Возможность интеграции нейроинтерфейсов для создания комбинированной системы управления протезами: краткий обзор

Цель исследования. На сегодняшний день нейроинтерфейсы не унифицированы для создания комбинированных систем управления протезами. Исходя из этого данный обзор направлен на представление возможности интеграции нейроинтерфейсов путем выяснения преимуществ и недостатков нейротехнологий, связанных с протезированием, и возможного создания комбинированной системы управления протезами.
Методы. Осуществлен анализ имеющихся в литературе исследований интерфейсов «мозг-компьютер» в сочетании с экспериментами по нейровизуализации, особенно в гибридной системе. Для анализа использован ряд баз научной литературы, а именно Google Scholar, Scopus и др. Ссылки на данные базы в сети Интернет: https://scholar.google.com/, https://www.mdpi.com/journal/sensors, elibrary.ru, https://www.refseek.com, https://link.springer.com/, https://www.base-search.net.
Результаты. Интерфейсы «мозг – компьютер» в настоящее время используются в самых разных областях, в том числе для улучшения жизни людей с ограниченными возможностями. Однако отдельные нейроинтерфейсы имеют определенные недостатки, затрудняющие их применение для управления механическими устройствами, в том числе протезами конечностей. Системы гибридных нейроинтерфейсов (как интегрированный программно-аппаратный комплекс) значительно превосходят те, которые были получены при использовании отдельных нейроинтерфейсов, и они могут быть применены в медицинских целях.
Заключение. В этом обзоре представлен краткий обзор инвалидности людей с отсутствием верхних конечностей и того, как улучшить их жизнь с помощью протезов. Дан анализ различных гибридных методов исследования головного мозга. Можно отметить, что fNIRS является технологией, которая может способствовать интеграции нейроинтерфейсов, поскольку имеет преимущества, которые делают её инструментом, дополняющим другие технологии. Установлено, что гибридная система обеспечивает явное преимущество по сравнению с отдельными нейроинтерфейсами.

1. Ronald J.B., Loren E.W. Introducing Disability Studies. 2nd ed. Lynne Rienner Publishers; 2021. 289 p.

2. Sachin K., Dhruv G., et al. A novel deep learning approach to predict subject arm movements from EEG-based signals. Neural Computing and Applications. 2023;(35):11669–11679.

3. Neelum Y.S., Zareena K., et al. fNIRS-Based Upper Limb Motion Intention Recognition Using an Artificial Neural Network for Transhumeral Amputee. Sensors. 2022;22(3):726. https://doi.org/10.3390/s22030726

4. Philip M. Ferguson Disability Studies: What Is It and What Difference Does It Make? Research & Practice for Persons with Severe Disabilities. 2012;37(2):70-80.

5. Nerlich A.G., Zink A., Szeimies U., Hagedorn H.G. Ancient Egyptian prosthesis of the big toe. Lancet. 2000;(356):2176–2179.

6. Vidal J.J. Toward direct brain-computer communication. Annu Rev. Biophys. Bioeng. 1973;2(1):157–180. https://doi.org/10.1146/annurev.bb.02.060173.001105

7. Ma T., et al. The hybrid BCI system for movement control by combining motor imagery and moving onset visual evoked potential. J. Neural. Eng. 2017;14(2):26015. https://doi.org/10.1088/1741-2552/aa5d5f

8. Hasan M.A.H., Khan U., Misra D. A Computationally Efficient Method for Hybrid EEG-fNIRS BCI Based on the Pearson Correlation. BioMed Research International. 2020;(3):1–13. https://doi.org/10.1155/2020/1838140,

9. Abdalmalak A., Lawrence S. Detecting Command- Driven Brain Activity in Patients with Detecting Command-Driven Brain Activity in Patients with Disorders of Consciousness Using TR-fNIRS Disorders of Consciousness Using TR-fNIRS. Available at: https://ir.lib.uwo.ca/etdhttps://ir.lib.uwo.ca/etd/7055 2020 (accessed 17.03.2024).

10. Hramov A.E., Maksimenko V.A., Pisarchik A.N. Physical principles of brain–computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021;(918):1–133. https://doi.org/10.1016/j.physrep.2021.03.002

11. Shahzad W., Ayaz Y., Khan M., Naseer J.N., Khan M. Enhanced performance for multi-forearm movement decoding using hybrid IMUSEMG interface. Frontiers Neurorobot. 2019;(13):43.

12. Phinyomark A., Khushaba R.N., Scheme E. Feature extraction and selection for myoelectric control based on wearable EMG sensors. Sensor. 2018;18(5):1615.

13. He B., Yuan H., Meng J., Gao S. Brain-computer interfaces. In: Neural Engineering. Singapore: Springer; 2020. P. 131–183.

14. Alejandro A., Carlos A., et al. Biosignal Processing and Classification Using Computational Learning and Intelligence Principles, Algorithms, and Applications. London: Academic Press; 2021. 536 p. https://doi.org/10.1007/978-3-642-008745-7

15. Lauer R.T., Peckham P.H., Kilgore K.L. EEG-Based control of a hand grasp neuroprosthesis. Neuroreport. 1999;10(8):1767–1771.

16. Pfurtscheller G., Muller G.R., et al. Thought-control of functional electrical stimulation to restore hand grasp.in a patient with tetraplegia. Neuroscience Letters. 2003. 351(1):33–36. https://doi.org/ 10.1016/S0304-3940(03)00947-9

17. Gutierrez-Martinez J. Neuroprostheses: Significance in gait rehabilitation. In: Advanced Technologies for the Rehabilitation of Gait and BalanceDisorders. Singapore: Springer; 2018. P. 427–446.

18. Bhattacharyya S., Mukul M.K. Reactive frequency band based movement imagery classification. J. Ambient. Intell. Hum. Comput. 2018;(9):1–14.

19. Nam C.S., Nijholt A., Lotte F. Brain-computer interfaces handbook: technological and theoretical advances. Oxford, UK: CRC Press; 2018. 814 p.

20. Windrich M., Grimmer M., Christ O., Rinderknecht S., Beckerle P. Active lower limb prosthetics: A systematic review of design issues and solutions. BioMed. Eng. OnLine. 2016;15(283):140. https://doi.org/10.1186/s12938-016-0284-9

21. Schwartz A.B., Cui X.T., Weber D.J., Moran D.W. Brain-controlled interfaces: Movement restoration with neural prosthetics. Neuron. 2006;(52):205–220. https://doi.org/10.1016/j.neuron.2006.09.019

22. Lal N., Hinterberger T., et al. Methods towards invasive human brain computer interfaces. In: Advances in Neural Information Processing Systems. Cambridge: MIT Press; 2005. P. 737–744.

23. Velliste M., Perel S., Spalding M.C., et al. Cortical control of a prosthetic arm for selffeeding. Nature. 2008;453(7198):1098–1101.

24. Hochberg L.R., Donoghue J.P. Sensors for braincomputer interfaces. IEEE Eng. Med. Biol. Mag. 2006;25(5):32–38.

25. Jianeng L., Jiewei L., et al. An EEG-fNIRS neurovascular coupling analysis method to investigate cognitive-motor interference. Computers in Biology and Medicine. 2023;(160):106968.

26. Li R., et al. Concurrent fNIRS and EEG for Brain Function Investigation: A Systematic, Methodology-Focused Review. Sensors. 2022:22(15):5865. https://doi.org/10.3390/s22155865

27. Ergün E., Aydemir Ö., Korkmaz O.E. A Novel Scrolling Text Reading Paradigm for Improving the Performance of Multiclass and Hybrid Brain Computer Interface Systems. Available at: https://ssrn.com/abstract=4740312 (accessed 12.03.2024).

28. Rihui L., et al. Enhancing Performance of a Hybrid EEG-fNIRS System Using Channel Selection and Early Temporal Features. Front. Hum. Neurosci. 2017;(11):1–11. https://doi.org/10.3389/fnhum.2017.00462

29. Tao S., Zhe Y. et al. Review of sEMG for Robot Control: Techniques and Applicationsby. Applied Sciences. 2023;13(17):9546.

30. Khorasani A. Hulsizer J. Myoelectric interface for neurorehabilitation conditioning to reduce abnormal leg co activation after stroke: a pilot study. Journal of NeuroEngineering and Rehabilitation. 2024;(1):115. https://doi.org/10.21203/rs.3.rs-3398815/v1

31. Martinek R., et al. Advanced bioelectrical signal processing methods: Past, present, and future approach – part III: Other biosignals. Sensors. 2021;21(18):6064. https://doi.org/10.3390/s21186064

32. Daniel N., Sybilski K., Kaczmarek W., Siemiaszko D., Małachowski J. Relationship between EMG and fNIRS during Dynamic Movements. Sensors. 2023;23(11):1–14.

33. Giminiani R.D., et al. Validation of fabric-based thigh-wearable EMG sensors and oximetry for monitoring quadricep activity during strength and endurance exercises. Sensors. 2020; 20(17):1–13. https://doi.org/10.3390/s20174664

34. Wang Z., Fang J., Zhang J. Rethinking Delayed Hemodynamic Responses for fNIRS Classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2023;(31):99.

35. Neelum Y.S., Zareena K., Syed A.U., Noman N., Umer F., Ahmed A., Syed Z.H., Umar S.K., Haroon K., Peyman M. Enhancing Classification Accuracy of Transhumeral Prosthesis: Hybrid sEMG and fNIRS Approach. Digital Object Identifier. 2021;(9):1.

36. Ali M. U., et al. An Optimization-Based Hybrid EEG and fNIRS – Brain Computer Interface. Bioengineering. 2023;10:608. https://doi.org/10.3390/bioengineering10050608

37. Wang Z., et al. Incorporating EEG and fNIRS Patterns to Evaluate Cortical Excitability and MI-BCI Performance During Motor Training. IEEE Trans. Neural. Syst. and Rehabil. Eng. 2023;(31):2872–2882. https://doi.org/10.1109/TNSRE.2023.3281855