Biofeedback - dokładnośc i precyzja

Pętla drugiego poziomu. Zastępcze sprzężenie zwrotne – dokładność i precyzja

Pętla biologicznego zastępczego sprzężenia zwrotnego jest dodana do fizjologicznej pętli sprzężenia zwrotnego w celu optymalizacji procesu uczenia się. Realizacja celów treningowych lub w przypadku rehabilitacji neuromotorycznej - zadań ruchowych, może się odbywać z mniejszą lub większa dokładnością i precyzją. Różnicę między dokładnością a precyzją przedstawia ilustracja z Ryc.5.

Ryc.5

Ryc.5. Graficzne przedstawienie różnic między pojęciem precyzji a dokładności.

Sygnały zwrotne docierające do Pacjenta z urządzeń (pętla druga), w formie obrazu i/lub dźwięku są audiowizualną, odpowiednio przetworzoną formą pomiaru biomedycznego, czyli niosą informację o aktualnym stanie parametru mierzonego. Zwrotne sygnały wzrokowe i słuchowe (pętla druga) oraz kinestetyczne (pętla pierwsza) pochodzące z fizjologicznych pętli sprzężenia zwrotnego, również są formą pomiaru biomedycznego, informującym Pacjenta o stopniu poprawności wykonywanego zadania. Dodatkowa pętla sprzężenia zwrotnego, zawierająca urządzenie BFDB lub BCI ma za zadanie poprawić dokładność i precyzję wykonywanych zadań – ruchowych lub poznawczych. Każdy pomiar, w szczególności biomedyczny, obarczony jest błędem pomiarowym. Błędy te możemy podzielić na systematyczne, przypadkowe (losowe) i grube [6, 29]. Błędy systematyczne można porównać do niskiej dokładności i powodują one odchylenie od wartości oczekiwanej. Błędy losowe można porównać do niskiej precyzji i powodują one rozrzut wokół wartości oczekiwanej. Natomiast błędy grube to pomyłka - wynik pomiaru znacznie odbiegający od reszty wyników. Trening wykorzystujący pętle zastępczego biologicznego sprzężenia zwrotnego zwiększa dokładność i precyzję wykonywanych zadań. Przejawia się to zmniejszeniem wartości błędów pomiarowych poprzez zastosowanie lepszego narzędzia pomiarowego jakimi są wysokiej klasy wzmacniacze sygnałów biomedycznych przystosowane do prowadzenia terapii z interfejsami nerwowymi lub metodą biofeedback.

Przedstawione powyżej metrologiczne podejście do pomiaru biomedycznego ma na celu uzyskanie możliwie najbardziej dokładnej i precyzyjnej informacji zwrotnej na użytek bieżącego treningu (nie w celach poznawczych i/lub naukowych). Warto dodać, że w przypadku pomiarów biomedycznych sama natura mierzonego zjawiska cechuje się wysoką niepewnością. Aby móc wykorzystać go do celów diagnostycznych lub monitoringu postępów rehabilitacji należy zastosować metody biometryczne, dla których podstawowym narzędziem jest statystyczne opracowanie wyników [23] lub zastosowanie bardziej zaawansowanych technik przetwarzania sygnałów i danych medycznych, takich jak np. proces identyfikacji.

Ponieważ rejestrowane sygnały pochodzą z konkretnie wybranych mięśni lub rejonów kory mózgu – techniki biofeedback działają selektywnie. Podobnie jak dla NI, selektywność metod BFDB jest ograniczona, lecz zazwyczaj wyższa i bardziej stabilna niż w klasycznych metodach neurorehabilitacji.


Bibliografia

  1. Allen S.J., Watson J.J., Shoemark D.K. i in., GDNF, NGF and BDNF as therapeutic options for neurodegeneration, Pharmacology & Therapeutics, 2013.
  2. Błaszczyk J., Modele cybernetyczne wybranych struktur i funkcji układu nerwowego, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa, 2009.
  3. 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].
  4. 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.
  5. 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]
  6. Gajda J., Pomiary i identyfikacja w diagnostyce medycznej, [w:] Podstawy inżynierii Biomedycznej. Tom I, red. Tadeusiewicz R., Augustyniak P., Wydawnictwa AGH, Kraków, 2009.
  7. 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.
  8. Gerven M., Farquhar J., Schaefer R. i in., The Brain-Computer Interfaces Cycle, Journal of Neural Engineering, Wrzesień, 2009.
  9. Giggins O., McCarthy Persson U., Caulfield B. (2013), Biofeedback in rehabilitation, Journal of NeuroEngineering and Rehabilitation, 10:60.
  10. Gwiazdowska B., Pawlicki G., Fizyku Medyczny - gdzie twoje miejsce? Historia i perspektywy fizyki medycznej w Polsce, Polish Journal of Medical Physics and Engineering, 2006.
  11. Hess G. (2009), Przekaźnictwo synaptyczne i plastyczność synaptyczna, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa.
  12. http://www.ted.com/talks/daniel_wolpert_the_real_reason_for_brains#t-1178711 [dostęp: 11.10.2016]
  13. Jaśkowski P. (2004), Zarys psychofizjologii, Wyższa Szkoła Finansów i Zarządzania, Warszawa.
  14. 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].
  15. Krakauer J.W. (2006), Motor learning: its relevance to stroke recovery and neurorehabilitation, „Current Opinion in Neurology”, nr 19, s. 84–90.
  16. Mazur M. (1999), Cybernetyka i charakter, Wyższa Szkoła Zarządzania i Przedsiębiorczości im.Bogdana Jańskiego, Warszawa.
  17. Merzenich M.M., Van Vleet T.M., Nahum M., Brain plasticity-based therapeutics, Frontiers In Human Neuroscience, 2014.
  18. 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.
  19. 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]
  20. Pąchalska M. Rehabilitacja neuropsychologiczna. UMCS, Lublin, 2008.
  21. Razavi S., Nazem G., Mardani M., Neurotrophic factors and their effects in the treatment of multiple sclerosis, Advanced Biomedical Research, 2015.
  22. Tadeusiewicz R., Biocybernetyka, Wydawnictwa Zakładu Narodowego im. Ossolińskich i Polskiej Akademii Nauk, Wrocław, 1988.
  23. Tadeusiewicz R., Izworski A., Majewski J.: Biometria, Wydawnictwa AGH, Kraków, 1993.
  24. Tadeusiewicz R.: Neurocybernetyka Teoretyczna, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 2009.
  25. The Neurobiology of Neurofeedback, Wikipedia-Books, źródło: http://en.wikipedia.org/wiki/Book:The_Neurobiology_of_Neurofeedback [dostęp: 11.10.2016]
  26. Thomson M., Thomson L. (2012), Neurofeedback, Biomed Neurotechnologie, Wrocław.
  27. 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]
  28. Wolpaw R.J, Winter Wolpaw E., Brain-Computer Interfaces: Principles and Practice, Oxford University Press, New York, 2012
  29. Zawada J.: Wybrane zagadnienia z podstaw metrologii, Wydawnictwo Politechniki Łódzkiej, Łódź, 2002.

Przypisy

  1. 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).
  2. 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.
  3. Podział zaproponowany przez Giggins i in. 2013 [9]
  4. 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.