Des chercheurs étasuniens ont mis au point une nouvelle interface cerveau-machine « plug and play » intégrant notamment le machine learning. Leur objectif est de rendre une certaine autonomie aux patients paralysés.
L’intérêt des interfaces neuronales directes
Progressivement, de nouvelles solutions font leur apparition pour rendre une certaine autonomie aux personnes atteintes de paralysie. Citons par exemple les National Institutes of Health (NIH) aux États-Unis ayant misé sur les exosquelettes. Le but est d’accompagner les enfants atteints de paralysie cérébrale dans le but de soulager le handicap.
Toutefois, les interfaces neuronales directes (BCI) sont également pleines de promesses. Effectivement, celles-ci permettent une communication directe entre le cerveau et la machine. Ce type de technologie se développe sans cesse, notamment grâce à l’utilisation d’outils tels que le machine learning. Dans une étude publiée dans la revue Nature Biotechnology le 7 septembre 2020, les chercheurs de l’UCSF Weill Institute of Neurosciences ont fait part de leurs avancées.
Une difficulté non négligeable
Selon Karunesh Ganguly, principal auteur de l’étude, le développement des BCI est indéniable. En revanche, ces systèmes doivent quotidiennement faire l’objet d’un recalibrage. Ainsi, ceux-ci ne peuvent pas tirer profit des processus naturels d’apprentissage du cerveau. La résilience des interfaces est donc l’un des obstacles les plus contraignants.
Selon les directeurs de l’étude, il est nécessaire de suivre un entraînement quotidien afin de former le cerveau à communiquer avec la machine. Par ailleurs, la machine est à l’origine incapable d’assimiler ces apprentissages dans le but de s’améliorer.
Une technologie prometteuse
L’interface plug and play que les chercheurs ont mis au point est destinée à régler ce problème. Celle-ci se base sur le machine learning et l’électroencéphalographie intracrânienne (ECoG). L’ECoG consiste à placer des électrodes sur la surface du cerveau du patient afin d’enregistrer son activité neuronale sur le long terme. Par rapport aux électrodes directement placées dans la matière grise, cette solution n’est pas aussi précise, mais semble plus stable.
Les scientifiques ont donc choisi l’ECoG pour mener des tests sur des patients tétraplégiques. En imaginant bouger son bras et son poignet, le patient envoie un signal à l’interface via l’ECoG. Cette dernière traduit ce mouvement en commande et le relaye vers un ordinateur muni d’un écran sur lequel se trouve un curseur. Ainsi, cette chaîne d’information a permis au patient de faire bouger le curseur sur l’écran.
En intégrant le machine learning, les chercheurs ont permis à l’interface de se familiariser progressivement avec les commandes du patient. Après plusieurs jours de test, l’interface s’est montrée performante alors que le cerveau construisait en parallèle un modèle mental afin de mieux interagir avec la machine. Pour les chercheurs, ceci s’apparente à une collaboration entre deux systèmes d’apprentissage. Ces recherches se poursuivent et l’interface pourrait à terme devenir une extension de l’utilisateur, par exemple au niveau de sa main ou son bras.
