Interfaz cerebro-computadora permite juego de control mental

Willi-van-de-Winkel/Pixabay

Las tecnologías innovadoras están haciendo avanzar rápidamente las capacidades humanas. Un nuevo estudio realizado por investigadores de la Universidad de Texas en Austin demuestra una interfaz cerebro-computadora (ICC) no invasiva y única que permite a los usuarios jugar juegos de computadora mediante la lectura de la mente.

“Las interfaces cerebro-computadora (ICC) no invasivas basadas en electroencefalografía (EEG) han demostrado ser eficientes en aplicaciones como la neurorrehabilitación, la robótica, la comunicación o la realidad virtual”, escribieron los autores correspondientes Satyam Kumar y José del R Millán en colaboración con Hussein Alawieh, Frigyes. Samuel Racz y Rawan Fakhreddine de la Universidad de Texas en Austin.

Utilizar los pensamientos como método para gestionar dispositivos informáticos y electrónicos externos es un gran paso adelante para la humanidad. Para poner esto en contexto, durante las décadas de 1950 y 1970, las primeras computadoras se programaban utilizando pilas de tarjetas perforadas de papel hasta el surgimiento de la cinta magnética, los discos duros y otras tecnologías de almacenamiento a principios de la década de 1980. En los últimos tiempos, las interfaces cerebro-computadora están ganando terreno.

El concepto de interfaces cerebro-computadora es simple: usar tecnología para ayudar a “leer” la mente de una persona y ejecutar comandos para administrar dispositivos informáticos externos. La ejecución es mucho más desafiante. Las ICC requieren capturar la actividad cerebral mediante grabaciones y determinar la acción prevista de una persona. El dispositivo de registro de la actividad cerebral puede ser un implante invasivo que requiere cirugía para colocarse en las áreas cerebrales apropiadas o uno no invasivo, como una electroencefalografía (EEG).

La inteligencia artificial (IA) ayuda a decodificar la actividad prevista de una persona a partir de sus pensamientos al predecir la acción prevista en datos complejos de la actividad cerebral. Un componente clave del auge de las interfaces cerebro-computadora es la aplicación del aprendizaje automático de IA para ayudar a encontrar patrones en la actividad cerebral.

Normalmente, entrenar a un usuario de interfaz cerebro-computadora implica la lenta y minuciosa recopilación de datos de actividad cerebral para calibrar y construir un decodificador individual para cada usuario. Como atajo, los decodificadores utilizan datos cerebrales pregrabados de un único experto, un proceso conocido como aprendizaje por transferencia entre sujetos.

Lo que distingue a este estudio es que los investigadores de la Universidad de Texas en Austin han desarrollado un método innovador para producir una interfaz cerebro-computadora que no requiere calibración utilizando el aprendizaje por transferencia entre sujetos y un marco especial que desarrollaron.

Los investigadores crearon un marco de adaptación de dominio incremental de Riemann que utiliza estadísticas de primer orden para hacer coincidir las distribuciones de datos pregrabados de un único experto con usuarios inexpertos en tiempo real. En matemáticas, la geometría riemanniana, o geometría elíptica, lleva el nombre del matemático alemán Bernhard Riemann (1826-1866), cuya geometría sentó las bases para la teoría general de la relatividad de Albert Einstein.

Para este estudio, los participantes usaron una gorra no invasiva con electrodos que miden las señales eléctricas del cerebro que un decodificador traduce en comandos. Los investigadores evaluaron su marco con 18 participantes sanos del estudio en dos tareas: un juego simple de equilibrar una barra digital y el juego de carreras de autos Cybathlon. Se desarrolló un decodificador inicial para traducir la actividad cerebral en comandos informáticos a partir de datos recopilados de un único usuario que realizó únicamente la tarea de la barra, no el juego de carreras de autos. Según los investigadores, este decodificador funcionó tan bien que permitió a los participantes entrenar tanto para el juego de bar como para el de carreras de coches al mismo tiempo.

Brain Computer Interface Lecturas esenciales

El aprendizaje profundo de la IA mejora el desempeño de la interfaz cerebro-computadora

IA decodifica gestos manuales a partir de imagen cerebral

"Demostramos que, junto con un mejor desempeño de ICC orientado a tareas en ambas tareas, nuestros marcos promovieron la capacidad de los sujetos para adquirir habilidades ICC individuales, a medida que las características de control neurofisiológico inicial de un sujeto experto evolucionaron y se volvieron específicas del sujeto", concluyeron los investigadores.

Con este marco innovador, es mucho más fácil generalizar los decodificadores de ondas cerebrales para interfaces cerebro-computadora sin una calibración que requiera mucho tiempo en el futuro.

Derechos de autor © 2024 Cami Rosso Todos los derechos reservados.