Печать силой мысли. Как работают интерфейсы мозг — компьютер и на что они способны сегодня

Управлять компьютером силой мысли — давняя и пока что несбыточная мечта. Но шаги в этом направлении делаются, и даже небольшие успехи в разработке нейроинтерфейсов открывают возможности, мощно отдающие киберпанком. В этой статье мы разберемся, чего наука чтения мыслей достигла на сегодняшний день, и узнаем, как конкретно реализуются неинвазивные методы.

С чего все начиналось

Интерес к изучению мозга техническими методами возник сравнительно недавно — примерно на рубеже XIX и XX веков. В 1920-х годах исследователь Эдгар Эдриан предположил, что нейроны генерируют электрические импульсы и служат базовым элементом куда более сложной структуры. Позже Дональд Хебб разработал (1949) теорию пластичности синаптической передачи и нейронных ансамблей, что перевернуло представление об обязанностях, «закрепленных» за конкретными областями коры головного мозга. Оказалось, что при необходимости нейроны охотно меняют свои функции и нельзя выделить какую-то одну группу, отвечающую, например, за навыки информационной безопасности.

В 1960-х в лаборатории нейронального контроля Национального института здоровья США впервые попытались записать и обработать электрический сигнал с нейронов подопытной обезьяны. Пару десятилетий спустя эта же группа ученых экспериментировала с анализом мозговой деятельности уже в реальном времени, позволяя пациентам зажигать лампочки светового табло «силой мысли». Открывшиеся возможности окрылили исследователей, и варианты прикладных применений не заставили себя долго ждать. Первая научная статья, описывающая успешные эксперименты с «виртуальной клавиатурой» для парализованных людей, вышла в 1999 году (Нилс Бирбаумер).

Увы, мыслительные процессы человека оказались устроены гораздо сложнее, чем изначально предполагали ученые. Этим объясняется некоторый спад интереса к нейроинтерфейсам в начале XXI века. Однако история циклична, и сегодня многие проекты переживают второе рождение.

Во-первых, этому способствовал прогресс в аппаратном обеспечении. За последние несколько лет в продаже появились доступные по цене и относительно мало потребляющие аналого-цифровые преобразователи (АЦП), которые можно успешно использовать в задачах оцифровки биологических сигналов. Например, сигма-дельта-АЦП ADS1263 имеет заявленное разрешение 32 бит, уровень собственных шумов порядка 7 нВ, максимальную частоту оцифровки 38,4 кГц и полное входное сопротивление около 1 ГОм. Эти качества позволяют использовать микросхему в системах сбора информации без дополнительных буферных усилителей.

Кроме АЦП, существенно продвинулись по характеристикам инструментальные усилители, входное сопротивление которых приближается к тераомам, а коэффициент усиления составляет десятки тысяч раз. При этом собственные токи утечек и токовый шум не превышают одного пикоампера, что помогает разработчикам проектировать крайне чувствительные схемы съема биопотенциалов.

Из более очевидных вещей: производительность наших компьютеров выросла в десятки раз. Не в последнюю очередь это стало возможным благодаря использованию GPU-, FPGA- и ASIC-микросхем для анализа сигналов в реальном времени. Кроме того, весьма популярная сегодня модель организации вычислений в облаке позволяет компаниям легко арендовать необходимые мощности, концентрируясь на главном.

Во-вторых, вместе с аппаратной частью эволюционировали и возможности нашего программного обеспечения. Появились дружественные к исследователям фреймворки, высокоуровневые языки программирования и многочисленные способы визуализации и классификации информации. Например, сегодня с помощью нейросети можно легко отслеживать возникающие события и корреляцию даже в зашумленных рядах данных.

Ниже на рисунке изображены основные группы алгоритмов, которые используются для поиска особенностей сигнала в реальном времени.


Что касается основного источника информации для интерфейса «мозг — компьютер», то тут особых изменений не произошло. Сегодня наиболее часто используются сигналы с электроэнцефалограмм. Альтернативным способом может быть функциональная магнитно-резонансная томография (fMRI) и магнитоэнцефалография. Однако, как ты понимаешь, разработать компактный томограф практически невозможно, а многомиллионная стоимость готовых аппаратов ограничивает их использование только крупными коллективами в компаниях и институтах.

Нейроинтерфейсы сегодня

Снятие сигналов ЭЭГ, как и любых других малых аналоговых сигналов, — задача весьма непростая: их характеристики нестационарны, они подвержены внешнему шуму и могут влиять друг на друга. Существующие на данный момент проекты клавиатур и прочих устройств ввода предполагают использование внешнего стимула. Возникающий ответный отклик и будет улавливаться сенсорной частью BCI (Brain Computer Interface). Согласись, гораздо проще установить событие, когда ты точно знаешь, когда именно оно должно было произойти. 🙂

В общем случае стимулы можно разделить на две основные группы. Event Related Potentials (ERPs) — это сигналы мозга, генерируемые в ответ на ощущаемые или когнитивные события (громкий звук, резкий запах). А Visualy Evoked Potentials (VEPs) — это сигналы, подкрепленные каким-либо визуальным воздействием.

Думаю, проще пояснить на примерах: когда у человека стоит задача выбрать один предмет из многих изображенных, работает принцип ERP. В ответ на нужный стимул с определенной задержкой возникает хорошо регистрируемый системами ЭЭГ однократный сигнал. Если же в область внимания человека попадает мерцающий с определенной интенсивностью графический объект и есть возможность захватить переменный сигнал от электродов на соответствующей частоте — это система VEP.

Наиболее широко используется сегодня метод SSVEP (Steady State VEP). Это такой формат визуальной клавиатуры, в котором каждому элементу соответствует своя уникальная частота мерцания. Пользователь при этом имитирует нажатие кнопки с помощью фокусировки внимания на нужном компоненте интерфейса.


Как правило, активность участков мозга в ЭЭГ принято делить по наблюдаемой частоте (в герцах): дельта (f<=4), тета (4<f<=8), альфа (8<f<=12), бета (12<f<=30) и гамма (f>30). Для анализа сигналов человеческой моторики (в том числе движений пальцев при наборе на клавиатуре) используется в основном анализ альфа- и бета-активности.

Впрочем, не все так просто. Качество снимаемых электроэнцефалограмм сильно зависит от множества сторонних факторов, вплоть до состояния здоровья и текущего настроения человека. Поэтому многие реально существующие системы часто не только подгоняют под конкретного пользователя, но и обязательно калибруют время от времени.

Продолжение доступно только участникам

Материалы из последних выпусков становятся доступны по отдельности только через два месяца после публикации. Чтобы продолжить чтение, необходимо стать участником сообщества «Xakep.ru».

Присоединяйся к сообществу «Xakep.ru»!

Членство в сообществе в течение указанного срока откроет тебе доступ ко ВСЕМ материалам «Хакера», увеличит личную накопительную скидку и позволит накапливать профессиональный рейтинг Xakep Score! Подробнее

Александр Бурага: Инженер-конструктор радиоэлектронной техники. С вниманием следит за прогрессом IoT и носимой электроники.