En un avance significativo, los investigadores del Instituto Weill de Neurociencias de la UC San Francisco que trabajan en pos de una prótesis controlada por el cerebro han demostrado que las técnicas de aprendizaje automático ayudaron a una persona con parálisis a aprender a controlar el cursor de una computadora utilizando su actividad cerebral sin requerir un reentrenamiento diario extenso,que ha sido un requisito de todos los esfuerzos anteriores de interfaz cerebro-computadora BCI.
"El campo BCI ha logrado un gran progreso en los últimos años, pero debido a que los sistemas existentes han tenido que reiniciarse y recalibrarse todos los días, no han podido acceder a los procesos de aprendizaje naturales del cerebro. Es como pedirle a alguien que aprenda aandar en bicicleta una y otra vez desde cero ", dijo el autor principal del estudio, Karunesh Ganguly, MD, PhD, profesor asociado en el Departamento de Neurología de UCSF." Adaptar un sistema de aprendizaje artificial para que funcione sin problemas con los sofisticados esquemas de aprendizaje a largo plazo del cerebroes algo que nunca se ha mostrado antes en una persona con parálisis ".
El logro del rendimiento "plug and play" demuestra el valor de los llamados conjuntos de electrodos ECoG para aplicaciones BCI. Un conjunto de ECoG comprende una almohadilla de electrodos del tamaño de una nota post-it que se coloca quirúrgicamente en la superficie dePermiten registros estables a largo plazo de la actividad neuronal y han sido aprobados para el monitoreo de convulsiones en pacientes con epilepsia. Por el contrario, los esfuerzos anteriores de BCI han utilizado arreglos de electrodos afilados estilo "alfiletero" que penetran el tejido cerebral durante másgrabaciones sensibles pero tienden a cambiar o perder la señal con el tiempo. En este caso, los autores obtuvieron la aprobación del dispositivo de investigación para la implantación crónica a largo plazo de matrices de ECoG en sujetos paralizados para probar su seguridad y eficacia como implantes BCI estables a largo plazo.
En su nuevo artículo, publicado el 7 de septiembre de 2020 en Biotecnología de la naturaleza , el equipo de Ganguly documenta el uso de una matriz de electrodos de ECoG en un individuo con parálisis de las cuatro extremidades tetraplejía. El participante también está inscrito en un ensayo clínico diseñado para probar el uso de matrices de ECoG para permitir que los pacientes paralizados controlen unabrazo y mano protésicos, pero en el nuevo artículo, el participante usó el implante para controlar un cursor de computadora en una pantalla.
Los investigadores desarrollaron un algoritmo BCI que utiliza el aprendizaje automático para hacer coincidir la actividad cerebral registrada por los electrodos de ECoG con los movimientos del cursor deseados por el usuario. Inicialmente, los investigadores siguieron la práctica estándar de restablecer el algoritmo todos los días. El participante comenzaría imaginandomovimientos del cuello y la muñeca mientras observa cómo se mueve el cursor por la pantalla. Gradualmente, el algoritmo de la computadora se actualizaba para hacer coincidir los movimientos del cursor con la actividad cerebral que generaba, el control efectivo del cursor se pasaba al usuario. Sin embargo, el inicio de este proceso sobre cadaEl día ponía un límite severo en el nivel de control que podía lograrse. Podía llevar horas dominar el control del dispositivo, y algunos días el participante tenía que renunciar por completo.
Luego, los investigadores cambiaron para permitir que el algoritmo continúe actualizándose para que coincida con la actividad cerebral del participante sin reiniciarlo cada día. Descubrieron que la interacción continua entre las señales cerebrales y el algoritmo mejorado por aprendizaje automático resultó en mejoras continuas en el rendimiento durante muchos días. Inicialmente había un poco de terreno perdido que recuperar cada día, pero pronto el participante pudo alcanzar inmediatamente un rendimiento de alto nivel.
"Descubrimos que podíamos mejorar aún más el aprendizaje asegurándonos de que el algoritmo no se actualizara más rápido de lo que el cerebro podía seguir, una frecuencia de aproximadamente una vez cada 10 segundos", dijo Ganguly, neurólogo en ejercicio de UCSF Health yServicio de Neurología y Rehabilitación del Centro Médico de la Administración de Veteranos de San Francisco. "Vemos esto como tratar de construir una asociación entre dos sistemas de aprendizaje, el cerebro y la computadora, que finalmente permite que la interfaz artificial se convierta en una extensión del usuario, como su propia mano obrazo."
Con el tiempo, el cerebro del participante pudo amplificar los patrones de actividad neuronal que podría utilizar para impulsar de manera más efectiva la interfaz artificial a través de la matriz ECoG, al tiempo que elimina las señales menos efectivas, un proceso de poda muy similar a cómo se cree que aprende el cerebrocualquier tarea compleja, dice el investigador. Observaron que la actividad cerebral del participante parecía desarrollar un "modelo" mental arraigado y consistente para controlar la interfaz BCI, algo que nunca había ocurrido con el restablecimiento y la recalibración diarios. Cuando la interfaz se restableció después de variossemanas de aprendizaje continuo, el participante restableció rápidamente los mismos patrones de actividad neuronal para controlar el dispositivo, entrenando eficazmente el algoritmo a su estado anterior.
"Una vez que el usuario ha establecido una memoria duradera de la solución para controlar la interfaz, no hay necesidad de reiniciar", dijo Ganguly. "El cerebro simplemente converge rápidamente hacia la misma solución".
Eventualmente, una vez que se estableció la experiencia, los investigadores demostraron que podían desactivar la necesidad del algoritmo de actualizarse por sí mismo, y el participante podía simplemente comenzar a usar la interfaz todos los días sin necesidad de reentrenamiento o recalibración. El rendimiento no disminuyó durante 44 díasen ausencia de reentrenamiento, y el participante podría incluso pasar días sin practicar y ver una pequeña disminución en el rendimiento. El establecimiento de experiencia estable en una forma de control BCI mover el cursor también permitió a los investigadores comenzar a "acumular" habilidades aprendidas adicionales:- como "hacer clic" en un botón virtual, sin pérdida de rendimiento.
Este rendimiento inmediato de BCI "plug and play" ha sido durante mucho tiempo un objetivo en el campo, pero ha estado fuera de su alcance porque los electrodos "estilo alfiletero" utilizados por la mayoría de los investigadores tienden a moverse con el tiempo, cambiando las señales vistas por cadaAdemás, debido a que estos electrodos penetran en el tejido cerebral, el sistema inmunológico tiende a rechazarlos, deteriorando gradualmente su señal. Las matrices de ECoG son menos sensibles que estos implantes tradicionales, pero su estabilidad a largo plazo parece compensar esta deficiencia.Las grabaciones de ECoG pueden ser incluso más importantes para el control a largo plazo de sistemas robóticos más complejos, como miembros artificiales, un objetivo clave de la siguiente fase de la investigación de Ganguly.
"Siempre hemos sido conscientes de la necesidad de diseñar tecnología que no termine en un cajón, por así decirlo, pero que realmente mejore la vida cotidiana de los pacientes paralizados", dijo Ganguly.Estos datos muestran que las BCI basadas en ECoG podrían ser la base de dicha tecnología ".
Fuente de la historia :
Materiales proporcionado por Universidad de California - San Francisco . Original escrito por Nicholas Weiler. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :