Storyboard

Una interfaz cerebro-maquina decodifica la intencion motora o cognitiva a partir de la actividad neuronal registrada, extendiendo directamente el formalismo de codificacion y decodificacion poblacional de E13. Un decodificador lineal adaptativo ajusta sus pesos mediante una regla de aprendizaje supervisado que minimiza el error entre la senal decodificada y la intencion objetivo, y esta senal decodificada controla un efector externo en un esquema de control en lazo cerrado con retroalimentacion sensorial artificial. El uso repetido de la interfaz induce ademas reorganizacion cortical (extension de la plasticidad de E07, en la misma linea que M05), ya que la corteza aprende a modular su actividad para mejorar el control del dispositivo. El desempeno de la interfaz se cuantifica mediante la tasa de transferencia de informacion (formula de Wolpaw, basada directamente en la teoria de la informacion introducida en E13) y mediante la fidelidad de la decodificacion, la cual tipicamente se degrada con la fatiga del usuario durante sesiones prolongadas.

>Modelo

ID:('ky', 1542)

Storyboard

$u_{decoded}=\sum_i w_{BMI,i}r_i(t)$

Variables

$u_{decoded}$

Intención decodificada

$1$

$mathbf w_{BMI}$

Pesos del decodificador

$1$

$r_i$

Actividad neuronal

$Hz$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 13653)

Storyboard

$\frac{d\mathbf w_{BMI}}{dt}=\eta_{BMI}(u_{target}-u_{decoded})\mathbf r$

Variables

$u_{decoded}$

Intención decodificada

$1$

$u_{target}$

Intención objetivo

$1$

$mathbf w_{BMI}$

Pesos del decodificador

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 13654)

Storyboard

$\frac{dx_{effector}}{dt}=u_{decoded}-k_{damp}x_{effector}+Feedback$

Variables

$x_{effector}$

Estado del efector

$1$

$u_{decoded}$

Intención decodificada

$1$

$Feedback$

Retroalimentación sensorial

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 13655)

Storyboard

$\frac{dw_{cortex}}{dt}=\eta_{BMI,learn}r_{pre}r_{post}Reward_{BMI}$

Variables

$w_{cortex}$

Peso cortical aprendido

$1$

$Reward_{BMI}$

Recompensa de control

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 13656)

Storyboard

$ITR=(\log_2N+P\log_2P+(1-P)\log_2\frac{1-P}{N-1})\frac{60}{T_{trial}}$

Variables

$ITR$

Transferencia de información

$bit/m$

>Modelo

ID:('gm', 13657)

Storyboard

$Fidelity=corr(u_{target},u_{decoded})$

Variables

$Fidelity$

Fidelidad de decodificación

$1$

$u_{decoded}$

Intención decodificada

$1$

$u_{target}$

Intención objetivo

$1$

>Modelo

ID:('gm', 13658)

Storyboard

$SNR=SNR_0e^{-k_{fatigue}t_{use}}$

Variables

$SNR$

Relación señal-ruido

$1$

$t$

Tiempo

$s$

>Modelo

ID:('gm', 13659)

Descripción

Red de modelo

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$x_{effector}$

x_effector

Estado del efector

1

$Fidelity$

Fidelity

Fidelidad de decodificación

1

$u_{decoded}$

u_decoded

Intención decodificada

1

$u_{target}$

u_target

Intención objetivo

1

$w_{cortex}$

w_cortex

Peso cortical aprendido

1

$mathbf w_{BMI}$

w_BMI

Pesos del decodificador

1

$Reward_{BMI}$

Reward_BMI

Recompensa de control

1

$SNR$

SNR

Relación señal-ruido

1

$Feedback$

Feedback

Retroalimentación sensorial

1

$ITR$

ITR

Transferencia de información

bit/m

$r_i$

r[i]

Actividad neuronal

Hz

$t$

t

Tiempo

s

ID:(0, 1542)