M8 Interfaces cerebro-maquina

Tópico

Una interfaz cerebro-máquina registra la actividad neuronal de una población de neuronas y trata esa actividad, tal como describe el modelo de codificación y decodificación poblacional, como un código colectivo que representa la intención motora o cognitiva de la persona en cada instante. Decodificar esa actividad neuronal registrada significa entonces invertir ese código poblacional para recuperar, a partir de la actividad de muchas neuronas a la vez, cuál es la intención concreta que esa persona está tratando de expresar.

Un decodificador lineal adaptativo cumple esa tarea de decodificación combinando la actividad de esa población de neuronas mediante un conjunto de pesos propios, uno por cada neurona registrada, para producir una señal decodificada que estima la intención de la persona en cada instante. Al principio esos pesos no combinan bien la actividad neuronal, y la señal decodificada que producen se aparta del objetivo real, pero una regla de aprendizaje supervisado ajusta esos pesos, sesión tras sesión, en la dirección que reduce el error entre la señal decodificada y la intención objetivo conocida durante el entrenamiento del decodificador; cuanto más se repite ese ajuste, menor termina siendo ese error y más fielmente refleja la señal decodificada la intención real de la persona.

Esa señal decodificada no se queda solamente en una estimación: controla directamente un efector externo, como un cursor o un brazo robótico, y el movimiento de ese efector externo genera a su vez una consecuencia sensorial que una retroalimentación sensorial artificial le devuelve a la persona, de modo que ella percibe el resultado de su propia intención decodificada y puede corregirla de inmediato si ese resultado no fue el buscado. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina.

El uso repetido de esta interfaz cerebro-máquina no solo ajusta los pesos del decodificador: también induce, tal como describe el modelo de plasticidad, una reorganización cortical en la propia persona, en la misma línea que ya describe el modelo M05. A medida que la persona usa la interfaz una y otra vez, la corteza aprende por su cuenta a modular la actividad de esa misma población de neuronas de manera que resulte más fácil de decodificar, de modo que el decodificador se adapta a la corteza mediante el aprendizaje supervisado de sus pesos al mismo tiempo que la corteza se adapta al decodificador mediante su propia reorganización cortical, y ambas adaptaciones juntas terminan mejorando el control del dispositivo más de lo que lograría cualquiera de las dos por separado.

El desempeño de esta interfaz cerebro-máquina se cuantifica de dos maneras. La primera es la tasa de transferencia de información, calculada mediante el método que introdujo Wolpaw a partir de la misma teoría de la información que ya describe el modelo de codificación y decodificación poblacional, y que resume en una sola cifra cuántas opciones distintas logra distinguir la interfaz, qué tan certeros son sus aciertos y cuántas decisiones logra tomar por minuto. La segunda es la fidelidad de la decodificación, que compara la señal decodificada con la intención objetivo de la misma manera que la regla de aprendizaje supervisado durante el entrenamiento, y que típicamente se degrada a medida que avanza una sesión prolongada, porque la fatiga del usuario le dificulta mantener la misma actividad neuronal clara y consistente que la interfaz necesita registrar para decodificar bien su intención.

ID:4280