Contrôle de la pensée

En juillet 2006, un article de La nature a décrit comment un homme paralysé avec une puce implantée dans son cerveau a utilisé son esprit pour déplacer un curseur d'ordinateur et un bras robotique. La puce est l'un des exemples les plus réussis à ce jour d'une prothèse neurale. De tels dispositifs captent les signaux neuronaux d'une partie du cerveau impliquée dans une activité donnée, comme les neurones du cortex moteur qui se déclenchent lorsqu'une personne imagine déplacer une souris d'ordinateur à la main. Ensuite, ils interprètent ces signaux et dirigent une action physique en conséquence, par exemple en déplaçant un curseur vers la gauche.

Les algorithmes de Lakshminarayan Srinivasan devraient accélérer le développement de nouvelles prothèses neurales.

Les prothèses neurales promettent de responsabiliser les personnes atteintes de maladies neurodégénératives et de lésions de la moelle épinière. Mais comme ils peuvent impliquer de nombreuses combinaisons de régions cérébrales et de matériel, chaque nouveau prototype a eu besoin de son propre logiciel. La conception de nouveaux algorithmes à partir de zéro ralentit le développement, déclare Lakshminarayan Srinivasan, SM '03, PhD '06, chercheur en neurochirurgie au Massachusetts General Hospital et étudiant en médecine à la division Harvard-MIT des sciences et technologies de la santé. Srinivasan développe donc des algorithmes généraux qui pourraient conduire à des logiciels compatibles avec tous ces appareils.

Les technologies de détection de l'activité cérébrale comprennent l'imagerie par résonance magnétique fonctionnelle (IRMf), l'électroencéphalographie (EEG) et la spectroscopie fonctionnelle dans le proche infrarouge, chacune générant différents types de données. Les périphériques de sortie peuvent inclure des téléviseurs, des ordinateurs ou des bras robotiques, chacun ayant des commandes utilisateur différentes.

Les algorithmes de Srinivasan s'appliquent à n'importe quelle combinaison d'appareils car ils fonctionnent à un niveau d'abstraction plus élevé. Au lieu de travailler uniquement avec des entrées EEG reflétant l'activité électrique ou des entrées IRM montrant le flux sanguin dans le cerveau, les algorithmes traitent toute l'activité neuronale comme continue ou binaire (un simple interrupteur marche/arrêt) et la traduisent en commandes continues ou discrètes. (En conduisant une voiture, par exemple, appuyer progressivement sur l'accélérateur est une commande continue ; changer de vitesse est une commande discrète.)

Srinivasan dit que ces algorithmes devraient aider les chercheurs à développer de nouvelles prothèses neurales et à réparer rapidement tous les problèmes qui surviennent.

cacher