Onderzoekers hebben een nieuw deep-learning framework ontwikkeld dat de noodzakelijke kalibratietijd voor Brain-Computer Interfaces (BCI) drastisch vermindert. Deze innovatie kan de weg vrijmaken voor een bredere klinische toepassing van neurofeedback-therapie bij kinderen met cerebrale parese.
De inzet van Brain-Computer Interface neurofeedback (BCI-NFT) wordt momenteel gezien als een veelbelovende methode voor neuromotorische rehabilitatie. Ondanks dit potentieel blijft de adoptie in de klinische praktijk, zeker bij pediatrische patiënten, beperkt. Een van de grootste hindernissen is de tijdrovende kalibratie die voorafgaand aan elke therapiesessie moet plaatsvinden. Voor kinderen met cerebrale parese kan deze lange voorbereidingstijd een significante barrière vormen voor een effectieve behandeling.
Focus op bewegingsintentie
In een recent onderzoek, gepubliceerd op het platform arxiv.org, richtten wetenschappers zich op het detecteren van zogenaamde 'movement-related cortical potentials' (MRCP). Dit zijn specifieke hersensignalen die optreden wanneer iemand de intentie heeft om een beweging uit te voeren. Door deze signalen nauwkeuriger en sneller te kunnen decoderen, kan een BCI-systeem sneller reageren op de wil van de patiënt, wat essentieel is voor effectieve revalidatie.
De studie, uitgevoerd door R. Saadatyar, D. Damiano en A. Behboodi, richtte zich specifiek op kinderen met cerebrale parese. Tijdens het onderzoek werd gebruikgemaakt van elektro-encefalografie (EEG) om hersenactiviteit te meten terwijl vier kinderen herhaaldelijk probeerden hun enkel naar boven te bewegen (dorsiflexie). In totaal werden hiervoor 27 verschillende sessies geregistreerd.
Deep-learning en nieuwe trainingsstrategieën
Om de kalibratietijd te verkorten, implementeerden de onderzoekers een 'bidirectional long short-term memory' (Bi-LSTM) netwerk. Dit type deep-learning model is bijzonder geschikt voor het analyseren van sequentiële data, zoals EEG-signalen. De onderzoekers testten zeven verschillende trainingsstrategieën om te bepalen welke methode de beste balans bood tussen snelheid van opstarten en nauwkeurigheid van de detectie.
De strategieën varieerden van de conventionele methode — waarbij kalibratie binnen elke individuele sessie plaatsvindt — tot meer geavanceerde technieken zoals cumulatief leren over verschillende proefpersonen heen en 'transfer learning'.
Significante resultaten in nauwkeurigheid
De resultaten van het onderzoek tonen aan dat de nieuwe benaderingen superieur zijn aan de traditionele methoden. Volgens de behaalde de methode van cumulatief leren over verschillende subjecten een nauwkeurigheid van 91%, zonder dat er enige kalibratie binnen de sessie nodig was.
Wanneer deze methode werd gecombineerd met transfer learning, steeg de nauwkeurigheid zelfs naar 93%, terwijl er slechts een minimale hoeveelheid kalibratie binnen de sessie vereist was. Beide methoden presteerden significant beter dan de conventionele kalibratiestrategieën. Dit werd niet alleen bevestigd door de nauwkeurigheidscijfers, maar ook door hogere F1-scores en een betere prestatie van de 'receiver operating characteristic' (ROC), wat wijst op een robuuste generalisatie over verschillende sessies en deelnemers heen.
Impact op de klinische praktijk
De bevindingen van Saadatyar en collega's suggereren dat het gebruik van cumulatief leren en transfer learning de drempel voor het gebruik van BCI-systemen in de zorg aanzienlijk kan verlagen. Door de noodzaak voor langdurige kalibratie weg te nemen of sterk te verminderen, wordt de therapie praktischer en toegankelijker voor jonge patiënten.
Dit onderzoek, dat is ingediend onder de categorieën en signaalverwerking, ondersteunt de ontwikkeling van klinisch bruikbare MRCP-gebaseerde BCI-systemen. De mogelijkheid om snel en accuraat bewegingsintenties te detecteren, kan de efficiëntie van neuromotorische rehabilitatie bij kinderen met cerebrale parese aanzienlijk verbeteren.
De volledige details van de methodologie en de resultaten zijn beschikbaar via de van het artikel.