Breinimplantaat privacy: Risico's van BCI-systemen

Nog niet zo lang geleden schreven we op de Kitech website over de Motif DOT, een hersenimplantaat in de vorm van een erwt dat diepe hersenstimulatie gebruikt om hardnekkige depressies te behandelen. Waar de Motif DOT zich richt op het stimuleren van specifieke hersengebieden (output-to-input), doet een recente, baanbrekende casus exact het omgekeerde : het uitlezen van de hersenen (input-to-output).

Een recent artikel van de NOS beschrijft een spectaculaire medische én technische doorbraak. Een 45-jarige man, volledig verlamd door de spierziekte ALS, is er dankzij een geavanceerd hersenimplantaat in geslaagd om weer zelfstandig te communiceren en zélfs te werken. Waar zijn zenuwbanen de spieren niet meer kunnen bereiken, vangen micro-elektroden de signalen direct bij de bron op.

Maar hoe werkt deze techniek? En welke engineering- en privacyvraagstukken brengt dit met zich mee?

Actiepotentiaal naar algoritme

Om te begrijpen hoe een verlamde patiënt een computer kan aansturen, moeten we kijken naar de werking van de motorische cortex. Wanneer je eraan denkt om je hand te bewegen of een specifiek woord uit te spreken, vuren neuronen in je hersenen elektrische signalen af: de actiepotentialen.

Bij de ALS-patiënt uit de casus zijn micro-elektroden direct in of op de hersengebieden geplaatst die verantwoordelijk zijn voor beweging en spraak. Het proces verloopt vervolgens in drie stappen:

Signaalacquisitie: De elektroden registreren de microvolts aan elektrische activiteit (Vm) van duizenden neuronen tegelijk.
Feature Extraction (Filtering): Hersenactiviteit is extreem ‘ruizig’. Ruwe signalen bevatten spierartefacten en achtergrondruis. Via hardware-matige en software-matige filters wordt de relevante activiteit geïsoleerd.
Decodering via Machine Learning: Een computeralgoritme vertaalt de gefilterde patronen naar een actie (bijvoorbeeld een muisklik of een letter op een scherm).

Wiskundig gezien probeert het systeem de intentie van de gebruiker (y) te schatten op basis van de gemeten hersenactiviteit (x). Dit wordt vaak gemodelleerd met een waarschijnlijkheidsmatrix, waarbij de decoder berekent welke letter of actie de hoogste waarschijnlijkheid heeft:

\color{#000000}{P(y \mid x) = \frac{P(x \mid y) \cdot P(y)}{P(x)}}

Dankzij deze realtime kansberekening kan de patiënt virtuele knoppen indrukken of letters selecteren, puur door de intentie tot bewegen te simuleren.

Systeemstabiliteit op de lange termijn

Hoewel deze casus geweldig is, kampt de neurotechnologie met een grote uitdaging: systeemstabiliteit. Het menselijk brein is plastisch; neurale netwerken veranderen continu van structuur en activiteitspatronen verschuiven door vermoeidheid, emotie of de progressie van een ziekte als ALS.

Als een algoritme op maandagochtend traint op een specifiek neuraal patroon, kan datzelfde signaal op woensdagmiddag net een fractie anders vuren. Zonder geavanceerde, adaptieve machine learning-modellen die zichzelf continu op de achtergrond herkalibreren, zou de patiënt elke dag uren kwijt zijn aan het opnieuw ‘inleren’ van de computer. Het stabiel houden van deze decodering zonder dat de gebruiker gefrustreerd raakt, is momenteel een van de grootste software-challenges binnen de Brain-Computer Interfaces (BCI).

Kan je brein gehackt worden?

Wanneer we de techniek achter ons laten en naar de maatschappelijke impact kijken, komen we al snel op een ethisch vraagstuk. In een eerdere blog stonden we uitgebreid stil bij hoe we onze digitale privacy kunnen herstellen in een wereld vol smartphones en cookies. Maar wat als de dataverzameling niet stopt bij je online gedrag, maar zich verplaatst naar je hersenen?

BCI-data is de meest intieme vorm van biometrische data die bestaat, wat kritische security- en privacyvragen oproept:

Neuro-cybersecurity: Elk implantaat dat draadloos communiceert met een computer of smartphone, kan in theorie worden gehackt. Wat als een hackers de controle overnemen over de input die naar een implantaat (zoals de Motif DOT) wordt gestuurd, of de output (zoals bij de ALS-patiënt) manipuleren?
Brain Privacy: Huidige systemen lezen alleen gerichte commando’s uit (zoals de intentie om een hand te bewegen). Maar naarmate AI decoders geavanceerder maakt , vervaagt de grens tussen de intentie om te communiceren en je onvrijwillige innerlijke dialoog. Wie is de eigenaar van die neurale data? Wordt deze data lokaal opgeslagen of in een beveiligde medische cloud? Of belandt het straks in de algemene voorwaarden van een tech-gigant?

Wat kunnen we werwachten van de toekomst?

De neurotechnologie bevindt zich nu in de beginfase, vergelijkbaar met de computerindustrie in de jaren ’70. De komende decennia verschuift de focus van puur medische, invasieve hulpmiddelen naar minder invasieve toepassingen, waarbij de scope aan engineering-toepassingen veel verder reikt dan spraakherstel alleen. Een logische volgende stap is het bouwen van een ‘digitale brug’, waarbij signalen uit de motorische cortex de beschadigde zenuwbanen omzeilen en direct elektrostimulatoren in de spieren aansturen om mobiliteit bij dwarslaesies te herstellen. Daarnaast verschuift het veld naar bi-directionele systemen; zintuiglijke bypasses kunnen externe camera- of microfoondata rechtstreeks naar de visuele cortex of gehoorzenuw streamen, terwijl geavanceerde robotprotheses via druksensoren tast-signalen terugsturen naar het brein. Op de lange termijn zal deze hardware op de consumentenmarkt komen, waardoor ‘silent computing’ (het aansturen van AR of VR zonder fysieke input of spraak) technisch haalbaar wordt.

Tegelijkertijd moeten standaarden voor ‘neurorights’ en encryptie ontwikkeld worden.De belangrijkste firewall van de toekomst zit wellicht niet in je router, maar in je brein.

Robert Dilber