Spraak-BCI: hoe hersenimplantaten weer een stem geven aan wie niet meer kan praten
Een spraak-BCI (brain-computer interface, oftewel hersen-computerinterface) is een systeem dat elektrische signalen uit de hersenen rechtstreeks omzet in tekst of gesproken taal, zonder dat mond, tong, keel of stembanden daarbij nodig zijn. Het brein van iemand die niet meer kan spreken, werkt vaak nog uitstekend: het probleem zit in de verbroken verbinding tussen hersenen en spieren. Een spraak-BCI legt die verbinding kunstmatig opnieuw, met elektroden en software in plaats van zenuwen.
Vergelijk het met een tolk die meeluistert via een koptelefoon en live vertaalt wat iemand fluistert, ook al hoort niemand anders die fluistering. Bij een spraak-BCI is het brein de fluisteraar: zodra iemand innerlijk probeert een woord te zeggen, ontstaat er een herkenbaar patroon van hersenactiviteit. Een computermodel, getraind op de signalen van precies díe persoon, leert dat patroon te 'vertalen' naar letters, woorden of zelfs een nagebootste stem. Voor mensen met bijvoorbeeld ALS, een hersenstamberoerte of een hoge dwarslaesie kan dit de enige weg terug zijn naar zelfstandig communiceren.
Wat is het precies?
Een spraak-BCI bestaat grofweg uit drie stappen: signalen opvangen, signalen vertalen, en output produceren.
De eerste stap is het opvangen van hersensignalen. Dat gebeurt meestal met elektroden die operatief zijn ingebracht, hetzij als een dun rooster dat op het hersenoppervlak ligt (elektrocorticografie, afgekort ECoG), hetzij als een klein 'naaldenbed' met tientallen microscopisch dunne pennetjes dat in de hersenschors prikt (een zogeheten Utah-array). Deze elektroden worden geplaatst boven het deel van de motorische hersenschors dat normaal de spieren van lippen, tong, kaak en stembanden aanstuurt. Niet-invasieve alternatieven zoals EEG (elektroden op de hoofdhuid) of MEG (magnetische registratie) bestaan ook, maar geven veel ruizigere, minder gedetailleerde signalen.
De tweede stap is decodering: de gemeten signalen zijn op zichzelf een chaotische stroom aan elektrische pulsjes. Een AI-model, meestal een vorm van deep learning, is getraind om in die pulsjes patronen te herkennen die overeenkomen met klanken (fonemen), letters of hele woorden. Omdat ieders brein en elke elektrode-plaatsing net anders is, moet dit model per patiënt opnieuw worden getraind, door de gebruiker herhaaldelijk te laten proberen bepaalde zinnen te zeggen terwijl het systeem meeleert.
De derde stap is de output: het gedecodeerde resultaat verschijnt als tekst op een scherm, of wordt via een spraaksynthesizer direct omgezet in gesproken taal. In geavanceerde systemen wordt daarbij een synthetische stem gebruikt die is nagebouwd op basis van oude opnames van de stem van de patiënt zelf, van vóór de ziekte.
Wat wil men ermee bereiken?
Het uiteindelijke doel is communicatie die zo dicht mogelijk bij natuurlijk spreken komt. Een gemiddeld gesprek verloopt in ongeveer 120 tot 150 woorden per minuut. Bestaande hulpmiddelen voor mensen die niet meer kunnen spreken, zoals oogbesturing waarbij letter voor letter een zin wordt samengesteld door met de ogen naar tekens op een scherm te kijken, halen doorgaans niet meer dan 5 tot 10 woorden per minuut. Dat verschil is enorm: het bepaalt of iemand nog spontaan een grapje kan maken, een kind kan troosten, of aan een gesprek kan meedoen in plaats van er alleen bij te zitten.
Onderzoekers streven daarom niet alleen naar snelheid, maar ook naar een groot woordenboek (idealiter net zo groot als de actieve woordenschat van een gewone spreker), naar herkenbare intonatie en emotie in de stem, en naar behoud van de eigen identiteit door de synthetische stem te laten klinken zoals de patiënt vroeger klonk. Het gaat uiteindelijk om autonomie en waardigheid: zelf kunnen bepalen wát je zegt en wannéér, in plaats van afhankelijk te zijn van trage spelsystemen of van anderen die raden wat je bedoelt.
Voorbeelden uit de praktijk
Het onderzoek naar spraak-BCI's is nog vrij jong, maar er zijn inmiddels diverse spraakmakende resultaten gepubliceerd.
In 2021 publiceerde de groep van neurochirurg Edward Chang aan de University of California, San Francisco (UCSF) in het New England Journal of Medicine het eerste real-time spraak-BCI bij een patiënt met een ernstige hersenstamberoerte, bekend onder het pseudoniem 'Pancho'. Met een woordenboek van vijftig woorden haalde het systeem ongeveer vijftien woorden per minuut.
Diezelfde groep publiceerde in 2023 in Nature een vervolgstudie bij Ann (Pat Bennett), een vrouw met ALS. Dankzij een groter elektrodenrooster en verbeterde AI-decodering kon het systeem uit duizend-plus woorden kiezen, met een decodeersnelheid van ongeveer 78 woorden per minuut en een digitale avatar die tegelijk sprak en gezichtsuitdrukkingen toonde, met een stem die was nagebouwd op basis van opnames van haar eigen stem.
In 2024 meldde een team van UC Davis in het New England Journal of Medicine een systeem bij Casey Harrell, eveneens met ALS, dat na training een woordenschat van meer dan 125.000 woorden aankon met een nauwkeurigheid van ongeveer 97 procent, en dat al binnen enkele minuten na het aanzetten bruikbaar was.
Nederland heeft een eigen pioniersrol: het UMC Utrecht, onder leiding van hoogleraar Nick Ramsey, implanteerde in 2016 bij patiënte Hanneke de Bruijne, die door ALS volledig verlamd was geraakt, het eerste volledig inwendige BCI-systeem ter wereld waarmee zij via hersensignalen letters kon selecteren en zinnen kon spellen. Dit werk, gepubliceerd in The Lancet, richtte zich op klikgestuurde spelling in plaats van directe spraakdecodering, maar was baanbrekend voor de haalbaarheid van langdurig geïmplanteerde BCI's buiten het ziekenhuis.
Aanpalend is het werk van Frank Willett en collega's (Stanford/BrainGate), die in 2021 in Nature een BCI toonden die pogingen tot handschrijven decodeerde in plaats van spraak, goed voor ongeveer 90 tekens per minuut. Deze studie leverde belangrijke decodeertechnieken die later ook voor spraak-BCI's zijn hergebruikt.
Hoe ver is de techniek?
Spraak-BCI is experimenteel onderzoek, geen goedgekeurd medisch hulpmiddel. Alle hierboven genoemde resultaten komen uit klinische studies met een handvol deelnemers, vaak minder dan tien per onderzoek. Van grootschalige inzet in ziekenhuizen of thuiszorg is nog geen sprake.
De belangrijkste obstakels zijn: ten eerste is een hersenoperatie nodig voor de meest nauwkeurige systemen, met de bijbehorende risico's van elke ingreep aan het brein. Ten tweede vergt elk systeem wekenlange, soms maandenlange training per individu, omdat het decodeermodel is toegesneden op de unieke signalen van die ene patiënt. Ten derde verschuiven hersensignalen na verloop van tijd enigszins (signal drift), waardoor modellen periodiek moeten worden bijgesteld. Ten vierde zijn de systemen nog vaak bekabeld of afhankelijk van omvangrijke externe apparatuur in een laboratoriumsetting, wat draagbaar, dagelijks gebruik lastig maakt. Niet-invasieve varianten met EEG of MEG zijn veiliger maar leveren tot dusver veel minder nauwkeurige resultaten.
Tegelijk gaat de vooruitgang snel: waar het eerste systeem in 2021 vijftig woorden en vijftien woorden per minuut haalde, zaten latere systemen in 2023-2024 al op duizenden woorden en tachtig-plus woorden per minuut, met foutpercentages die richting die van gewone spraakherkenningssoftware bewegen. De volgende horde is duurzaamheid: implantaten die jarenlang betrouwbaar blijven werken, draadloze en compacte hardware, en uiteindelijk regelgevende goedkeuring (in de VS door de FDA, in Europa via CE-markering) voor commercieel gebruik.
Wie werken eraan?
In de Verenigde Staten lopen de academische onderzoekslijnen voorop: UCSF met de groep van Edward Chang, UC Davis met onderzoekers als Sergey Stavisky en David Brandman, en Stanford University met onder meer Frank Willett en neurochirurg Jaimie Henderson. Veel van dit werk gebeurt binnen het BrainGate-consortium, een samenwerking tussen Brown University, Massachusetts General Hospital en het Providence VA Medical Center, die al sinds de jaren 2000 klinische BCI-studies uitvoert. Financiering komt voor een groot deel van de Amerikaanse National Institutes of Health, via het BRAIN Initiative, en van defensie-onderzoeksbureau DARPA.
Op het commerciële vlak ontwikkelt Neuralink (opgericht door Elon Musk) implantaten die op termijn ook spraak moeten kunnen decoderen, naast de huidige focus op cursor- en typebesturing. Synchron werkt aan een minder invasieve elektrode (de Stentrode) die via de bloedvaten wordt ingebracht, zonder open hersenoperatie. Andere spelers zijn Precision Neuroscience en Paradromics, en Blackrock Neurotech, dat de Utah-array-elektroden levert die in vrijwel alle bovengenoemde academische studies worden gebruikt. Meta (via zijn AI-onderzoekslab FAIR) doet aanvullend onderzoek naar het niet-invasief decoderen van taal uit MEG- en EEG-signalen.
In Nederland is het UMC Utrecht, met de groep van Nick Ramsey, het belangrijkste centrum, met een focus op volledig implanteerbare systemen voor mensen met ALS en andere vormen van verlamming.