El algoritmo de aprendizaje automático permite que una interfaz cerebro-computadora se reajuste continuamente para garantizar que el sistema esté siempre calibrado y listo para usar.

En el nuevo estudio, el equipo diseñó una tecnología mediante la cual la interfaz cerebro-computadora se reajusta continuamente en segundo plano para garantizar que el sistema esté siempre calibrado y listo para usarse. La imagen es de dominio público.

Cuando las personas sufren lesiones debilitantes o enfermedades del sistema nervioso, a veces pierden la capacidad de realizar tareas que normalmente se dan por sentadas, como caminar, tocar música o conducir un automóvil. Pueden imaginarse haciendo algo, pero la lesión podría impedir que ocurra esa acción.

Existen actualmente sistemas de interfaz cerebro-computadora que pueden traducir las señales cerebrales en una acción deseada para recuperar alguna función, pero pueden ser una carga al usarse porque no siempre funcionan sin problemas y necesitan un reajuste para completar incluso tareas simples.

Investigadores de la Universidad de Pittsburgh y la Universidad Carnegie Mellon están trabajando para comprender cómo funciona el cerebro cuando aprende tareas con la ayuda de la tecnología de interfaz cerebro-computadora. En un conjunto de artículos, el segundo de los cuales se publicó hoy en Nature Biomedical Engineering, el equipo avanza con la tecnología de interfaz cerebro-computadora destinada a ayudar a mejorar la vida de los pacientes amputados que usan prótesis neurales.

“Digamos que durante su jornada laboral planifica su viaje nocturno a la tienda de comestibles”, dijo Aaron Batista, profesor asociado de bioingeniería en la Escuela de Ingeniería Swanson de Pitt. “Ese plan se mantiene en algún lugar de su cerebro durante todo el día, pero probablemente no llegue a su corteza motora hasta que llegue a la tienda. Estamos desarrollando tecnologías de interfaz cerebro-computadora que, con suerte, algún día funcionarán al nivel de nuestras intenciones diarias».

Batista, Emily Oby, asociada de investigación postdoctoral de Pitt, y los investigadores de Carnegie Mellon han colaborado en el desarrollo de vías directas desde el cerebro a dispositivos externos. Usan electrodos más pequeños que un cabello que registran la actividad neuronal y la ponen a disposición de los algoritmos de control.

En el primer estudio del equipo, publicado en junio pasado en las Actas de la Academia Nacional de Ciencias, el grupo examinó cómo cambia el cerebro con el aprendizaje de nuevas habilidades de interfaz cerebro-computadora.

“Cuando los sujetos forman una intención motora, se generan patrones de actividad a través de esos electrodos, y los representamos como movimientos en la pantalla de una computadora. Luego, los sujetos alteran sus patrones de actividad neuronal de una manera que evoca los movimientos que desean”, dijo el codirector del proyecto Steven Chase, profesor de ingeniería biomédica en el Instituto de Neurociencia de Carnegie Mellon.

En el nuevo estudio, el equipo diseñó una tecnología mediante la cual la interfaz cerebro-computadora se reajusta continuamente en segundo plano para garantizar que el sistema esté siempre calibrado y listo para usarse.

«Cambiamos la forma en que la actividad neuronal afecta el movimiento del cursor, y esto evoca el aprendizaje», dijo Oby de Pitt, autor principal del estudio. “Si cambiamos esa relación de cierta manera, fue necesario que nuestros sujetos animales produjeran nuevos patrones de actividad neuronal para aprender a controlar el movimiento del cursor nuevamente. Hacerlo les llevó semanas de práctica, y pudimos ver cómo cambiaba el cerebro a medida que aprendían».

En cierto sentido, el algoritmo «aprende» cómo adaptarse al ruido y la inestabilidad inherentes a las interfaces de grabación neuronal. Los hallazgos sugieren que el proceso para que los humanos dominen una nueva habilidad implica la generación de nuevos patrones de actividad neuronal. Finalmente, al equipo le gustaría que esta tecnología se utilizara en un entorno clínico para la rehabilitación del accidente cerebrovascular.

Estos procedimientos de auto recalibración han sido un objetivo buscado durante mucho tiempo en el campo de las prótesis neurales, y el método presentado en los estudios del equipo es capaz de recuperarse automáticamente de las inestabilidades sin que el usuario deba hacer una pausa para recalibrar el sistema por sí mismo.

“Digamos que la inestabilidad fue tan grande que el sujeto ya no pudo controlar la interfaz cerebro-computadora”, dijo Yu. «Es probable que los procedimientos de auto recalibración existentes tengan dificultades en ese escenario, mientras que, en nuestro método, hemos demostrado que en muchos casos puede recuperarse incluso de las inestabilidades más dramáticas».

Ambos proyectos de investigación se realizaron como parte del Center for the Neural Basis of Cognition. Este programa interinstitucional de investigación y educación aprovecha las fortalezas de Pitt en neurociencia básica y clínica y bioingeniería con las de Carnegie Mellon en neurociencia cognitiva y computacional.

Otros colaboradores de Carnegie Mellon en los proyectos incluyen al codirector Byron Yu, profesor de ingeniería eléctrica e informática e ingeniería biomédica, y también a los investigadores postdoctorales Alan Degenhart y William Bishop, quienes dirigieron la realización de la investigación.

Fuente: Universidad de Pittsburgh

Comments are closed.