BFDB vs NI

Podobieństwa i różnice między technologiami biofeedback a interfejsami nerwowymi

Granica między technologiami interfejsów nerwowych a biofeedback jest płynna. Podstawową funkcjonalnością większości interfejsów BCI jest informacja zwrotna (ang. feedback), a część rozwiązań BCI wymaga treningu biofeedback do nauki poprawnego sterowania urządzeniem. W zastosowaniach neuorehabilitacyjnych, trening z interfejsem rejestrującym BCI nie różni się technicznie od treningu neurofeedback. Różnice mogą dotyczyć jedynie celu terapii i zastosowanych protokołów (zmienne terapeutyczne). Elektromiografia powierzchniowa jest zaliczana do zależnych interfejsów nerwowych (ang. dependent BCI)[28]. EMG nie odbiera informacji bezpośrednio z układu nerwowego, jak ma to miejsce podczas stosowania niezależnych interfejsów BCI (ang. independent BCI), jednak sprzężenie między układem nerwowym a mięśniowym jest bardzo silne.

Ryc.3

Ryc.3. Graficzne przedstawienie różnic i podobieństw pomiędzy technologiami biofeedback a interfejsami nerwowymi.

Niektórzy neuronaukowcy twierdzą nawet, że mózg wyewoluował nie do myślenia, lecz do złożonej kontroli ruchu [12]. Sygnały aktywności bioelektrycznej mięśni niosą zatem bardzo dużo informacji o funkcjonowaniu zarówno obwodowego jak i ośrodkowego układu nerwowego. Według autorów technologie NI i BFDB przenikają się w zakresie neurofeedbacku i emg biofeedbacku (Ryc.3) szczególnie w zastosowaniach dla rehabilitacji neuromotorycznej. Inne modalności biofeedbacku fizjologicznego nie należą już do interfejsów nerwowych ze względu na zbyt pośrednie sprzężenie z OUN. Biofeedback biomechaniczny jest już całkowicie odrębnym interfejsem należącym, wg autorów do kategorii interfejsów człowiek-komputer (HCI).

Roboty rehabilitacyjne (w tym egzoszkielety) zgodne z koncepcją modelu NWU, w zależności od rodzaju sterowania mogą stanowić element efektora systemów interfejsów nerwowych lub systemów biofeedback. Roboty takie mogą być sterowane za pomocą sygnałów EEG (niezależne BCI), sEMG, ruchów oczu (zależne BCI lub HCI) i innych.


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.