Construction of a direct brain-machine interface (BMI) for neuroprosthetic purposes is at the forefront of many current neural engineering thrusts. Due to recent breakthroughs in device technology and implantation techniques, a basic framework is now sufficiently developed to allow design of systems level interface strategies producing robust, scalable BMIs that adapt quickly to optimize information transfer at the interface. It has been postulated that knowledge of the underlying neural coding is mandatory for further BMI development. In this preliminary report we use an adaptive algorithm requiring limited knowledge of the underlying neural coding to allow naive rats implanted with Michigan silicon microelectrode arrays in motor cortex to perform a tone discrimination task via differential modulation of the recorded signals. One subject was able to perform the task consistently above chance, despite minor daily fluctuations in recording populations and signal quality. The brain rapidly changed response strategies to facilitate performance of the task, and the algorithm subsequently adapted to accommodate improved BMI operation

ساخت رابط مستقیم مغز-ماشین (BMI) برای پروستتیک عصبی جلودار بسیاری مباحث اصلی مهندسی عصبی است. به دلیل پیشرفت های اخیر در فن آوری دستگاه و روش های کاشت، چارچوب بنیادینی به اندازه کافی توسعه یافته است تا این امکان را برای طراحی استراتژی های رابط سطح سیستم ها فراهم نماید که بتوانند BMI های قدرتمند و قیاس پذیری تولید کنند که برای بهینه سازی انتقال اطلاعات از رابط به سرعت وفق می یابد. فرض بر این بوده است که آگاهی از کدینگ عصبی اصلی برای پیشرفت های بعدی BMI ضروری است. در این گزارش مقدماتی از الگوریتم وفقی ای استفاده می کنیم که نیاز محدودی به آگاهی از کدینگ عصبی اصلی دارد تا این امکان را فراهم کند که بتوان آرایه های میکروالکترود سیلیکنی میشیگان را در کورتکس حرکتی موش های ساده کاشت تا بتوانند عمل افتراق تُن را از طریق مدولاسیون تفاضلی سیگنال های ضبط شده انجام دهند. یکی از نمونه های آزمایشی با وجود نوسانات جزئی روزانه در گروه های ضبط و کیفیت سیگنال، قادر به انجام این کار به طور مداوم و با احتمال بالا می باشد. برای تسهیل کردن انجام این کار، مغز به سرعت استراتژی های پاسخ را تغییر می دهد و سپس الگوریتم برای سازگار کردن عملکرد BMI بهبود یافته وفق می یابد.

1- مقدمه

ساخت و تعیین مشخصات رابط مغز-ماشین دائمی (BMI) یکی از چالش های اصلی در مهندسی عصبی مدرن است. BMI های غیر مستقیم که از سیگنال های ناشی از مغز استفاده می کنند، از طریق روش های EEG بدون رسوخ در پوست به دست آمده اند و نرخ انتقال اطلاعات معیاری برابر با 10-12 bits/min ارائه می دهند…