Verbetering van neurostimulatie – Stichting UHN

Onderzoekers van het KITE Research Institute van UHN hebben onlangs de kracht van deep learning benut om de interpretatie van neurale signalen te verbeteren, waardoor de weg werd vrijgemaakt voor effectievere neuroprothetische apparaten en nieuwe hoop werd geboden voor mensen met een slechte motorische functie.

Neurologische verwondingen en amputaties resulteren vaak in een verminderde motorische functie en een verminderde kwaliteit van leven.

Neuroprothesen zijn kleine geïmplanteerde apparaten die zijn ontworpen om verloren bewegings- of sensorische functies te helpen herstellen door elektrische impulsen te gebruiken om de zenuwen te stimuleren – een proces dat bekend staat als neurostimulatie.

Deze apparaten gebruiken kleine elektroden om sensorische informatie van zenuwen en de omgeving vast te leggen om bewegingen te verbeteren. De interpretatie van deze neurale signalen is echter een uitdaging vanwege de aard van de elektroden.

Het plaatsen van elektroden in een zenuw zorgt voor duidelijkere signalen, maar brengt een risico met zich mee op beschadiging van zenuwweefsel. Elektroden die buiten de zenuwen worden geplaatst, zijn minder invasief, maar produceren een lagere signaalkwaliteit.

Dr. José Zerifa, hoofdwetenschapper bij KITE en senior auteur van het boek StadionHij leidde een team dat deep learning-modellen toepaste om de interpretatie van neurale signalen te verbeteren.

“Deep learning is een vorm van kunstmatige intelligentie die uitblinkt in het analyseren van complexe gegevens en het herkennen van patronen”, zegt dr. Zarifa, universitair hoofddocent aan het Institute of Biomedical Engineering van de Universiteit van Toronto, die is benoemd tot lid van het Edward College van de universiteit. S. Rogers Sr. Afdeling Elektrotechniek en Computertechniek en Instituut voor Rehabilitatiewetenschappen.

“Door deze modellen toe te passen kunnen we complexe neurale signalen van lage kwaliteit ontcijferen en nauwkeurigere informatie extraheren.”

Om de effectiviteit van deze modellen te evalueren, testte het onderzoeksteam verschillende deep learning-modellen op neurale signalen verzameld van de heupzenuw, een van de grootste zenuwen in het lichaam en die zich uitstrekken van de onderrug tot de voet. Ze analyseerden het vermogen van het model om neurale signalen te begrijpen en deze te classificeren op basis van waar ze in het lichaam vandaan komen.

“We ontdekten dat deep learning de nauwkeurigheid van het interpreteren van neurale signalen aanzienlijk verbeterde”, zegt Asim Partap Singh Gill, een voormalige student in het laboratorium van Dr. Zarifa en eerste auteur van het onderzoek.

“Het best presterende model behaalde een nauwkeurigheid van ongeveer 93%, wat aantoont hoe deep learning de interpretatie van neurale signalen kan verbeteren en neurale protheses voor personen met een handicap kan verbeteren.”

Toekomstig onderzoek heeft tot doel deze modellen toe te passen om signalen van meerdere elektroden, verschillende zenuwen en complexere bewegingen te analyseren.

Door UHN Communicatieonderzoek

Dit onderzoek werd ondersteund door genereuze donateurs van de UHN Foundation.