Bilim ve teknolojide meydana gelen hızlı gelişmeler, bilim kurgu kitapları ve filmlerinde kurgulanmış olan dünyaların günlük hayatımıza daha çok girip, hayal ve gerçek arasındaki sınırın silikleşmeye başlamasına yol açıyor. Bilim insanlarının farklı zihinsel süreçler sırasında insan beyni faaliyetlerinde meydana gelen değişimleri giderek daha da hassaslaşan cihazlar kullanarak ölçmeleri ve ayrıca beyin-bilgisayar ve beyin-beyin arayüzlerinin geliştirilmesiyle birlikte beyin-makine ve beyin-beyin arası iletişim mümkün hale geldi. Kas gücü olmadan, zihinsel yolla bilgisayar kontrolü, robot kol ve bacakların, sanal objelerin, tekerlekli sandalye gibi cihazların hareketi sağlanabildi. Makineler, günümüzde daha da artarak bedenlerimizin uzantıları veya parçaları haline gelmeye başladılar, yani bir nevi siborglara dönüştük. Haraway [1], siborgu şu şekilde tanımlar: “Bir sibernetik organizma, bir makine-organizma melezi, sosyal gerçekliğin ve aynı zamanda kurgunun yaratığıdır.”

Beyinler ve makineler arasındaki iletişim, teknik olarak nasıl kuruluyor peki? Bunun için beyin aktivitesini ölçen bir cihaza ve bu aktiviteyi kullanılan cihaza iletecek bir beyin-bilgisayar arayüzüne (Brain-Computer Interface, BCI) ihtiyaç var. Buna beyin-makine arayüzü de deniyor [2]. Beyin-bilgisayar arayüzünü, farklı yöntemlerle beyinden elde edilen bilgiyi deşifre edip kişinin farklı cihazları kullanmasına uygun hale getiren bir ara birim olarak tanımlayabiliriz. BCI bir çeşit şifre çözücüdür ve makine öğrenme (machine learning) gibi metotlar kullanır [3, 4]. Beyin aktivitesini ölçmek için ise farklı yöntemler mevcut. Beyin aktivitesini girişimsiz, yani doku içine girmeden ölçen teknikler: Elektroensefalografi (EEG), işlevsel manyetik rezonans görüntüleme (functional Magnetic Resonance Imaging, fMRI) ve son zamanlarda kullanılmaya başlanan yakın kızılötesi spektroskopisidir (Near Infrared Spectroscopy, NIRS) [5]. En popüler sistemler EEG’ye dayalı BCI’lerdir. EEG’ye ve sıralanan metotlara göre daha hassas olan girişimli, yani doku içine girişi içeren yöntemde ise cerrahi bir işlemle beynin dış tabakası olan korteks üzerine veya içine mikroelektrot dizileri yerleştirilerek beyin aktivitesi ölçümü yapılır [5]. Kullanıcı, bu sistemleri kullandığında beyin aktivitesinde değişikliğe yol açan zihinsel bazı görevler gerçekleştirir, örneğin kolunu hareket ettirmeyi kafasında canlandırabilir. BCI sayesinde bu zihinsel faaliyet sanal veya gerçek bir robot kolunu hareket ettirmeye yeter.

EEG’ye dayalı beyin-bilgisayar arayüzlerinde tipik olarak kullanılan farklı frekanstaki beyin dalgaları mu (8–12 Hz), beta (18–30 Hz) ve gamadır (30–70 Hz).

Bu sistemlerin geliştirilmesinin en önemli amaçlarından biri felç, kilitli kalma (locked-in) sendromu ve ALS gibi sinir hücrelerinde ilerleyen hasara neden olan (nörodejeneratif) rahatsızlıklar sebebiyle hareketleri kısıtlanan veya tamamen hareketsiz kalan hastaların tekrar iletişim kurmasını sağlamaktır. Örneğin Bouton ve arkadaşları, Nature’da yayınladıkları bir makalede [6] omurilik felci geçirmiş olan ve uzuvlarını kullanamayan bir hastanın korteksinin içine (intrakortikal) mikroelektrot dizisi yerleştirmişler ve beynin hareketten sorumlu motor korteks bölgesinden gelen aktiviteyi BCI aracılığıyla kasları aktive etmek için kullanmışlardır. Kas aktivasyonu için “Nöromüsküler Elektriksel Uyarı” (Neuromuscular Electrical Stimulation, NMES) sistemi kullanılmıştır. Bu metotla hasta, bilek ve ellerini, ayrıca parmaklarını tek tek hareket ettirmeyi başarmış, bir şişeyi tutma, içindekileri dökmeden başka bir bardağa aktarma gibi günlük hayatımızı sürdürmek için vazgeçilmez olan hareketleri de yapabilmiştir (Video Kaynak 1). Benzer bir girişimsel yöntem, bir hastanın uzaktaki bir robot kolunu ve parmaklarını hareket ettirmesi için de başarıyla kullanılmıştır [7] (Video Kaynak 2). Başka bir çalışmada ise yine korteks içinde kullanılan ve BrainGate adı verilen bir BCI sayesinde 3 felçli kullanıcı, bilgisayarda normal bir bilgisayar faresini kullanır gibi istedikleri harflere veya belirli cümlelere basabilmişlerdir [8]. Bilim insanları,  girişimsiz BCI teknolojisini, cerrahi müdahale istemeyen hastaların da evlerinde rahatlıkla kullanmasına uygun hale getirmeye çalışmaktadırlar. Örneğin bir çalışmada [9], bir çok ALS hastası, EEG’ye dayalı bir BCI sistemini evlerinde test etmişlerdir. Kullanıcı, kafasına elektrotların takılı olduğu ve EEG sinyallerini ölçen bir başlık takar. Bilgisayar ekranında arka arkaya flaş şeklinde yanıp sönen  harf veya kelime gruplarından istediğine odaklanmasıyla birlikte beyin aktivitesinde meydana gelen değişim belirlenir ve BCI aracılığıyla harf, sembol veya hazır komut seçilmiş olur. Başka bir çalışmada da bir robot kolu EEG’ye dayalı bir girişimsiz bir yöntemle başarıyla hareket ettirilebilmiştir [10] (Video Kaynak 3).

BCI sistemleri, dikkat seviyesi, stres, iş yükü gibi zihinsel durumların  değerlendirilmesini gerektiren uygulamalar için de test edilmektedir. Buna pasif BCI denir [11]. Test edilen uygulama alanlarından biri, güvenliğin kritik olduğu, insan hatasının ciddi sonuçlara yol açabileceği araba, uçak kullanma gibi faaliyetlerdir. Bilim insanları, sürücüler üzerinde yaptıkları çalışmalarda uykulu olma durumunun, yorgunluğun EEG dalgaları üzerindeki etkisine bakmaktadırlar. Sistemin test edildiği başka bir alan da nöropazarlamadır. Amaç, ticari reklamları izlerken tüketici beyninde meydana gelen değişikliklere göre tüketicinin duygu durumundaki değişimi tespit etmektir [11]. 2018’de Ramsoy ve arkadaşlarının yaptığı bir çalışma [12], tüketicinin bir ürünü satın alma isteğinin (Willingness to Pay, WTP) beynin ön kısmında bulunan prefrontal korteksteki özellikle gama frekans aralığındaki asimetriyle önemli ölçüde ilişkili olduğunu göstermiştir. Asimetri, beyin aktivitesinin sol ve sağ yarıkürelerde birbirinden farklı olduğunu ifade eden bir kelimedir. Üzerinde çalışılan diğer bir uygulamanın amacı da pek çok insanın aynı anda beyin aktivitelerini tarayıp (hyperscanning) takım üyelerinin birlikte çalışırkenki etkileşimlerini değerlendirmektir [11].

Bir beyin, BCI sayesinde makinelerle iletişim kurabiliyorsa, bunu başka bir beyinle de yapması mümkün mü? Son yıllarda yapılan çalışmalar, henüz emekleme döneminde de olsa beyin-beyin iletişimini mümkün hale getirdi! Bunun için beyin-beyin arayüzü (Brain-Brain Interface, BBI) kullanılır. BBI, beyin aktivitesini görüntüleme ve beyni uyarma (nörostimülasyon) metotlarını birleştirerek beyinler arasında bilgi alıp vermeye imkan veren bir arayüzdür. Beyin aktivitesi belirlendikten sonra bu deşifre edilip sinyal alıcının beynine yollanır. Etik ve güvenlik sorunları göz önünde bulundurulduğundan, şu an mevcut olan BBI’ler doku içine nüfuzu gerektirmeyen, girişimsiz teknikleri kullanmaktadır. Tipik olarak, sinirsel aktivite ölçümü için EEG, beyne bilgi iletmek için ise kafa içi manyetik uyarı (Transcranial Magnetic Stimulation, TMS) kullanılır. Örneğin, yeni yayınlanan bir çalışmada 3 kişi arasında ortak problem çözümünü sağlayan ve BrainNet adı verilen ilk direkt BBI geliştirilmiştir [13]. Araştırmacılar, bu sosyal beyin ağı uygulamasını test etmek için tetris benzeri bir oyun kullanmışlardır. Bu çalışmada iki kişi bilgi Gönderici, üçüncü kişi de Alıcı olarak seçilmiştir. Alıcı olan, oyun ekranının alt kısmını, yani alt sırada bloğun girmesi gereken boşluğu göremez, o yüzden oyunu devam ettirebilmek için tamamen diğer iki Gönderici’ye bağlıdır. Gönderici’lerin her biri, blok düşüp alt sıradaki boşluğu doldurmadan önce Alıcı’ya çok basit iki komut yollar: Bloğu döndür veya bloğu döndürme. “Bloğu döndür” komutu için Gönderici, daha hızlı yanıp sönen LED’e, “bloğu döndürme” komutu için de daha yavaş yanıp sönene bakar. Bu komutlar beyinde farklı EEG sinyalleri oluşmasına yol açar. Sinyaller BCI tarafından deşifre edilip Alıcı’ya internet üzerinden yollanır ve beynin görsel bilgiyi işleyen kısmına (beynin oksipital lobuna) kafa içi manyetik uyarı yoluyla iletilir. Araştırmacılar, Gönderici’lerden birinden gelen beyin sinyallerine suni gürültü (spesifik olmayan, istenmeyen sinyal) de ekleyip bilginin güvenilirliğini Alıcı’nın anlayıp anlamayacağını da test etmişlerdir. Alıcılar, beyinlerine gelen bilgiden hangi yollayıcının daha güvenilir olduğunu tespit edebilmişlerdir. Çalışmayı gerçekleştirenler, bu sistemin daha fazla kişi için de adapte edilebilir olduğunu belirtmişlerdir.

Beynimizin sırlarının gün geçtikçe çözülmesi, beyni görüntüleme ve uyarma yöntemlerinin hassaslaşmasıyla birlikte nöroteknoloji alanındaki uygulama yelpazesi de giderek genişleyecek. Bazılarımız nöroteknolojiyle ilgili hayallerinde sınır tanımıyorlar. Yapay zeka şimdiden bizim zekamızı bazı alanlarda solladığından ve yaptıklarını nasıl yaptığını onu geliştirenler de kavrayamadıklarından, Elon Musk gibi teknogirişimciler bizim de altta kalmamamız gerektiğini ve bunun tek yolunun bilişsel kapasitemizi arttırmak olduğunu düşünerek Neuralink isimli bir BCI şirketi kurdular. Amaçları, insan beynini bilgisayara bağlayıp, Ghost in the Shell (Kabuktaki Hayalet, 1995), The Matrix (1999) gibi bilim kurgu filmleri ve animelerde olduğu gibi herhangi birini süper bir insana dönüştürebilmek. Bazı bilim insanları da, Black Mirror (Siyah Ayna) adlı diziye de konu olan, tüm beynin kopyalanması (Whole Brain Emulation, WBE) [14, 15] üzerine çalışıyorlar. Bir gün, bilincimizin, beynimizde bizi biz yapan tüm verilerin bir bilgisayara veya başka bir beyne transfer edilebilir hale geleceğine, bazı hastalıkların önüne de bu şekilde geçilebileceğine ve bunun ölümsüzlüğü mümkün kılacağına inanıyorlar. Gelecek günlerin hayatımızda neleri değiştireceğini hep birlikte göreceğiz. Bilimle kalın.

Derleyen: Güney Akbalık

Düzenleyen: Fatma Gözde Çilingir

Video Kaynaklar

1. https://www.youtube.com/watch?v=4kKWIuMKjL8

2. https://www.youtube.com/watch?v=ogBX18maUiM

3. https://www.youtube.com/watch?v=w6QEGeIKHw

Yazılı Kaynaklar

[1]         D. J. Haraway, “A Cyborg Manifesto,” in Manifestly Haraway, University of Minnesota Press, 2016, pp. 3–90.

[2]         M. A. Lebedev and M. A. L. Nicolelis, “Brain-Machine Interfaces: From Basic Science to Neuroprostheses and Neurorehabilitation.,” Physiol. Rev., vol. 97, no. 2, pp. 767–837, Apr. 2017.

[3]         A. S. Benjamin, H. L. Fernandes, T. Tomlinson, P. Ramkumar, C. VerSteeg, R. Chowdhury, L. Miller, and K. P. Kording, “Modern machine learning outperforms GLMs at predicting spikes,” 2017.

[4]         D. J. McFarland and J. R. Wolpaw, “Brain–computer interface use is a skill that user and system acquire together,” PLOS Biology, vol. 16, no. 7, p. e2006719, Jul. 2018.

[5]         P. R. Roelfsema, D. Denys, and P. C. Klink, “Mind Reading and Writing: The Future of Neurotechnology,” Trends in Cognitive Sciences, vol. 22, no. 7, pp. 598–610, Jul. 2018.

[6]         C. E. Bouton, A. Shaikhouni, N. V. Annetta, M. A. Bockbrader, D. A. Friedenberg, D. M. Nielson, G. Sharma, P. B. Sederberg, B. C. Glenn, W. J. Mysiw, A. G. Morgan, M. Deogaonkar, and A. R. Rezai, “Restoring cortical control of functional movement in a human with quadriplegia,” Nature, vol. 533, no. 7602, pp. 247–250, May 2016.

[7]         L. R. Hochberg, D. Bacher, B. Jarosiewicz, N. Y. Masse, J. D. Simeral, J. Vogel, S. Haddadin, J. Liu, S. S. Cash, P. van der Smagt, and J. P. Donoghue, “Reach and grasp by people with tetraplegia using a neurally controlled robotic arm.,” Nature, vol. 485, no. 7398, pp. 372–375, May 2012.

[8]         C. Pandarinath, P. Nuyujukian, C. H. Blabe, B. L. Sorice, J. Saab, F. R. Willett, L. R. Hochberg, K. V. Shenoy, and J. M. Henderson, “High performance communication by people with paralysis using an intracortical brain-computer interface.,” Elife, vol. 6, p. 336, Feb. 2017.

[9]         J. R. Wolpaw, R. S. Bedlack, D. J. Reda, R. J. Ringer, P. G. Banks, T. M. Vaughan, S. M. Heckman, L. M. McCane, C. S. Carmack, S. Winden, D. J. McFarland, E. W. Sellers, H. Shi, T. Paine, D. S. Higgins, A. C. Lo, H. S. Patwa, K. J. Hill, G. D. Huang, and R. L. Ruff, “Independent home use of a brain-computer interface by people with amyotrophic lateral sclerosis.,” Neurology, vol. 91, no. 3, pp. e258–e267, Jul. 2018.

[10]       J. Meng, S. Zhang, A. Bekyo, J. Olsoe, B. Baxter, and B. He, “Noninvasive Electroencephalogram Based Control of a Robotic Arm for Reach and Grasp Tasks.,” Sci Rep, vol. 6, no. 1, p. 38565, Dec. 2016.

[11]       P. Aricò, G. Borghini, G. Di Flumeri, N. Sciaraffa, and F. Babiloni, “Passive BCI beyond the lab: current trends and future directions.,” Physiol Meas, vol. 39, no. 8, p. 08TR02, Aug. 2018.

[12]       T. Z. Ramsøy, M. Skov, M. K. Christensen, and C. Stahlhut, “Frontal Brain Asymmetry and Willingness to Pay.,” Front Neurosci, vol. 12, p. 138, 2018.

[13]       L. Jiang, A. Stocco, D. M. Losey, J. A. Abernethy, C. Prat, and R. P. N. Rao, “BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains,” 2018.

[14]       A. Sandberg, “Feasibility of Whole Brain Emulation,” in Philosophy and Theory of Artificial Intelligence, vol. 5, no. 19, Berlin, Heidelberg: Springer, Berlin, Heidelberg, 2013, pp. 251–264.

[15]       M. D. Serruya, “Connecting the Brain to Itself through an Emulation,” Front Neurosci, vol. 11, p. 123, Jun. 2017.

Görsel kaynaklar

1. https://stock.adobe.com/search?filters%5Bcontent_type%3Aphoto%5D=1&filters%5Bcontent_type%3Aillustration%5D=1&filters%5Bcontent_type%3Azip_vector%5D=1&filters%5Bcontent_type%3Avideo%5D=1&filters%5Bcontent_type%3Atemplate%5D=1&filters%5Bcontent_type%3A3d%5D=1&filters%5Bcontent_type%3Aimage%5D=1&k=brain+computer+interface&order=relevance&safe_search=1&search_page=1&acp=&aco=brain+computer+interface&limit=100&get_facets=0&asset_id=170995471

2. https://stock.adobe.com/search?filters%5Bcontent_type%3Aphoto%5D=1&filters%5Bcontent_type%3Aillustration%5D=1&filters%5Bcontent_type%3Azip_vector%5D=1&filters%5Bcontent_type%3Avideo%5D=1&filters%5Bcontent_type%3Atemplate%5D=1&filters%5Bcontent_type%3A3d%5D=1&filters%5Bcontent_type%3Aimage%5D=1&k=EEG&order=relevance&safe_search=1&search_page=1&acp=&aco=EEG&limit=100&get_facets=0&asset_id=42766040