18.06.2019 - 05:00
En una interfície cervell-computadora (ICC), els senyals neuronals registrats en el cervell s’integren en un algoritme que els tradueix perquè les persones amb discapacitats físiques els puguen utilitzar per a controlar una sèrie de dispositius, com ara teclats virtuals (Birbaumer et al., 1999; Sellers, Ryan i Hauser, 2014; Vansteensel et al., 2016), jocs (Perdikis, Tonin, Saeedi, Schneider i Millán, 2018), braços i mans robòtiques (Collinger et al., 2013; Hochberg et al., 2012), robots mòbils (Leeb et al., 2015) i cadires de rodes (Carslon i Millán, 2013; Ron-Angevin et al., 2017). Per exemple, la Figura 1 mostra una cadira de rodes controlada amb la ment. L’usuari rep la informació de la resposta de la pròtesi mitjançant les vies sensorials normals o directament a través d’estimulació cerebral, amb la qual cosa s’estableix un bucle de control tancat. La tecnologia d’ICC ofereix una forma natural d’augmentar les capacitats humanes ja que proporciona un nou mitjà d’interacció amb el món exterior. En aquest sentit, és particularment interessant com a ajuda per als pacients amb discapacitats neuromusculars severes, encara que també obre noves possibilitats per a la interacció humà-màquina de persones sense discapacitats.
«La tecnologia de les interfícies cervell-computadora ofereix una manera natural d’augmentar les capacitats humanes»
El principi central d’una ICC és la capacitat de distingir diferents patrons d’activitat cerebral associats a intencions o ordres mentals concretes. Per tant, l’adaptació és un component clau d’una ICC, ja que, d’una banda, els usuaris han d’aprendre a modular les seues ones cerebrals per generar patrons cerebrals diferents, mentre que, d’una altra, les tècniques d’aprenentatge automàtic haurien de descobrir els patrons cerebrals individuals que caracteritzen les tasques mentals executades per l’usuari. En essència, una ICC és un sistema amb dos aprenents que entaulen un procés d’adaptació mútua (Carmena, 2013; Perdikis et al., 2018). Aquest procés comença amb la selecció de característiques discriminants i estables –components cerebrals de cada usuari que maximitzen la diferenciació entre ordres mentals i que, a causa de la naturalesa no estacionària dels senyals cerebrals, són estables en el temps– per a construir models òptims que descodifiquen la intenció de l’usuari. Alguns exemples dels components cerebrals específics de cada usuari que s’introdueixen en els descodificadors personalitzats són la potència senyals filtrats de passabanda1 en determinades zones del cervell. Aquestes característiques inicials representen els components cerebrals que l’usuari pot modular de manera natural i aprendre a controlar voluntàriament gràcies a la informació rebuda en l’entrenament en connexió amb la ICC.
Com a exemple d’aquest enfocament d’aprenentatge mutu de les ICC, un estudi recent va investigar la hipòtesi que l’aprenentatge mutu és un factor crític per a aconseguir que les ICC puguen funcionar de manera fiable en aplicacions fora del laboratori (Perdikis et al., 2018). A diferència de la tendència més habitual a centrar-se de manera quasi exclusiva en els aspectes d’aprenentatge automàtic de les ICC, un enfocament holístic de l’aprenentatge mutu basat simètricament en els tres pilars (màquina, subjecte i aplicació) va resultar ser el sistema d’entrenament òptim per a preparar dos usuaris que van participar en 2016 en la cursa Cybathlon, la primera competició internacional d’ICC en la qual usuaris amb discapacitats greus operen un dispositiu. Concretament es va entrenar dos participants amb greus problemes derivats de lesions medul·lars cròniques perquè controlaren el seu avatar en un joc de curses virtuals amb ICC. Els resultats de la competició van mostrar l’efectivitat de l’aprenentatge mutu: un d’ells va guanyar la medalla d’or i els dos van marcar els tres millors temps (Figura 2). El que és més important, es van poder extraure correlats d’aprenentatge a tots els nivells de la interfície –aplicació, resultats de la ICC i neuroimatge EEG– d’ambdós usuaris, amb una avaluació prou llarga i, a més, en condicions reals i fins i tot adverses com les del dia de la cursa.
Com enregistrar les ones cerebrals per a les ICC
Quin tipus d’ones cerebrals podem utilitzar per a controlar dispositius directament? L’activitat elèctrica és la candidata natural gràcies a l’excel·lent resolució temporal que ofereix (es pot realitzar un seguiment dels canvis en l’activitat cerebral en el rang dels mil·lisegons). Podem enregistrar l’activitat elèctrica del cervell tant de manera invasiva com no invasiva (Figura 3). La primera d’aquestes tècniques fa servir una matriu de microelèctrodes implantada en el cervell per a enregistrar l’activitat de neurones individuals –o de petites poblacions neuronals que donen lloc a potencials de camp local–. L’activitat conjunta general de les poblacions neuronals també es pot enregistrar de manera invasiva mitjançant elèctrodes ubicats en la superfície del cervell, és el que es coneix com electrocorticografia.
Les ICC no invasives utilitzen principalment activitat electroencefalogràfica enregistrada mitjançant elèctrodes ubicats en el cuir cabellut per mesurar l’activitat sincrònica de milions de neurones corticals. La naturalesa dels senyals dels potencials de camp local, l’electrocorticografia i l’electroencefalografia, és semblant, però ocorren a diferents escales espacials –microscòpica, mesoscòpica i macroscòpica, respectivament.
Llig l’article sencer al web de Mètode
José del R. Millán és Càtedra Defitech en Interfícies Cervell-Computadora (CNBI) en el Centre de Neuropròtesis de l’Escola Politècnica Federal de Lausana (Suïssa), on també treballa com a professor associat.
