Cybernetyka i neurorehabilitacja
Wprowadzenie do modelu NWU. Trening i terapia w ujęciu cybernetycznym [7, 13, 16, 18, 22, 24]
Z ontologicznego punktu widzenia informacja (~cybernetyka) jest trzecim, obok materii i energii (~fizyka), składnikiem istnienia wszystkich obiektów i systemów wszechświata. Mózg operuje głównie na informacjach: zbieranie informacji (receptory, percepcja), zapisywanie informacji (pamięć), wytwarzanie informacji (rozumowanie, myślenie), generacja sygnałów sterujących (np. pracą mięśni). Dlatego obok neuroanatomii i neurofizjologii należy rozpatrywać OUN w sensie neurocybernetycznym. Jedną z zalet takiego podejścia stanowi synteza dotychczas zgromadzonej wiedzy o OUN i możliwość całościowego ich ujęcia, dzięki czemu możliwe jest prawdziwe zrozumienie mózgu i ciała ludzkiego jako systemu, ponieważ całość jest czymś więcej niż sumą elementów składowych.

Ryc.4. Podstawowy diagram cybernetyczny uwzględniający system Pacjenta, relacje ze środowiskiem oraz pętle sprzężenia zwrotnego. Symbol ⨂ oznacza węzeł sumacyjny, który łączy informacje i oddziaływania (energii i materii) zwrotne z informacjami sprzężonymi w sposób prosty z Pacjentem; P – system organizmu Pacjenta; d – sygnały oddziałujące na Pacjenta, pochodzenia zewnętrznego; i – suma sygnałów i oddziaływań zwrotnych pochodzących ze środowiska; o - sygnały generowane przez Pacjenta, oddziałujące ze środowiskiem zewnętrznym; o' – zewnętrzne/pozaustrojowe sygnały zwrotne, np. wzrokowa informacja o położeniu kończyny
Cybernetyka jest nauką o sterowaniu lub o zachowaniu się systemów. System to zbiór elementów i zachodzących między nimi relacji. Podstawowym pojęciem cybernetyki jest sprzężenie zwrotne. Jeśli dwa systemy są powiązane i oddziałują na siebie, to mówimy, że są sprzężone. Jeśli jeden system oddziałuje na drugi, mówimy o sprzężeniu prostym. Jeśli systemy oddziałują wzajemnie na siebie, mówimy o sprzężeniu zwrotnym. W ujęciu cybernetycznym, człowiek stanowi system biocybernetyczny, który pobiera informację oraz energię i materię ze środowiska (jest z nim sprzężony), przetwarza je oraz wytwarza nową informację. Uproszczony układ zawierający wzajemne oddziaływania pomiędzy Pacjentem, środowiskiem a nim samym - przedstawia diagram z Ryc.4.
Zjawisko sprzężenia zwrotnego między człowiekiem a środowiskiem jest niezbędne dla procesów uczenia się. Przykładowo, wykorzystując tor sprzężenia zwrotnego człowiek może dokonać korekty ruchu na podstawie informacji czuciowej oraz wzrokowej i w ten sposób nauczyć się nowej umiejętności ruchowej. Procesy uczenia nazwijmy treningiem kiedy dotyczą optymalizacji (zob. rozdział drugi), natomiast terapią lub neurorehabilitacją kiedy dotyczą normalizacji. Zarówno procesy optymalizacyjne jak i normalizacyjne odbywają się z wykorzystaniem zewnętrznych i wewnętrznych torów sprzężenia zwrotnego. Dlatego pojęcia treningu, terapii i procesów uczenia się stają się tożsame, kiedy mówimy o neurorehabilitacji (ale nie w drugą stronę - treningu optymalizacyjnego nie możemy nazwać terapią ani rehabilitacją).
Poza wykorzystaniem cybernetyki do modelowania procesów fizjologicznych można ją stosować do modelowania matematycznego parametrów fizycznych tkanek i pobudliwości neuronów, przykładowo w celu ustalenia optymalnych parametrów stymulacji tFES.
Bibliografia
- Allen S.J., Watson J.J., Shoemark D.K. i in., GDNF, NGF and BDNF as therapeutic options for neurodegeneration, Pharmacology & Therapeutics, 2013.↩
- Błaszczyk J., Modele cybernetyczne wybranych struktur i funkcji układu nerwowego, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa, 2009.↩
- Casadio M., Tamagnone I., Summa S., Sanguineti V., Neuromotor recovery from stroke: computational models at central, functional, and muscle synergy level, źródło: http://www.ncbi.nlm.nih.gov/pubmed/23986688 [dostęp: 1.06.2014].↩
- Cudo A., Zabielska E., Bałaj B., Wprowadzenie w zagadnienie interfejsów mózg-komputer, [w:] Studia z Psychologii w KUL, tom 17, s. 189-211, red. Gorbaniuk O., Kostrubiec-Wojtachnio B., Musiał D. i in.↩
- De Miranda M.A., Doggett M.A., Evans T.J., Medical Technology: Contexts and Contend in Science and Technology, źródło: http://people.wku.edu/mark.doggett/MedTechPrimer6.0.pdf [dostęp: 11.10.2016]↩
- Gajda J., Pomiary i identyfikacja w diagnostyce medycznej, [w:] Podstawy inżynierii Biomedycznej. Tom I, red. Tadeusiewicz R., Augustyniak P., Wydawnictwa AGH, Kraków, 2009.↩
- Garczyk A., Namysł J., Wstęp teoretyczny do treningu EMG Biofeedback i ETS w terapii zaburzeń neuromotorycznych po uszkodzeniach ośrodkowego układu nerwowego, [w:] Biofeedback Innowacje, red. Borkowski P., Wydawnictwo Akademii im. Jana Długosza w Częstochowie, Częstochowa, 2015.↩
- Gerven M., Farquhar J., Schaefer R. i in., The Brain-Computer Interfaces Cycle, Journal of Neural Engineering, Wrzesień, 2009.↩
- Giggins O., McCarthy Persson U., Caulfield B. (2013), Biofeedback in rehabilitation, Journal of NeuroEngineering and Rehabilitation, 10:60.↩
- Gwiazdowska B., Pawlicki G., Fizyku Medyczny - gdzie twoje miejsce? Historia i perspektywy fizyki medycznej w Polsce, Polish Journal of Medical Physics and Engineering, 2006.↩
- Hess G. (2009), Przekaźnictwo synaptyczne i plastyczność synaptyczna, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa.↩
- http://www.ted.com/talks/daniel_wolpert_the_real_reason_for_brains#t-1178711 [dostęp: 11.10.2016]↩
- Jaśkowski P. (2004), Zarys psychofizjologii, Wyższa Szkoła Finansów i Zarządzania, Warszawa.↩
- Kossut M., Synapsy i plastyczność mózgu, źródło: http://fundacjarozwoju-nauki.pl/res/Tom1/Nauka%20swiatowa%20i%20polska%5B1%5D. Rozdzial%2009.pdf [dostęp: 1.06.2014].↩
- Krakauer J.W. (2006), Motor learning: its relevance to stroke recovery and neurorehabilitation, „Current Opinion in Neurology”, nr 19, s. 84–90.↩
- Mazur M. (1999), Cybernetyka i charakter, Wyższa Szkoła Zarządzania i Przedsiębiorczości im.Bogdana Jańskiego, Warszawa.↩
- Merzenich M.M., Van Vleet T.M., Nahum M., Brain plasticity-based therapeutics, Frontiers In Human Neuroscience, 2014.↩
- Ojanguren E.I., Kostic M., Bejarano N.C., Keller T., Workshop on Transcutaneous Functional Electrical Stimulation, [w:] Emerging Therapies in Neurorehabilitation II, red. Pons J.L, Raya R., González J., Springer International Publishing, 2016.↩
- Purves D., Augustine G.J., Fitzpatrick D. i in., Neuroscience, 2nd edition, źródło: https://www.ncbi.nlm.nih.gov/books/NBK10799/ [dostęp: 11.10.2016]↩
- Pąchalska M. Rehabilitacja neuropsychologiczna. UMCS, Lublin, 2008.↩
- Razavi S., Nazem G., Mardani M., Neurotrophic factors and their effects in the treatment of multiple sclerosis, Advanced Biomedical Research, 2015.↩
- Tadeusiewicz R., Biocybernetyka, Wydawnictwa Zakładu Narodowego im. Ossolińskich i Polskiej Akademii Nauk, Wrocław, 1988.↩
- Tadeusiewicz R., Izworski A., Majewski J.: Biometria, Wydawnictwa AGH, Kraków, 1993.↩
- Tadeusiewicz R.: Neurocybernetyka Teoretyczna, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 2009.↩
- The Neurobiology of Neurofeedback, Wikipedia-Books, źródło: http://en.wikipedia.org/wiki/Book:The_Neurobiology_of_Neurofeedback [dostęp: 11.10.2016]↩
- Thomson M., Thomson L. (2012), Neurofeedback, Biomed Neurotechnologie, Wrocław.↩
- Wang W., Collinger J.L, Perez A.M. i in., Neural Interface Technology for Rehabilitation: Exploiting and Promoting Neuroplasticity, źródło: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2788507/ [dostęp: 11.10.2016]↩
- Wolpaw R.J, Winter Wolpaw E., Brain-Computer Interfaces: Principles and Practice, Oxford University Press, New York, 2012↩
- Zawada J.: Wybrane zagadnienia z podstaw metrologii, Wydawnictwo Politechniki Łódzkiej, Łódź, 2002.↩
Przypisy
- Sama proteza dłoni nie jest interfejsem nerwowym ani neuroprotezą. Neuroprotezą jest system zastępujący elementy układu czuciowego. Wg autorów neuroproteza oddziałująca mechanicznie na układ człowieka należy do interfejsów HMI/HCI, a ze względu na funkcję/cel do technologii wspomagających (AT).↩
- Zdaniem autorów, neurofeedback formalnie należy do biofeedbacku fizjologicznego. Zastosowane rozdzielenie neurofeedbacku od biofeedbacku ma wymiar czysto praktyczny, polegający na odróżnieniu sygnałów pochodzących z mózgu od innych sygnałów fizjologicznych.↩
- Podział zaproponowany przez Giggins i in. 2013 [9]↩
- Modele jakościowe sprowadzają się do opisu przepływu informacji za pomocą diagramów (schematów blokowych) i, w przeciwieństwie do modeli ilościowych, nie wykorzystują matematycznego opisu zjawisk, przez co są znacznie bardziej ogólne i nie pozwalają na precyzyjną analizę zachowania się systemu [2]. Modele jakościowe mają wartość przede wszystkim edukacyjną i w tym aspekcie są lepsze niz modele ilościowe ponieważ pozwalają na łatwiejsze zrozumienie procesów zachodzących w obrebie systemu który modelują.↩