Reklam
Reklam
Reklam
Protez Kullanıcıları

Bir Protezi Zihinle Kontrol Etme

Jose M. Carmena, Berkeley Kaliforniya Üniversitesi’nde elektrik mühendisliği, bilişsel bilim ve sinirbilimi profesörüdür

Bir Protezi Zihinle Kontrol Etme
Beynin plastisitesinden yararlanan yeni beyin-makine arayüzleri insanların protez cihazları doğal bir şekilde kontrol etmelerini sağlayabilir

By Jose M. Carmena

Bir cihazı basitçe düşünerek kontrol etmenizi sağlayacak bir teknoloji parçası hayal edin . Birçok insan, on yıllardır bilim adamlarının, mühendislerin ve bilim kurgu yazarlarının hayal gücünü ateşleyen böyle bir sistemi hayal ediyorlar. Nedenini görmek kolaydır: Düşünceyi eyleme dönüştürerek, bir beyin-makine arayüzü felçli insanların tekerlekli sandalye, protez uzuvlar veya bilgisayarlar gibi cihazları kontrol etmesine izin verebilir. Gelecekte, bilim-kurgu yazarları alanında, insanların duyusal, motorlu ve bilişsel yeteneklerini geliştirmelerini sağlayacak beyin implantları gibi gerçekten olağanüstü şeyler düşünmek mümkündür.

1999’da, John Chapin, Miguel Nicolelis ve Philadelphia’daki MCP Hahnemann Tıp Fakültesi ve Durham, NC’deki Duke Üniversitesi’ndeki meslektaşları, sıçanların rapor edildiğinde, zihin ve makinenin erimesi aniden biraz daha az göründü. Laboratuarlarında sadece beyin aktivitesini kullanarak basit bir robotik cihaz kontrol etmişti . Başlangıçta, hayvanlar susadıklarında, bir kolu bastırmak için pençelerini kullanmak zorunda kalıyorlardı, bu yüzden ağızlarına bir pipet getiren bir robot kolu harekete geçiriyorlardı. Ancak motor kortekslerindeki aktiviteyi kaydeden ve yorumlayan bir beyin implantı alındıktan sonra, hayvanlar sadece kola basmayı düşünebilir ve robotik kol anında bir yudum su verir.

Aniden, pratik bir beyin-makine arayüzü veya BMI , ulaşılabilir göründü. Omurilik veya beyin hasarının neden olduğu felç nedeniyle üst veya alt uzuvlarını hareket ettirmeyi zor veya imkansız bulan insanlar için etkileri çok büyüktü. Yalnızca ABD’de, Christopher ve Dana Reeve Vakfı’na göre 5.5 milyondan fazla insan bu tür felçlerden muzdarip .

Hahnemann-Duke atılımı BMI alanına enerji verdi. 2000’den başlayarak araştırmacılar, farelerin, maymunların ve insanların beyin imleçlerini kullanarak bilgisayar imleçlerini ve robot protezlerini nasıl gerçek zamanlı olarak kontrol edebildiklerini gösteren kavram kanıtı sistemlerini ortaya çıkarmaya başladılar. BMI sistemleri ayrıca beynin nasıl öğrendiğini ve adapte olduğunu incelemenin yeni yollarını da ortaya çıkardı ve bu da BMI tasarımını geliştirmeye yardımcı oldu.

Ancak tüm gelişmelere rağmen, fiziksel olarak engellilerin yaşamlarını kökten artırabilen gerçekten güvenilir, sofistike ve uzun ömürlü bir BMI’den , kızılötesi tayfı görmenize veya Wikipedia girişlerini indirmenize izin vermeyecek kadar uzun bir yoldayız. doğrudan beyin korteksinize . Dünyanın her yerindeki araştırmacılar, implantların beynin içinde güvenilir bir şekilde çalışmasını sağlamak ve günlük aktiviteler için faydalı olan karmaşık robot protezlerini kontrol edebilmelerini sağlamak gibi en temel ve kritik problemleri çözmek için hala mücadele ediyorlar. Güvenilirliğini yitirme riski altında olan alanın, şimdi kalp pilleri ve koklear implantlar gibi BMI sistemlerini eşsiz bir prototipten klinik olarak kanıtlanmış teknolojiye dönüştürmesi gerekiyor.

BMI tasarımına yeni bir yaklaşımın zamanı geldi. In California, Berkeley Üniversitesi’ndeki laboratuarında , biz bulmacanın bir önemli parçası üzerinde yazmanızın gelmiş bugünün standart yaklaşımda eksik hissediyorum: Beyin bir sanki onu asimile, bir protez cihaza adapte nasıl vücudun doğal kısmı. Mevcut araştırmaların çoğu, kortikal motor haritaları olarak bilinen spesifik sinir devrelerine giren implantlara odaklanmaktadır. Böyle bir sistemde, protez bir kolu kontrol etmek istiyorsanız, insan koluyla ilişkilendirilen kortikal haritaya dokunmaya çalışın. Ama bu gerçekten gerekli mi?

Araştırmamız, bir robot kolunu çalıştırmak için bir kişinin kolunu kontrol eden kortikal haritayı kullanmanız gerekmeyebileceğini – göründüğü halde karşı sezgisel olarak önerdi. Neden olmasın? Çünkü o kişinin beyni, sanal bir cihazı veya robot kolunu, hayattaki sayısız diğer hareketler ve aktiviteler için bu tür anıları yaratma biçimine benzer bir şekilde kontrol etmek için, motor belleği olarak adlandırılan tahsis edilmiş bir sinir devresi geliştirme yeteneğine sahip. Sürprizimizden çok, deneylerimiz gösterdiBedenine alınmış bir cihazı kontrol etmeyi öğrenmenin, beyniniz için, öğrenmekten kayak yapmaktan veya bir tenis raketi sallamaktan çok farklı olmadığını. Beynin bu olağanüstü plastisitesi, araştırmacıların nihayet bu teknolojinin vaatlerini yerine getirecek yeni bir BMI keşif dalgası kullanmak için faydalanmaları gerektiğine inanıyoruz.

03OLBrainInterfacef2lightbox

Örnek: Bryan Christie TasarımBüyütmek için resmin üzerine tıklayın.

BMI alanı 40 yıldan daha uzun bir süre önce Seattle’daki Washington Üniversitesi’nde başladı. 1969’da öncü bir deneydeEberhard Fetz, beynin hareketi kontrol eden kısmı olan motor korteksindeki nöronların aktivitesini izlemek için maymun beyinlerine elektrotlar yerleştirdi. Bir nöron belirli bir hızda ateşlendiğinde, karşılık gelen bir elektrot küçük bir elektrik boşalması alır, bir iğneyi saptırır ve bir izleme cihazında bir cıvıltı yayar. Bu ne zaman olursa olsun, hayvanlar bir muamele görecekti. Önemli olarak, hayvanlar, nöral aktiviteleri hakkında geri bildirimde bulunan izleme cihazını görebilir ve duyabilirler. Birkaç dakika içinde maymunlar, iğnenin hareket etmesini sağlamak için belirli nöronları kasıtlı olarak ateşlemeyi öğrendi, böylece daha fazla muamele görebildiler. Fetz, beyne vücut dışında bir cihazı kontrol etmeyi öğretmenin mümkün olduğunu gösterdi.

Bugün, BMI sistemleri tasarımlarında büyük farklılıklar göstermektedir. Ana ayrım, elektrotların yeridir. Bazılarında, elektrotlar beynin içine yerleştirilir, burada bireysel nöronların ateşlenmesini izlerler. Diğer araştırmacılar çalışmak elektrokortikografi yerleştirilen elektrotlar kullanmak (EcoG) sistemleri, beynin yüzeyine sadece kafatasının altında veya elektroensefalografi (EEG) sistemleri, kullanım elektrotlar kafa derisi üzerinde oturmak . ECoG ve EEG, büyük nöron gruplarının kolektif davranışlarının yarattığı ritmik aktiviteyi izler [bkz. Kenar çubuğu, “ İnvaziv ve Noninvaziv ”].

Beynin içinde çalıştığım ve bu makalenin odağında yer alan elektrotlarda, implant tarafından yakalanan sinir sinyalleri, dekoder adı verilen bir bilgisayar programına beslenir. Sinirsel aktiviteyi tipik olarak bir bilgisayar imlecinin veya robot kolunun hareketlerine dönüştüren matematiksel bir modelden oluşur. Sinirsel aktiviteyi ölçmek için, araştırmacılar genellikle bireysel nöronların, genellikle yaklaşık 100 milisaniye olan bir çöp kutusu olarak bilinen belirli bir zaman diliminde ateşleme sayısını saymaktadır. 100 ms’lik bir kutuda, sıfırdan birkaç ateşlemeye kaydedebilirsiniz. Bu sayıya başak sayısı denir. Bir grup nöronun ani sayısını harekete çeviren matematiksel model basit bir doğrusal ilişki olabilir. Ancak, gittikçe artan bir şekilde

BMI’ye olan geleneksel yaklaşımda, doğal kolun kontrolünden sorumlu olan beynin sinirsel aktivitesini izleyerek bir kod çözücü yaratırsınız. İlk adım olarak, denekler önceden belirlenmiş şekilde kollarını hareket ettirirken bu nöronları izlerdiniz. Daha sonra nöronların aktivitesini ve bu deneme sırasında kaydedilen silahların hareketini alacak ve kod çözücünün parametrelerini hesaplayacaksınız. Kod çözücü daha sonra nöronların ateşlemelerini prostetik cihazın hareketlerine dönüştürebilecekti.

Kod çözücünün işlevi bir anlamda omuriliğin işlevi gibidir. Omurilik beyindeki yüz binlerce nöronla bağlantılı. Bu nöronların ateşlenmesinden sonra, omurilik bu etkinliği insan kolu durumunda yaklaşık 15 kas grubuna giden az sayıda sinyale dönüştürür. Böylece, omurilik 100 000 giriş alır ve bunları yaklaşık 15 çıkışa dönüştürür. Kod çözücü, daha küçük bir ölçekte olmasına rağmen, benzer bir şey yapar. Mevcut son teknoloji BMI sistemleri tipik olarak birkaç düzine ila birkaç yüz nöronun aktivitesini izler ve ateşlerini, protez bir cihazın pozisyonu, hızı ve kavrama kuvveti gibi az sayıda çıkışa dönüştürür.

2000’li yılların başında, en gruplar Brown Üniversitesi , Arizona Devlet Üniversitesi , ve Duke ilk kez kapalı devre BMI kontrolünü gösteren, daha atılımlar bildirdi. 2002-2005 yılları arasında doktora sonrası araştırmacı olduğum Nicolelis’in laboratuarında yapılan Duke çalışmasına katıldım. Bu çalışmada, iki makak, iki eklem ve bir robotik kolu kontrol etmek için yalnızca beyin aktivitesini iki eklem ve kıskaç (üç derecelik serbestlik derecesi, robot parce) nesnelere ulaşmak ve bunları kavramak için. Kilit bulgulardan biri, BMI’yi kontrol etmeyi öğrenmenin maymunların farklı beyin alanlarındaki plastik değişiklikleri tetikleyerek beynin daha önce düşünülenden daha fazla esnekliğe sahip olduğunu ortaya koymasıydı. Adresindeki diğer gruplarCaltech , Stanford , Pittsburgh Üniversitesi , Washington Üniversitesi yerde ve ayrıca BMI kontrolünün farklı yönlerini ilerleyen, kendi çalışmaları ile izledi. Brown’daki ekip Cyberkinetics adında bir BMI başlangıcından vazgeçti ve beş ciddi engelli hasta ile yapılan klinik denemeler için ABD Gıda ve İlaç İdaresi’nden onay aldı. Cihazlarının denemeleri umut verici sonuçlar verdi ve çaba BrainGate2 adlı büyük bir araştırma konsorsiyumunun bir parçası olarak devam etti .

Bu ilk çalışma grubundaki ortak bir problem, BMI sisteminin her seans için yeniden kalibre edilmesi gerektiğiydi. Denekler, bilgisayar imlecini veya robot kolunu bir görevi gerçekleştirmek için kontrol edebildiler, ancak becerileri bir seanstan diğerine alamadılar. Başka bir deyişle, BMI sistemleri “tak ve kullan” değildi. Ve bu sınırlama, görevin karmaşıklığı arttıkça daha da belirginleşecekti. Kısa bir süre sonra bir başka önemli engel daha da belirginleşti: Elektrotların beyin aktivitesini okuma kabiliyeti zamanla düşer ve cihazın konunun beyninden çıkarılması gerekirdi. Bu gibi eksikliklerle BMI sistemi asla pratik olamazdı.

Silbaştan. Berkeley’de grubum, basit bir soru üzerine kurulu ilginç bir hipotezi araştırmak için yola çıktı: Eğer doğal bir koldan tamamen farklı bir protez cihazı kontrol etmeye çalışıyorsak, neden doğal bir kolla ilgili beyin sinyallerine güveniyoruz? Yapay bir kolu kontrol etmek istiyorsak, ideal olarak o özel kol için uyarlanmış beyin aktivitesini kullanırız. Fakat beyin, vücudun bir parçası olmayan bir şey için böyle bir aktivite üretmeyi öğrenebilir mi?

invaziv ve invaziv olmayan kenar çubuğuna grafik bağlantısı

Cevap, son beş yılda yaptığımız bir dizi deney ve denemeye göre, çok büyük bir evet. BMI tasarımının bu yeni görünümünde, yapay bir cihazı kontrol etmek için mevcut sinir sistemini kullanmak değil, biyolojik ve yapay bileşenleri kapsayan yeni, hibrit bir sinir sistemi oluşturmak üzerine odaklanılmaktadır. Bu yaklaşım bir dizi deneyden doğduLaboratuvarımda postdoc olan Karunesh Ganguly ile birlikte çalıştım. Makak maymunu motor kortekslerine 128 küçük elektrot dizisi yerleştirdik. Ancak önceki çalışmalardan farklı olarak, sadece birkaç gün boyunca güvenilir okumalar sağlayan yaklaşık 40 elektrotluk bir alt kümeyi kullanmayı seçtik. Başka bir fark, dekoderi her seansı yeniden kalibre etmek yerine, tüm zaman boyunca tamamen aynı tutmamızdı. Bu farklılıklar, elde edeceğimiz sonuçlar için çok önemli olacaktır.

Deneyde, maymunlar bir bilgisayar imlecini monitör ekranının ortasına taşımak zorunda kaldılar ve ekranda başka bir yerde bir renk görüldüğünde imleci oraya kaydırdılar. Ödül bir meyve suyu yudum oldu. İlk aşamada hayvanlar, robotik bir dış iskeleti çalıştırmak ve imleci hareket ettirmek için gerçek kollarını kullandılar. Aynı zamanda, nöron alt grubundan beyin aktivitesi kaydettik. Daha sonraki bir aşamada dış iskeleti kaldırdık ve deneyi manuelden BMI kontrolüne geçirdik. Bu durumda, maymunlar doğal kol hareketinden bağımsız olarak imleci sadece beyin aktivitesi ile nasıl hareket ettireceklerini öğrenmek zorunda kaldılar. Ve öğrendiklerini yaptılar. Bir hafta içinde, maymunlar bu göreve hükmediyordu ve her gün ustaca tekrar edebilirdi.

Burada yeni olan şey, bir hayvanın beyninin, bedensiz bir cihazın nasıl kontrol edileceğini temsil eden bir motor haritası geliştirebileceğini keşfetmesiydi (bu durumda bilgisayar imleci). Geçmişte yapılan araştırmalarda araştırmacılar stabil bir nöron grubunu takip etmediler ve kaçınılmaz olarak, her bir seansta nöronların ürettikleri yeni aktiviteye uyarlamak için dekoderi yeniden kalibre etmek zorunda kaldılar. Ancak bu yeniden kalibrasyon ciddi bir soruna yol açtı: Beynin önceki oturumlarda öğrenilen beceriyi elde etmesine izin verilmemesi ve böylece protez cihazının kortikal haritasını geliştirememesi anlamına geliyordu. Çalışmamızda, kod çözücüyü değişmeden bıraktık ve beynin protez cihazını vücudun yeni bir parçası gibi özümsemesini sağladık.

İki hafta sonra, maymunlardan biriyle iki izleme deneyi yaptık. İlk önce, hayvanın BMI kontrolü için hiç kullanmadığı bir kod çözücüyle başladık. Kısa bir süre içinde maymun, bu yeni dekoderde daha önce olduğu gibi ustalaşmıştı. Bu sefer ilginç olan, bu yeni kod çözücü ile daha önceki kod çözücü arasında geçiş yapabilmemizdi ve maymunun beyni hangi kod çözücünün aktif olduğuna karşılık gelen motor haritasını doğru seçecekti. İkinci deneyde, daha da ileri gittik ve parametrelerini tamamen karıştırarak karıştırılmış bir kod çözücü oluşturduk. Sürprizimize göre, hayvan bu kod çözücüyü tekrar öğrenebildi ve bilgisayar imlecini önceki gibi ustaca kullanabildi.

Bu bulgular beynin dikkat çekici plastik özelliklerini vurgular ve yeni oluşturulmuş bir protez motor haritasının hafızanın temel özelliklerini karşıladığını gösterir. Yani harita zaman içinde değişmeden kalır ve kolayca geri çağrılabilir: Her gün maymunlar cihazı derhal kontrol edebilir; gerçekten tak ve çalıştır olan bir BMI gibi görünüyor. Harita aynı nöron grubunu içeren diğer haritaların girişimlerine karşı da dirençliydi; tıpkı tenis oynamayı öğrenmenin bisiklete binme yeteneğinizi silmemesi gibi.

Ve en son çalışmamızda, öğrencilerim Aaron Koralek ve John Long ve ABD Ulusal Sağlık Enstitüleri meslektaşlarım Xin Jin ve Bilinmeyenler için Champalimaud Merkezi’nden Rui Costa ile Lizbon’da bir adım daha ileri gittik. . Sonuçlarımız BMI bağlamında keşfedilmemiş diğer beyin alanlarının – korteks ve bazal ganglionlar gibi derin beyin yapıları arasındaki sinir devreleri de dahil olmak üzere – protez becerilerinin öğrenilmesinde anahtar olduğunu göstermiştir. Bu, ilke olarak, bir BMI kullanarak bir protez cihazının nasıl kontrol edileceğini öğrenmenin bir insan için tamamen doğal hissedebileceği anlamına gelir, çünkü bu öğrenme beynin doğal motor kontrolü için mevcut dahili devrelerini kullanır.

Öyleyse elinizde gerçekten pratik bir BMI sistemi var mı? Tam değil. Bazı zorluklar ve engeller var, bazıları açık, bazıları ise daha az. Belirgin kategoride implantların temel parametreleri vardır: Küçük olmaları, çok az güç kullanmaları ve kablosuz çalışmaları gerekir . Dikkat çeken bir diğer zorluk, biyofiziksel ara yüz, kod çözücü ve ayrıca beynin hata düzeltme mekanizmalarının başlamasını ve performansı geliştirmesini sağlayan geri besleme döngüsünü de içeren BMI’nin tüm alt sistemlerinin güvenilirliğidir. Her bileşen, elbette, kullanıcının ömrü boyunca çalışmak zorunda kalacaktır.

Bu zorluklarla karşılaşıldıktan sonra bile, BMI sistemini daha karmaşık ve yetenekli kılmakla ilgili bir dizi başka engel var. Sonuçta, yalnızca ilkel sistemleri değil aynı zamanda karmaşık görevleri yerine getirmek için birden fazla serbestlik derecesine sahip karmaşık biyonik protezleri kontrol edebilen bir BMI oluşturmak istiyoruz. Ve BMI’nin beyinden proteze ve protezden beyine sinyalleri iletmesini istiyoruz. Bu BMI’nin kutsal kâsesi: Vücudunuzun bir parçası sadece kontrol etmekle kalmayıp aynı zamanda hissetmenizi sağlayan bir sistem.

Bugün çoğu BMI araştırması sadece görsel geribildirime dayanmaktadır: Bir maymunun beyni belirli bir görev için motor belleği oluşturabilir, çünkü hayvan görev sırasında nasıl bir performans gösterdiğini görebilir ve performansını artırmak için beyin aktivitesini ayarlayabilir. Ancak bir görevi öğrendiğimizde – bisiklete binmek, tenis oynamak, klavyede yazmak – sadece görsel geribildirim kullanmıyoruz; Aynı zamanda dokunma duyularımıza ve vücudunuzun belirli bir bölümünün uzayda nerede olduğunu anlatmak için kas ve eklem üzerindeki reseptörleri kullanan propriyoseptif sistemimize de güveniyoruz. BMI sistemleri benzer bir şey yapabilir mi? Örneğin, robotik bir tutucunun dokunsal ve konum bilgilerini kullanabilir ve bir kullanıcının karanlıkta bir komidin üzerinde bir bardak su bulmasını sağlamak için beyni uyarabilir misiniz?

Bu soruyu laboratuarımızda cevaplamaya çalıştık ve şimdiden umut verici sonuçlar aldık. Dokunsal hisleri uyarmak için intracortical elektriksel mikro stimülasyon olarak bilinen bir teknik kullanıyoruz. Son zamanlarda yapılan bir çalışmadaLaboratuvarımdaki yüksek lisans öğrencisi Subramaniam Venkatraman, duyum kortekslerine elektrot yerleştirilmiş sıçanlar kullandı. Fareleri bir kafese yerleştirdi ve bıyıklarından birinin konumunu gerçek zamanlı olarak tam olarak izlemek için bir hareket izleme sistemi kullandı. Bıyık, sanal bir hedefe çarptığında – çeşitli olası konumlardan birine yerleştirilmiş bir çizgide – BMI sistemi, fareye korteks içine tam bir stimülasyon atımı sundu ve bu da hayvana bir nesneye dokunma yanılsaması sağladı. Hayvan dört defa arka arkaya doğru hedefe çarptığında, bir ödül olarak bir damla meyve suyu aldı.

Çalışma, sıçanların nesne konumlarını kodlamak için proprioseptif sistemlerinden gelen doğal sinyalleri yapay olarak iletilen dokunsal uyaranlarla birleştirebildiğini gösterdi. Bu sonuç, okuma fonksiyonlarına ek olarak, beyine yazma işlemlerini de gerçekleştirebileceğimizi, nöroprotezlerin gelecekteki kullanıcılarına geri bildirim sağlamada faydalı olacak bir yetenek olduğunu göstermektedir. Aslında, Nicolelis ve Duke’teki ekibi kısa bir süre önce maymunların bir bilgisayarı zihinleriyle kontrol edebildikleri ve ayrıca sanal nesnelerin dokusunu “hissettiği” bir deneyi anlattılar. Arayüz beyne sinyal gönderiyor ve gönderiyordu – iki yönlü bir BMI .

Son olarak, BMI’nin ilerlemesi gereken başka bir araştırma alanı protezlerin kendileridir. Biyokatronikte kompakt sensör, aktüatör ve enerji depolama teknolojilerinden yararlanmaya yönelik gelişmeler, bu sistemlerin geliştirilmesinde büyük rol oynayacaktır. İyi haber şu ki, bu alemde zaten büyük bir ilerleme görüyoruz: O kadar gelişmiş bir robot kol inşa eden Dean Kamen’in Deka Araştırma ve Geliştirme Şirketi’ni alın ; Luke tarafından giyilen oldukça gerçekçi bir protezden sonra “Luke kolu” olarak adlandırıldı. Yıldız Savaşlarında Skywalker.

BMI araştırması tüm dünyadaki üniversitelerdeki, şirketlerdeki ve tıp merkezlerindeki çalışmalar sayesinde yeni bir aşamaya giriyor – buna BMI 2.0 diyoruz. (Bunlar arasında Berkeley’de ve San Francisco Üniversitesi’nde bulunan ve motor ve konuşma protezlerine odaklanacağım ve motor ve konuşma protezlerine odaklanacağım yeni başlatılan Sinir Mühendisliği ve Protezler Merkezi bulunmaktadır .) BMI sistemlerinin klinik ve ticari kullanımının önündeki temel sorunların çoğunu kırmaya yakın.

BMI’nin ilk uygulamaları, omurilik yaralanması veya amiyotrofik lateral skleroz ve inme dahil diğer nörolojik bozukluklar nedeniyle felç geçiren hastalara yardımcı olmada, muhtemelen hala on yıl veya iki uzaklıktadır. Ancak, bu teknolojinin sağlık hizmetlerinde yaygınlaşmasından sonra , sağlıklı deneklerdeki duyusal, motor ve bilişsel yeteneklerin artırılmasında diğer alemler beklenmektedir – kesin bir olasılık, ancak büyük bir etik tartışmayı açığa çıkarmayı vaat eden bir olasılık. Google’da arama yapabileceğimiz veya araba kullanabileceğimiz dünyayı düşünerek çok farklı bir yer olacak. Ama bu bir BMI 3.0 hikayesi.

Bu yazı ilk olarak “Biyonik Olmak” olarak basıldı.

yazar hakkında

Jose M. Carmena, Berkeley Kaliforniya Üniversitesi’nde elektrik mühendisliği, bilişsel bilim ve sinirbilimi profesörüdür. 1999’da, havaalanındaki Columbus, Ohio’da bir uçuş için beklerken, beyin-makine arayüzlerinin olanakları hakkında bir dergi makalesine rastladı. “Bu alana girmem gerektiğine karar verdim” diye hatırlıyor. Şu anda Berkeley’deki BMI Systems Lab’ın direktörü ve Berkeley ve California Üniversitesi, San Francisco’nun ortak bir çabası olan Sinir Mühendisliği ve Protez Merkezi’nin yöneticisidir.

BU KONUYU SOSYAL MEDYA HESAPLARINDA PAYLAŞ
ArabicEnglishTurkish