق و توسعه همه منظوره است که شامل تمامي سيگنال هاي مغز، روش هاي پردازش سيگنال، دستگاه خروجي و پروتکل هاي عملکرد است. BCI2000 داراي يک استاندارد عمومي براي ساخت ماژول هاي قابل جابجايي است که بر اساس اصول شي ء گرايي طراحي شده و شامل يک ماژول چهارم انجام مي شود. ماژول هاي بسياري براي دريافت و پردازش سيگنال و استفاده کاربران بر اساس استاندارد BCI200 ساخته شده اند.(ن.ک: org/www.bci2000 home .html/bci 2000)
مرکز وادزورث اخيراً شروع به توسعه سيستمي براي استفاده خانگي افرادي با اختلالات شديد حرکتي کرده است. سخت افزار اصلي آن شامل يک لپ تاپ با يک دريافت کننده 16 کاناله EEG يک صفحه نمايش دوم رو به روي کاربر و يک کلاه الکترود است و نرم افزار آن به وسيله سيستم همه منظوره BCI2000 فراهم شده است. نخستين کاربران اين سيستم در مرحله پاياني بيماري ALS قرار داشتند و حرکت هاي اختياري آنان بسيار کم يا فاقد حرکات اختياري بودند و ابزارهاي کمک ارتباطي متداول به نيازهايشان پاسخ نمي داد. در چنين مواردي به دليل توان عملياتي نسبتاً بالا براي هجي کردن و سادگي استفاده از هجي کننده ماتريسي P300 استفاده مي شود. يک دانشمند 49 ساله مبتلا به ALS که به مدت تقريباً سه سال از اين سيستم استفاده کرده است آن را برتر از سيستم مبتني بر جهت نگاه (ابزار انتخاب حروف بر اساس جهت نگاه) مي داند و روزانه چهار تا شش ساعت براي ارسال و دريافت ايميل و ساير مقاصد ارتباطي از آن استفاده مي کند.
اينکه فناوري BCI تا کجا به پيش خواهد رفت و چقدر مفيد خواهد بود به پيشرفت هاي تحقيقاتي آتي بستگي دارد. اما روشن است که BCIها مي توانند نيازهاي ارتباطي ابتدايي افرادي با توانايي شديد حرکتي را که امکان استفاده از ابزارهاي ارتباطي تکميلي که همگي به کنترل عضلاتي وابسته اند برطرف کنند.
منبع: نشريه بزرگراه رايانه، شماره 141.
