Vi presenterer protokoller og analysemetoder for å bygge samtilpassede grensesnitt som strømmer, parameteriserer, analyserer og modifiserer menneskekropps- og hjertesignaler i tett sløyfe. Dette oppsettet grensesnitt signaler avledet fra perifere og sentrale nervesystemer av personen med eksterne sensoriske innganger for å spore biofysisk endring.
Feltene som utvikler metoder for sensorisk substitusjon og sensorisk forstørrelse har som mål å kontrollere eksterne mål ved hjelp av signaler fra sentralnervesystemene (CNS). Mindre hyppige er imidlertid protokoller som oppdaterer eksterne signaler selvgenerert av interaktive organer i bevegelse. Det er en paucity av metoder som kombinerer kroppen-hjerte-hjerne biorhythms av ett bevegelig middel for å styre de av en annen bevegelig agent under dyadisk utveksling. En del av utfordringen med å oppnå en slik prestasjon har vært kompleksiteten i oppsettet ved hjelp av multimodale biosignaler med forskjellige fysiske enheter, forskjellige tidsskalaer og variable prøvefrekvenser.
I de senere år har fremkomsten av bærbare biosensorer som ikke-invasivt kan utnytte flere signaler i tandem, åpnet muligheten for å re-parameterisere og oppdatere perifere signaler om interagerende dyader, i tillegg til å forbedre hjerne- og / eller kroppsmaskingrensesnitt. Her presenterer vi et ko-adaptivt grensesnitt som oppdaterer sprudlende somatisk motorisk utgang (inkludert kinematikk og hjertefrekvens) ved hjelp av biosensorer; parameteriserer stokastiske biosignaler, sonifiserer denne utgangen og mater den tilbake i re-parameterisert form som visuo / audio-kinestetisk reafferent input. Vi illustrerer metodene ved hjelp av to typer interaksjoner, en som involverer to mennesker og en annen som involverer et menneske og dets avatar som samhandler i nær sanntid. Vi diskuterer de nye metodene i sammenheng med mulige nye måter å måle påvirkningen av eksterne innspill på intern somatisk-sensorisk-motorisk kontroll.
Den naturlige nærsløyfekontrolleren
Sensorisk motorisk informasjon strømmer kontinuerlig mellom hjernen og kroppen for å produsere godt organisert, koordinert oppførsel. Slik atferd kan studeres mens du fokuserer på personens handlinger alene, som i en monologstil (figur 1A), eller under komplekse dynamiske handlinger som deles mellom to agenter i en dyad, som i dialogstil (Figur 1B). Likevel er et tredje alternativ å vurdere slike komplekse interaksjoner gjennom en proxy-kontroller, innenfor konteksten til et nærsløyfegrensesnitt for menneskelig datamaskin (Figur 1C). Et slikt grensesnitt kan spore øyeblikk-for-øyeblikk-bevegelsenes svingninger bidratt av hver agent i dyaden, og av den typen sammenheng som selv kommer ut av deres synkrone interaksjoner, og bidrar til å styre dyadens rytmer på ønskelige måter.
Figur 1: Ulike former for kontroll. (A) Selv hjernekontrollerte grensesnitt er avhengige av nærsløyfeforholdene mellom personens hjerne og personens egen kropp, som kan selvregulere og selvreagere i “monolog” -stil. Denne modusen prøver å kontrollere selvgenererte bevegelser, eller den kan også ta sikte på å kontrollere eksterne enheter. (B) “Dialog” stilkontroll innføres for to dansere som samhandler med hverandre og gjennom fysisk entrainment og turn-taking for å oppnå kontroll over hverandres bevegelser. (C) “Tredjeparts” dialogkontroll av dyaden introduseres som mediert av et datagrensesnitt som utnytter biosignalene fra begge danserne, parameteriserer den og mater den tilbake til danserne i re-parameterisert form ved hjelp av lyd og / eller syn som former for sensorisk veiledning. Re-parameteriseringen i eksemplene som presenteres her ble oppnådd ved hjelp av lyd eller visuell tilbakemelding, forbedret av sanntids kinestetisk motorutgang fra en av danserne for å påvirke den andre; eller av begge dansere, bytter i noe vekslende mønster. Klikk her for å se en større versjon av denne figuren.
Det overordnede målet med denne metoden er å vise at det er mulig å utnytte, parameterisere og re-parameterisere svingningene i biorhytmiske aktiviteter av kropper i bevegelse, da to agenter engasjerer seg i dyadisk utveksling som kan involvere to mennesker, eller et menneske og hans / hennes selvflytende avatar.
Undersøkelser om hvordan hjernen kan kontrollere handlinger og forutsi deres sensoriske konsekvenser har generert mange linjer med teoretiske henvendelser i løpet av de siste1,2,3 og produsert ulike modeller for nevromotorisk kontroll4,5,6,7,8. En forskningslinje innen dette tverrfaglige feltet har involvert utvikling av nær-loop hjerne-maskin eller hjerne-datamaskin grensesnitt. Denne typen oppsett tilbyr måter å utnytte og tilpasse CNS-signalene for å kontrollere en ekstern enhet, for eksempel en robotarm9,10,11, et eksoskjelett12, en markør på en dataskjerm13 (blant andre). Alle disse eksterne enhetene deler eiendommen som de ikke har egen intelligens. I stedet har hjernen som prøver å kontrollere dem, og en del av problemet som hjernen står overfor, å lære å forutsi konsekvensene av bevegelsene den genererer i disse enhetene (f.eks. markørens bevegelser, robotarmens bevegelser, etc.) mens du genererer andre støttende bevegelser som bidrar til den generelle sensoriske motortilbakemeldingen i form av kinestetisk refferaence. Ofte har det overordnede målet med disse grensesnittene vært å hjelpe personen bak hjernen med å omgå en skade eller lidelse, for å gjenvinne transformasjonen av hans / hennes forsettlige tanker til volitionally kontrollerte fysiske handlinger av den eksterne enheten. Mindre vanlig har imidlertid vært utviklingen av grensesnitt som forsøker å styre bevegelsene til kroppene i bevegelse.
Mye av den opprinnelige forskningen på hjernemaskingrensesnitt fokuserer på kontrollen av sentralnervesystemet (CNS) over kroppsdeler som kan utføre målrettede handlinger9,14,15,16,17. Det er imidlertid andre situasjoner der bruk av signalene fra perifere nervesystemer (PNS), inkludert de av de autonome nervesystemene (ANS), er informative nok til å påvirke og styre signalene til eksterne agenter, inkludert et annet menneske eller avatar, eller til og med samhandle mennesker (som i figur 1C). I motsetning til med en robotarm eller markør, har den andre agenten i dette tilfellet intelligens drevet av en hjerne (i tilfelle av avataren som har blitt utstyrt med personens bevegelser, eller av en annen agent, i tilfelle av en interagerende menneskelig dyad).
Et oppsett som skaper et miljø av et ko-adaptivt nærsløyfegrensesnitt med dyadisk utveksling kan være til nytte for å gripe inn i forstyrrelser i nervesystemene der hjernen ikke kan volitionally kontrollere sin egen kropp i bevegelse etter ønske, til tross for at den ikke fysisk har kuttet broen mellom CNS og PNS. Dette kan være tilfelle på grunn av støyende perifere signaler der tilbakemeldingsløkkene for å hjelpe hjernen kontinuerlig overvåke og justere sine egne selvgenererte biorhythms kan ha blitt forstyrret. Dette scenariet oppstår hos pasienter med Parkinsons sykdom18,19, eller hos deltakere med autismespektrumforstyrrelser med overflødig støy i motorutgangen. Faktisk har vi i begge tilfeller kvantifisert høye nivåer av støy-til-signal-forhold i de tilbakevendende kinestetiske signalene avledet fra hastigheten på deres tiltenkte bevegelser20,21,22 og fra hjertet23. I slike tilfeller kan forsøk på å mestre hjernekontroll av eksterne signaler, samtidig som du prøver å kontrollere kroppen i bevegelse, føre til et selvreaktivt signal fra re-entrant (re-afferent) strøm av informasjon som hjernen mottar fra den kontinuerlige (sprudlende) motorstrømmen i periferien. Faktisk inneholder de øyeblikk-for-øyeblikk-svingningene som er tilstede i en slik selvgenerert sprudlende motorstrøm viktig informasjon som er nyttig for å hjelpe forutsigelsen av de sensoriske konsekvensene av målrettede handlinger24. Når denne tilbakemeldingen er ødelagt av støy, blir det vanskelig å forutsigbart oppdatere kontrollsignalene og bygge bro over forsettlige planer med fysiske handlinger.
Hvis vi skulle utvide en slik tilbakemeldingssløyfe til en annen agent og kontrollere personens og agentens interaksjoner gjennom en tredjepart (figur 1C), kan vi ha en sjanse til å styre hverandres forestillinger i nær sanntid. Dette vil gi oss konseptbeviset om at vi må utvide forestillingen om ko-adaptive hjerne-kropp- eller hjernemaskingrensesnitt for å behandle forstyrrelser i nervesystemene som resulterer i dårlig realisering av fysisk volition fra mental hensikt.
Målrettede handlinger har konsekvenser, som nettopp er preget av motoriske stokastiske signaturer som er kontekstavhengige og muliggjør slutning av nivåer av mental hensikt med høy sikkerhet25,26. Dermed er en fordel med en ny metode som utnytter dyadisk utveksling over tidligere personsentrerte tilnærminger til hjernemaskinen eller hjernedatamaskingrensesnittene, at vi kan forsterke kontrollsignalene for å inkludere kroppslige og hjertebiorhythms som i stor grad transpirerer under personens bevissthet, under forskjellige intensjonsnivåer. På denne måten demper vi reaktiv interferens som bevisst kontroll har en tendens til å fremkalle i ferd med å tilpasse hjernemarkørkontroll17. Vi kan legge til mer sikkerhet i den prediktive prosessen ved å parameterisere de forskjellige signalene vi har tilgang til. Langs disse linjene eksisterer tidligere arbeid ved hjelp av hjerne- og kroppssignaler i tandem27,28,29; men arbeid som involverer dyadisk interaksjon fanget opp av hjerne-kroppslige signaler forblir knappe. Videre har den eksisterende litteraturen ennå ikke avgrenset skillet mellom bevisste segmenter av handlingen utført under full bevissthet og overgangsbevegelser som spontant oppstår som følge av de bevisste30,31. Her gjør vi det skillet i sammenheng med dyadisk utveksling, og tilbyr nye måter å studere denne dikotomien32på , samtidig som vi gir eksempler på koreograferte (bevisste) vs. improviserte (spontane) bevegelser i danserommet.
På grunn av transduksjons- og overføringsforsinkelsene i sensorisk motorintegrasjon og transformasjonsprosesser33, er det nødvendig å ha slik prediktiv kode på plass, for å lære å forutse kommende sensoriske innganger med høy sikkerhet. For det formål er det viktig å kunne karakterisere utviklingen av støy-til-signal-forholdet avledet fra signaler i den kontinuerlig oppdaterende kinestetiske reafferentstrømmen. Vi trenger da protokoller på plass for systematisk å måle endring i motorvariabilitet. Variabilitet er iboende til stede i de øyeblikk-for-øyeblikk svingningene i den utgående sprudlende motorstrømmen34. Siden disse signalene ikke står stille og følsomme for kontekstuelle variasjoner35,36, er det mulig å parameterisere endringer som skjer med endringer i oppgavenes kontekst. For å minimere forstyrrelser fra reaktive signaler som kommer ut av bevisst CNS-kontroll, og for å fremkalle kvantifiserbare endringer i den sprudlende PNS-motorstrømmen, introduserer vi her et proxy-nærsløyfegrensesnitt som indirekte endrer den sensoriske tilbakemeldingen, ved å rekruttere det perifere signalet som i stor grad endres under personens selvbevissthet. Deretter viser vi måter å systematisk måle endringen som følger med de sensoriske manipulasjonene, ved hjelp av stokastiske analyser som kan visualisere prosessen som proxy-grensesnittet indirekte fremkaller i begge agenter.
Vi presenterer en kontroller for lukking av proxy
Den sensoriske motoriske variasjonen som finnes i de perifere signalene, utgjør en rik informasjonskilde for å veilede ytelsen til nervesystemene mens læring, tilpasning og generalisering foregår på tvers av forskjellige sammenhenger37. Disse signalene fremstår delvis som et biprodukt av CNS som prøver å volitionalt kontrollere handlinger, men er ikke det direkte målet til kontrolleren. Ettersom personen naturlig samhandler med andre, kan de perifere signalene utnyttes, standardiseres og omparameteres; noe som betyr at deres variasjoner kan parameteriseres og systematisk forskyves, da man endrer den sprudlende motorstrømmen som kontinuerlig kommer inn i systemet som kinestetisk reafference. I slike omgivelser kan vi visualisere stokastiske skift, fange med høy presisjon et rikt signal som ellers går tapt til de typer stor gjennomsnittsgjennomsnitt som mer tradisjonelle teknikker utfører.
For å oppnå karakterisering av endring under den nye statistiske plattformen, introduserer vi her protokoller, standardiserte datatyper og analyser som tillater integrering av ekstern sensorisk inngang (auditiv og visuell) med internt selvgenererte motoriske signaler, mens personen naturlig samhandler med en annen person, eller med en avatarversjon av personen. I denne forstand, fordi vi tar sikte på å kontrollere de perifere signalene (i stedet for å endre CNS-signalene for å kontrollere den eksterne enheten eller mediet direkte), mynter vi dette et proxy close-loop-grensesnitt (Figur 2). Vi tar sikte på å karakterisere endringene i de stokastiske signalene til PNS, da de påvirker de i CNS.
Figur 2: Proxy-kontroll av en dyadisk interaksjon ved hjelp av nær-loop multi-modal grensesnitt. (A) Indirekte kontroll av to dansere (danse salsa) via en datamaskin co-adaptive grensesnitt vs. (B) en interaktiv kunstig person-avatar dyad kontrollert ved å utnytte perifere nervesystemer signaler og re-parameterisere det som lyder og / eller som visuell inngang. (C) Begrepet sonifisering ved hjelp av en ny standardisert datatype (mikrobevegelsestoppene, MMS) avledet fra de øyeblikk-for-øyeblikk svingningene i biorhytmiske signaler amplitude / timing konvertert til vibrasjoner og deretter til lyd. Fra fysikk låner vi forestillingene om kompresjoner og sjeldne bevegelser produsert av en tuning gaffel som gir lydbølge som målbare vibrasjoner. Skjemaer av lydbølger representert som trykkmodulert over tid parallelt med piggkonsentrasjoner for sonifisering. Eksempel på et fysisk signal for å gjennomgå den foreslåtte rørledningen fra MMS til vibrasjoner og sonifisering. Vi bruker pulssignalet som inngang til grensesnittet. Dette tar svingninger i signalets amplitude justert etter bevegelsesdegjenstander hvert fjerde sekund av bevegelse og bygger MMS-tog som representerer vibrasjonene. Spikertogene fra MMS er standardisert fra [0,1]. Fargen på piggene i henhold til fargelinjen representerer intensiteten til signalet. Deretter sonifiserer vi disse vibrasjonene ved hjelp av Max. Dette sonifiserte signalet kan brukes til å spille av i A, eller for å endre interaksjonene med avataren i B. Videre er det i B mulig å legge inn lyden i miljøet og bruke kroppsposisjonen til å spille lyden tilbake i en interesseregion (RoI), eller å modulere lydfunksjonene som en funksjon av avstand til avkastningen, hastigheten eller akselerasjonen til en kroppsdel forankret til en annen kroppsdel, når du passerer RoI. Klikk her for å se en større versjon av denne figuren.
PNS-signalene kan utnyttes ikke-invasivt med bærbare sensorteknologier som koregistrerer multimodale sprudlende strømmer fra forskjellige funksjonelle lag i nervesystemene, alt fra autonome til frivillige32. Vi kan deretter måle i nær sanntid endringene i slike strømmer og velge de hvis endringer forbedrer signal-til-støy-forholdet. Dette sprudlende motorsignalet kan deretter forsterkes med andre former for sensorisk veiledning (f.eks. auditiv, visuell osv.) Fordi PNS signaliserer scape full bevissthet, de er lettere å manipulere uten mye motstand 38. Som sådan bruker vi dem til å styre personens ytelse på måter som kan være mindre stressende for det menneskelige systemet.
Bygge grensesnittet
Vi presenterer utformingen av proxy-kontrollen formidlet av et tett-loop co-adaptivt multimodalt grensesnitt. Dette grensesnittet styrer den multisensoriske tilbakemeldingen i sanntid. Figur 3 viser den generelle utformingen.
Close-loop-grensesnittet er preget av 5 hovedtrinn. Det første trinnet er den multimodale datainnsamlingen fra flere bærbare instrumenter. Det andre trinnet er synkroniseringen av de multimodale strømmene gjennom plattformen til LabStreamingLayer (LSL, https://github.com/sccn/labstreaminglayer) utviklet av MoBI-gruppen 39. Det tredje trinnet er streaming av LSL-datastrukturen til en Python, MATLAB eller annet programmeringsspråkgrensesnitt for å integrere signalene og empirisk parametrize fysiologiske egenskaper (relevant for vårt eksperimentelle oppsett) i sanntid. Det fjerde trinnet er å re-parameterisere de valgte funksjonene hentet fra den kontinuerlige strømmen av kroppssignalet studert og forsterke det ved hjelp av en sensorisk modalitet av valg (f.eks. visuell, auditiv, kinestetisk, etc.) for å spille den tilbake i form av lyder eller visuelle effekter, for å utvide, erstatte eller forbedre den sensoriske modaliteten som er problematisk i personens nervesystem. Til slutt er det femte trinnet å revurdere de stokastiske signaturene til signalene som genereres av systemet i sanntid, for å velge hvilken sensorisk modalitet som bringer de stokastiske skiftene av kroppslige svingninger til et regime med høy sikkerhet (støyminimering) i prediksjonen av de sensoriske konsekvensene av den forestående handlingen. Denne løkken spilles kontinuerlig gjennom hele eksperimentets varighet med fokus på det valgte signalet, samtidig som den fullstendige ytelsen for etterfølgende analyser lagres (som vist i skjemaene i figur 3 og se40,41,42,43,44,45,46,47 for et eksempel på en posteriorianalyse).
Figur 3: Arkitekturen til det multimodale perifert drevne nærsløyfegrensesnittkonseptet. Ulike kroppslige signaler samles inn -kinematiske data, hjerte- og hjerneaktivitet (trinn 1). LSL brukes til å registrere og streame dataene som kommer fra ulike utstyr til grensesnittet (trinn 2). Python/MATLAB/C#-kode brukes til kontinuerlig å parameterisere svingningene i signalene ved hjelp av en standardisert datatype og felles skala som gjør det mulig å velge den sensoriske kilden til sensorisk veiledning som er mest tilstrekkelig til å dempe systemets usikkerhet (trinn 3). Denne sanntidsforbedringen av signaloverføring gjennom utvalgte kanaler tillater deretter re-parameterisering av det re-entrant sensoriske signalet for å integreres i den kontinuerlige motorstrømmen og forbedre den tapte eller ødelagte inngangsstrømmen (sensorisk substitusjon trinn 4). Kontinuerlig revurdering lukker løkken (trinn 5), og vi lagrer alle data for ytterligere fremtidige analyser. Klikk her for å se en større versjon av denne figuren.
De følgende avsnittene presenterer den generiske protokollen for hvordan man bygger et nærsløyfegrensesnitt (som beskrevet i figur 3) og beskriver representative resultater av to eksperimentelle grensesnitt (utarbeidet presentert i tilleggsmateriale) som involverer fysisk dyadisk interaksjon mellom to dansere (ekte nærsløyfesystem) og virtuell dyadisk interaksjon mellom en person og en avatar (kunstig nærsløyfesystem).
Dette dokumentet introduserer begrepet proxy-kontroll via tett-loop co-adaptive, interaktive, multi-modale grensesnitt som utnytter, parameteriserer og parameteriserer det perifere signalet til personen i sammenheng med dyadisk utveksling. Vi tok sikte på å karakterisere stokastiske skift i svingningene i personens biorhythms og parameterisere endringen. Videre hadde vi som mål å systematisk styre de stokastiske signaturene til deres biorhythms mot målrettede nivåer av støy-til-signal-regimer i nær sanntid.
Vi presenterte en generisk protokoll for å bygge et tett sløyfegrensesnitt som tilfredsstilte 5 kjerneelementer: 1) innsamling av flere kroppslige data som kommer fra CNS, PNS og ANS ved hjelp av ulike instrumenter og teknologier; 2) synkronisert opptak og streaming av dataene; 3) sanntidsanalysen av de valgte signalene; 4) opprettelsen av sensorisk forstørrelse (lyd, visuell, etc.) ved hjelp av fysiologiske egenskaper ekstrahert for kroppslige signaler; og 5) kontinuerlig sporing av det menneskelige systemet og parallell sensorisk forstørrelse lukker sløyfen av samspillet mellom mennesket og systemet.
Den generiske protokollen ble brukt på to eksempelgrensesnitt. Den første undersøker den dyadisk utvekslingen mellom to menneskelige agenter og den andre mellom et menneske og en avataragent. De to typene dyader ble brukt til å gi konseptbevis for at det perifere signalet systematisk kan endres i sanntid, og at disse stokastiske endringene kan spores nøyaktig. Den ene dyaden var sammensatt av to deltakere som fysisk samhandlet, mens den andre involverte en deltaker som samhandlet med en virtuell agent i form av en 3D-gjengitt avatar utstyrt med personens bevegelser og med endrede varianter av disse sanntidsbevegelsene. Slike endringer ble fremkalt av interaktive manipulasjoner drevet av auditive og / eller visuelle sensoriske innganger i en innstilling av forsterkede opplevelser. I både den virkelige dyaden og den kunstige dyaden demonstrerte vi muligheten for å eksternt skifte perifere signaler, inkludert kroppslige biorhythms og autonome signaler fra hjerterytmen.
Vi presenterte nye eksperimentelle protokoller for å undersøke slike endringer i sprudlende motorvariabilitet ettersom kinestetiske signalstrømmer blir manipulert og parameterisert på nytt i nær sanntid. Denne tilbakevendende informasjonen (kinestetisk reafference48) viste seg å være verdifull for å endre systemytelsen i sanntid. De bærer informasjon om handlingens sensoriske konsekvenser, som vi kan spores nøyaktig ved hjelp av metodene vi presenterte her.
Vi viste også datatyper og statistiske metoder som var egnet til å standardisere våre analyser. Vi ga flere visualiseringsverktøy for å demonstrere sanntidsendringer i fysiologiske aktiviteter som utvikler seg naturlig i forskjellige sammenhenger, med empirisk veiledet statistisk inferens som gir seg til tolkning av de selvgenererte og selvkontrollerte nervesystemsignalene. Det er viktig at endringene som ble fremkalt av proxy-kontrolleren var jevne og likevel kvantifiserbare, og dermed gir støtte til forestillingen om at perifer aktivitet er nyttig på mer enn en måte. Selv om vi kan implementere disse metodene ved hjelp av kommersielt tilgjengelige trådløse bærbare sensorer, kan vi systematisk indusere endringer i ytelse som kan fanges opp i de biofysiske rytmene uten å stresse systemet. Det er viktig å oversette metodene våre til den kliniske arenaen og bruke dem som testbed for å utvikle nye intervensjonsmodeller (f.eks. som ved bruk av utvidet virkelighet i autisme 49). I slike modeller vil vi kunne spore og kvantifisere de sensoriske konsekvensene av personens naturalistiske handlinger, da de sensoriske inngangene er nøyaktig manipulert, og utgangen parameteriseres og omparameteres i nær sanntid.
Vi tilbyr denne protokollen som en generell modell for å utnytte ulike biorhytmiske aktiviteter selvgenerert av de menneskelige nervesystemene og utnyttet ikke-invasivt med trådløse bærbare enheter. Selv om vi brukte et sett med biosensorer for å registrere EEG, EKG og kinematikk i dette papiret, er metodene for opptak, synkronisering og analyse av signalene generelle. Grensesnittet kan dermed innlemme andre teknologier. Videre kan protokollene endres for å inkludere andre naturalistiske handlinger og sammenhenger som strekker seg til det medisinske feltet. Fordi vi har tatt sikte på naturlig atferd, kan oppsettet vi har utviklet brukes i lekne omgivelser (f.eks. involverer barn og foreldre.)
Flere lidelser i nervesystemet kan dra nytte av slike lekne tilnærminger til kontrollproblemet. I begge typer dyadisk interaksjoner som vi viste her, kunne deltakerne bevisst sikte på å kontrollere musikken, mens proxy-kontrolleren bruker den perifere utgangen til ubevisst å manipulere og systematisk skifte signaturer. Fordi forskere har brukt år empirisk kartlegging av Gamma-parameterplanet og det tilsvarende Gamma-øyeblikksrommet på tvers av forskjellige aldersgrupper (nyfødte til 78 år)19,50,51,52,53 og forhold (autisme, Parkinsons sykdom, hjerneslag, komatilstand og døvhet), for ulike kontrollnivåer (frivillig, automatisk, spontan, ufrivillig og autonom)25,47,54, har de empirisk målte kriterier som angir hvor på Gamma-rommene de stokastiske signaturene skal være for en god prediktiv kontroll. Tidligere forskning har også vist at vi vet hvor parametrene er i nærvær av spontan tilfeldig støy som kommer fra de selvgenererte rytmene i de menneskelige nervesystemene7,19,55,56. Innenfor et optimaliseringsskjema som minimerer biorhytmisk motorstøy, kan vi dermed sikte på å drive signalene på en slik måte at vi oppnår de målrettede områdene i Gamma-områdene der form- og dispersjonssignaturene til familien av PDF-filer til hver person bidrar til høyt signal- til støyforhold og prediktive verdier. I denne forstand mister vi ikke bruttodata og bruker dem heller effektivt for å drive systemet mot ønskelig støynivå i en gitt situasjon.
Dyadisk interaksjoner er allestedsnærværende i kliniske eller treningsmiljøer. De kan forekomme mellom treneren og traineen; legen og pasienten; klinisk terapeut og pasienten; og de kan også forekomme i forskningsmiljøer som involverer translasjonell vitenskap og engasjere forskeren og deltakeren. En av fordelene med de nåværende protokollene er at selv om de er designet for dyader, er de også personlige. Som sådan er det mulig å skreddersy de ko-adaptive interaksjonene til personens beste evner og predisposisjoner, i henhold til deres bevegelsesområder, deres spekter av sensoriske behandlingstider og mens de vurderer områdene i signalenes amplitude på tvers av det funksjonelle hierarkiet til personens nervesystemer. Etter hvert som den stokastiske banen dukker opp og utvikler seg i tide, er det også mulig å fastslå sjansene for signaturene og bruke den tidsserien til å forutsi flere forestående hendelser sammen med mulige sensoriske konsekvenser.
Til slutt kan nærsløyfegrensesnitt til og med brukes i kunstverdenen. De kunne tilby utøvende kunstnere nye veier for å generere beregningsdrevne former for moderne danser, teknologidanser og nye former for visualisering og sonifisering av kroppslig uttrykk. I slike sammenhenger kan danserens kropp gjøres om til et sensorisk drevet instrument for fleksibelt å utforske forskjellige sensoriske modaliteter gjennom sonifisering og visualisering av de selvgenererte biorhytmiske aktivitetene, som vist ved tidligere arbeid i dette området40,41,43,46. En slik forestilling kan forsterke rollen som danser på scenen og la publikum oppleve subtile kroppslige signaler utover synlig bevegelse.
Flere aspekter av denne teknologien krever videre utvikling og testing for å optimalisere bruken i sanntidsinnstillinger. Den synkrone streamingen krever høyhastighets CPU / GPU-kraft og minnekapasitet for å virkelig utnytte forestillingen om å få tid og være et skritt foran når du forutsier de sensoriske konsekvensene av de pågående motorkommandoene. Samplingsfrekvensene til utstyret bør være sammenlignbare for å kunne virkelig justere signalene, utføre riktig sensorisk fusjon og utforske overføring av informasjon gjennom de forskjellige kanalene i nervesystemet. Dette er noen av begrensningene som finnes i dette nye grensesnittet.
Alt i alt tilbyr dette arbeidet et nytt konsept for å forbedre kontrollen av vårt kroppslige system mens du bruker subliminale midler som likevel tillater systematiske standardiserte resultatmålinger av stokastisk endring.
The authors have nothing to disclose.
Vi takker studentene som meldte seg frivillig til å bidra til å utføre denne forskningen; Kan Anant og PhaseSpace Inc. for å gi oss bilder og videoer som er nødvendige for å beskrive oppsettet; og Neuroelektronikk for å tillate oss å bruke materiale fra kanalen www.youtube.com/c/neuroelectrics/ og deres manualer. Til slutt takker vi prof. Thomas Papathomas fra Rutgers Center for Cognitive Science for profesjonell støtte under innleveringsstadiene av dette manuskriptet, Nancy Lurie Family Foundation Career Development Award til EBT og Gerondelis Foundation Award til VK.
Bidrag
Konseptualisering, VK og EBT; metodikk, EBT; programvare, VK, EBT, SK.; validering, VK og SK; formell analyse, VK; undersøkelse, VK, EBT, SK; ressurser, EBT; data kurasjon, VK; skriving – opprinnelig utkast til forberedelse, EBT; skriving – gjennomgang og redigering, VK, SK.; visualisering, VK og EBT.; tilsyn, EBT.; prosjektadministrasjon, EBT.; finansiering, EBT Alle forfattere har lest og gått med på den publiserte versjonen av manuskriptet.
Enobio 32 | Enobio | Hardware for EEG data collection | |
Enobio ECG Extention | Enobio | Hardware for ECG data collection | |
LabStreamingLayer (LSL) | Synchronization and streaming of data | ||
Matlab | Mathwork | Analysis and processing of data | |
Max | Cycling'74 | Sonification of bodily information | |
NIC.2 | Enobio | Software for EEG and ECG data collection | |
PhaseSpace Impulse | PhaseSpace | Hardware for collection of the kinematic data (position, speed, acceleration) | |
Python3 | Python | Analysis and processing of data | |
Recap | PhaseSpace | Software for collection of the kinematic data (position, speed, acceleration) |