BrainGate: Robust Neural Decoding for Veterans with ALS

点击翻译按钮获取中文摘要

Intracortical Brain-­Computer Interfaces (iBCIs) aim to restore communication, mobility, and  independence to Veterans and others with paralyzing disorders such as amyotrophic lateral sclerosis  (ALS), stroke, or spinal cord injury. In the late stages of ALS, the progressive loss of mobility is  accompanied by a loss of speech, resulting in tetraplegia and anarthria, or locked-­in syndrome.    Though assistive and augmentative communication (AAC) devices partially address this problem, such  devices become less useful and eventually fail as motor power continues to decline. In contrast, iBCIs  can record the neural activity associated with intended movement directly from cortex. In this renewal  Merit Review application, we propose to expand upon the tremendous progress made in the  development of the investigational BrainGate Neural Interface system toward providing Veterans with  intuitive, always-­available, wireless point-­and-­click control over a computer, tablet, or any other software-­ based communication system.     In the proposed research, we will recruit two Veterans or other people with ALS at the Providence VA  Medical Center to participate in the ongoing BrainGate pilot clinical trial. After placement of two 4x4x1.5  mm, 96-­electrdode Blackrock (Utah) recording arrays in the dominant motor cortex, participants will  engage in two or three recording sessions per week, in their place of residence. The research, which will  also leverage other participants in the multi-­site BrainGate trial, will focus over a year or more with  each participant on the development of improved, robust neural decoders. As a first aim, we will extend  the stability of neural control by developing a new class of relational decoders with improved flexibility,  adaptability, and noise tolerance. This will be facilitated by the use of a discriminative rather than  generative decoding approach that focuses on modeling the probability distribution of the (low-­ dimensional) volitional state outputs based on (high-­dimensional) neural signals. This strategy does not  rely upon an underlying assumption of cosine tuning to endpoint velocity, and allows for flexible, non-­ linear mapping across different intended movements and effectors with increased tolerance to noise. In  the second aim, we will develop new strategies to rapidly calibrate and continuously update neural  decoders. Our new methodology will allow us to transition directly to closed loop control and to calibrate  functional neural decoders within ~1 minute of activating the system. We will also implement new  strategies to maintain continuously both intended direction and click decoding by updating the decoder  after every successful target selection, a useful step toward the design of embedded neuroprosthetic  systems and practical, independent use of an iBCI. In both of these aims, decoders will be compared to  the current state of the art approaches for BCI control. Finally, we will develop a closed loop supervisor  system capable of detecting idle states, automatically switching between desired effectors and triggering  decoder recalibration. These innovations, together with the first use of a high-­bandwidth wireless neural  signal transmitter in human iBCIs, will result in an autonomous, self-­regulating system, helping to restore  independence to users by reducing the reliance on an able-­bodied caregiver. The combination of these  innovations, rigorously tested by a highly experienced and tightly collaborative team of clinicians,  neuroscientists, and engineers, will translate the current iBCI system toward enabling independent,  intuitive, iBCI-­enabled communication by Veterans with ALS.