Aunque las interfaces cerebro-máquina o cerebro-computadora (BMI / BCI) han recorrido un largo camino desde que Hans Berger descubrió la presencia de actividad eléctrica en el cerebro humano en 1924, la comunicación fluida entre nuestros cerebros y máquinas sigue siendo un santo grial de la informática. . En los últimos años se han visto avances increíbles en la investigación del IMC portátil no invasiva en términos de ayudar a las personas discapacitadas o paralizadas a moverse nuevamente , controlar las prótesis robóticas o controlar las computadoras con el poder del pensamiento y brindar a las personas ciegas una visión biónica .

Ahora, un nuevo estudio de un equipo internacional de científicos ha diseñado un sistema BMI que puede controlar un brazo robótico o una silla de ruedas simplemente imaginando la acción a través de un sistema de detección que es más fácil de usar que los sistemas anteriores. El sistema comprende un sistema electrónico de cuero cabelludo inalámbrico suave, que utiliza electroencefalografía (EEG) para leer y traducir las señales neuronales de un cerebro humano en acción.

El cuero cabelludo suave que se usa en el sistema de IMC de Yeo y sus colegas es algo en lo que el equipo ha estado trabajando durante dos años. A diferencia de los dispositivos EEG convencionales, dice Yeo, este no tiene un montón de cables, electrodos metálicos, etc. "Tiene electrodos de microagujas imperceptibles y miniaturizados, y circuitos flexibles con interconectores extensibles". Esto, agrega, le da a su sistema un mejor factor de forma y una mejor adquisición de señal.

Al ser flexible y suave, el cuero cabelludo EEG se puede usar sobre el cabello y no requiere geles ni pastas para mantenerlo en su lugar. La grabación de señal mejorada se debe en gran parte a los electrodos de microagujas, invisibles a simple vista, que penetran en la capa más externa de la piel. "No sentirás nada porque [son] demasiado pequeños para ser detectados por los nervios", dice Woon-Hong Yeo del Instituto de Tecnología de Georgia. En las configuraciones de EEG convencionales, agrega, cualquier movimiento como parpadear o rechinar los dientes por parte del usuario provoca la degradación de la señal. "Pero una vez que lo hace ultraligero, delgado, como nuestro dispositivo, puede minimizar todos esos problemas de movimiento".

El equipo utilizó el aprendizaje automático para analizar y clasificar las señales neuronales recibidas por el sistema e identificar cuándo el usuario estaba imaginando la actividad motora. Eso, dice Yeo, es el componente esencial de un IMC, para distinguir entre diferentes tipos de entradas. "Normalmente, la gente usa el aprendizaje automático o el aprendizaje profundo ... Usamos redes neuronales convolucionales ". Este tipo de aprendizaje profundo se usa generalmente en tareas de visión por computadora, como el reconocimiento de patrones o el reconocimiento facial, y "no exclusivamente para señales cerebrales", agrega Yeo. "Solo estamos obteniendo los beneficios del propio mecanismo de aprendizaje profundo".

Los investigadores también utilizaron la realidad virtual (VR) para simular la acción. Dado que el sistema se basa en imágenes motoras, el componente de realidad virtual actúa como una señal visual y "ayuda al usuario a imaginar mejor, mostrando las manos o los pies", dice Yeo. Los datos mostraron que esto, de hecho, también mejoró la calidad de la señal.

El sistema BMI portátil pudo registrar la actividad de imágenes motoras de alta calidad en tiempo real, y los cuatro sujetos humanos, todos personas sanas, pudieron completar sus ejercicios de realidad virtual pensando en ellos. A pesar de una tasa de precisión del 93,22 ± 1,33 por ciento, Yeo dice que todavía quedan muchos desafíos por delante.

"La principal limitación [de los IMC no invasivos] es que estamos midiendo señales en la piel, a través del cráneo, a través de los tejidos", dice, "Entonces creo que tenemos que mejorar continuamente la calidad de nuestro dispositivo para obtener mejores señales. Y al mismo tiempo, también tenemos que mejorar continuamente nuestro análisis de datos ... para tener una mejor tasa de precisión ". Además, en el experimento actual, los investigadores jugaron con solo cuatro clases para las entradas. "Me encantaría ampliarlo a más de 10 entradas". El equipo también está esperando autorización para probar el sistema en sujetos humanos discapacitados.

(IEEE SPECTRUM)