Gli sviluppi della scienza e il progresso tecnologico hanno dimostrato che le attività celebrali possono essere lette e interpretate. Queste scoperte della neurofisiologia indicano la possibilità di costruire dei sistemi in grado di leggere i segnali celebrali e convertirli in segnali di controllo. Questi sistemi sono definiti “Brain Machine Interface (BMI)”.
Applicazioni dei sistemi Brain Machine Interface
Il campo medico è quello che offre numerose e interessanti applicazioni per i BMI.
É noto che disfunzioni nel sistema nervoso causate da malattie, traumi o ferite, possano incidere gravemente sulle funzioni naturali degli esseri umani, come i movimenti, la vista e la capacità uditiva.
Questi dispositivi biomedici avanzati permettono di ripristinare i collegamenti danneggiati e recuperare, almeno in parte, queste funzioni perse.
La Figura 1 illustra un generico sistema BMI. La parte sensibile è composta da un array di sensori. Questi sensori raccolgono i segnali neurali dal cervello, li inviano a un circuito che li elabora e li trasmette ad un controller, traducendoli in comandi.
Le applicazioni dei BMI vanno dal semplice controllo bidimensionale, come la seleziona di una lettera su uno schermo, ad applicazioni più avanzate come il controllo di un braccio bionico.
Le applicazioni possono anche essere estese al di là del campo medico, come il pilotaggio di veicoli a distanza in campo militare o nel campo videoludico.
I tipi di sistemi BMI
Come mostrato in Figura 2, i biosensori possono essere posizionati sia all’interno del cranio che esterni. La scelta è un compromesso tra qualità del segnale registrato e dal grado di invasione del sistema.
Generalmente, gli elettrodi neurali interni hanno una qualità del segnale prelevato più alta rispetto a quelli esterni.
Sistemi esterni
I BMI completamente non-invasivi sono basati sulla registrazione elettroencefalogramma (EEG) o sulla risonanza magnetica (MRI).
Nel primo caso gli elettrodi sono posizionati sul cuoio capelluto e operano al di fuori del cranio senza alcun impatto significativo sull’attività cerebrale. Lo svantaggio, è la limitata efficienza di interazione con il cervello, in termini di segnale prelevato e di stimolazione, a causa della forte attenuazione attraverso le ossa.
Questo tipo di elettrodi, registrano le attività cerebrali mediate nel tempo e nello spazio, pertanto, con essi è difficile ottenere una risoluzione spaziale e temporale sufficiente per controllare dispositivi più avanzati.
Sistemi interni
Nel caso di sistemi Brain Machine Interface intracorticali, i sensori possono eseguire due tipi di misurazioni: extracellulari o intracellulari.
In entrambe i casi si opera a livello delle cellule nervose, con elevato rapporto segnale-rumore (SNR). Le registrazioni extracellulari sono un metodo meno invasivo, in grado di eseguire registrazioni a lungo termine, ma con una qualità più scarsa rispetto a quelli intracellulari. Queste ultime, invece, sono più sensibili ai segnali neurali, di contro sono un metodo più invasivo e provocano un danno maggiore alle cellule.
In futuro, si cercherà di sviluppare sistemi BMI che siano completamente impiantabili, per minimizzare il rischio di infezione e che dovranno elaborare i dati neurali online, per eseguire la codifica in tempo reale.
Inoltre, per prevenire danni ai tessuti a causa dell’aumento della temperatura e per un funzionamento a lungo temrine, dovranno dissipare un’energia molta bassa.
Lavoro di tesi magistrale
Il lavoro di tesi e tirocinio che ho sviluppato per la conclusione del corso di studi in ingegneria elettronica, riguardava questo tipo di sistemi Brain Machine Interface. Negli ultimi anni abbiamo assistito ad una veloce evoluzione di questi sistemi, basti pensare al progetto Neuralink di Elon Musk.
Questo lavoro di tesi è stato il punto di partenza per lo studio e lo sviluppo di un sistema di elaborazione digitale capace di leggere i picchi neurali e ripulirli da ogni tipo di rumore.
Nell’elaborato sono stati discussi elettricamente i Potenziali di Azione (AP) acquisiti dai biosensori a disposizione, che con ampiezze dei 200 − 500μV, sono immersi in un rumore di fondo che possiede una potenza media pari a 100μVRMS.
Sulla base di queste ipotesi, si è basata la ricerca e lo studio di algoritmi che devono identificare il maggior numero di spike e ridurre al minimo le identificazioni di falsi positivi, dovuti al rumore.
