Neuroteknik

I ett neuralt gränssnitt kopplas hjärnan i realtid till en maskin (ofta en dator, kallad BCI) genom återkoppling som återspeglar pågående aktivitet i hjärnan (dvs. neurofeedback) [1]. Med andra ord, genom återkopplingen, som ofta visas visuellt på en datorskärm, kan BCI-användare frivilligt kontrollera specifika aspekter av sin egen hjärnaktivitet (dvs. neural självreglering). Detta främjar en neural inlärningsmiljö som stimulerar kortikal plasticitet [2]. På så sätt har BCIs visat sig inducera både kortsiktiga och bestående förändringar i hjärnaktiviteten [2]. Men för att BCI:er ska vara intressanta ur ett terapeutiskt perspektiv så måste dessa aktivitetsförändringar leda till förbättrat beteende. I detta avseende visar flera BCI-studier lovande resultat när det gäller att återställa rörelseförmåga efter ett neurologiskt trauma, såsom en stroke [3], eller att förbättra patologiska symptom hos personer med kognitiva nedsättningar, såsom ADHD (Attention-Deficit Hyperactivity Disorder) [4].

Teamet inom Neuroteknik använder icke-invasiva datainspelningstekniker inklusive eye-tracking, elektroencefalogram (EEG), funktionell nära-infraröd spektroskopi (fNIRS) och funktionell magnetresonansavbildning (fMRI) för att utveckla BCI-teknologi och studera interaktionseffekter från återkopplingen. Vi är intresserade av både den biologiska och maskinsidan av BCI-systemet, samt den dynamiska interaktionen mellan de två. Ur maskinens perspektiv tillämpar vi avancerad signalbehandling och AI för att undersöka hur information kodad i hjärnaktiviteten kan extraheras i realtid. Ur det biologiska perspektivet är vi intresserade av både hur människans lärande av neural självreglering kan förbättras och hur BMIs kan bidra till ökad hjärnplasticitet på ett kontrollerat sätt.

Mer information om gruppaktiviteter. Länk till annan webbplats.

Referenser:

[1] R. Sitaram et al., ‘Closed-loop brain training: the science of neurofeedback’, Nat. Rev. Neurosci., vol. 18, no. 2, pp. 86–100, 2017

[2] H. J. Engelbregt et al., ‘Short and long-term effects of sham-controlled prefrontal EEG-neurofeedback training in healthy subjects’, Clin Neurophysiol, vol. 127, no. 4, pp. 1931–1937, Apr. 2016

[3] M. A. Cervera et al., ‘Brain-computer interfaces for post-stroke motor rehabilitation: a meta-analysis’, Annals of Clinical and Translational Neurology, vol. 5, no. 5, pp. 651–663, 2018

[4] M. Arns, C. K. Conners, and H. C. Kraemer, ‘A decade of EEG Theta/Beta Ratio Research in ADHD: a meta-analysis’, J Atten Disord, vol. 17, no. 5, pp. 374–383, Jul. 2013