CEREBRO-MÁQUINA

Neuralink lejos de cumplir sus objetivos, la actualidad de su sector, señales cerebrales, su recolección y el procesamiento para la interpretación.

Author

Jefferson Espinoza
December 28, 2023

El 28 de agosto de 2020, Elon Musk presentó los avances de Neuralink como algo revolucionario, un implante neuronal que pretende ser una interfaz cerebro-máquina con la que la compañía propone curará la ceguera, la parálisis, la sordera, las enfermedades mentales, etc. Todo un poco lejos de la realidad en este momento, la experiencia de la empresa NeuroPace cuenta otra cosa, pues nos revela que tardó más de 16 años en sacar al mercado un dispositivo que detecta futuros ataques epilépticos y aplica una descarga eléctrica en el cerebro para impedirlos [1]. A todo esto, ¿Cuál es el nivel actual de desarrollo de la interfaces cerebro-máquina? ¿Cómo se recolectan señales del cerebro y cómo se procesan estas?  

El cerebro

El cerebro es el centro de todas las actividades (el procesador de información) con memoria, capacidad de procesamiento, toma de decisiones y controlador de canales de entrada y salida. En la Figura 1 se presenta el cerebro y sus funciones. Dependiendo del objetivo de la investigación habrá que prestarle más atención a ciertas áreas y rangos de frecuencia.

Las señales EEG y su recolección

La tecnología del Electroencefalograma (EEG) es una que amplifica, digitaliza y presenta la actividad eléctrica del cerebro, esto se logra utilizando electrodos no invasivos, los que se colocan sobre el cuero cabelludo.

Existen 3 estándares para la colocación de electrodos sobre el cuero cabelludo [3]: 21 electrodos (estándar 10-20), 64 electrodos (estándar 10-10),128 y 256 electrodos (estándar 10-5, propuesto, pero no aceptado oficialmente).

La amplitud de una señal EEG oscila entre 0.1𝜇𝑉 y 200𝜇𝑉 medida en el cuero cabelludo [4]. Estas señales tienen un ancho de banda de entre 0.1 a 100Hz. y se clasifican según rangos de frecuencia como se observa en la Figura 2.

En la Figura 2 no se observa, pero a las frecuencias de 30-100 Hz se les conoce como gamma [6]. Algunos ejemplos de los rangos de frecuencia a los que se les presta más atención dependiendo del estudio en la Tabla 1.

Tabla 1. Áreas de estudio en EEG y los rangos de frecuencias a los que se presta atención en los estudios. Fuente: Elaboración propia.

Procesamiento de señales EEG

Para entender el proceso por el que pasa una señal EEG tomaremos como ejemplo  uno de los temas más estudiados en el campo, Motor Imagery (MI), el cual es un estudio para reconocer patrones de movimiento reales o imaginarios tomando como datos de entrada señales de EEG.

Figura 3. Diagrama que muestra el procesamiento de la señal llevado a cabo en un sistema típico basado en MI EEG [11]. 

Ahora describimos cada parte del proceso en función de la investigación de [11].

Datos EEG sin procesar (Raw EEG Data)

Este primer paso trata de la captura de las señales EEG. En muchos estudios se trabaja utilizando datos de múltiples canales y con repetidos ensayos.

Pre-Procesamiento (Pre-Processing)

El objetivo aquí es eliminar o reducir el ruido que puede ser causado por el movimiento de los ojos, la contracción muscular, el movimiento de la cabeza, etc. Para esto, se usa el enfoque lineal de eliminación de ruido [12], que suaviza la señal y el de análisis de componentes del principio multiescala (MSPCA, por sus siglas en inglés), un método que conserva los picos en la señal [12], [13].

Extracción de características (Feature Extraction)

La extracción de características es el procesamiento de la señal para extraer información discriminativa que luego será utilizada para la clasificación. Se usa: análisis en el dominio del tiempo [14], [15], análisis en el dominio de la frecuencia[16]–[18], análisis en tiempo-frecuencia[19], [20] y el análisis en el dominio espacial[21]. 

Selección de características (Feature Selection)

Basados en la extracción de características del anterior punto, ahora vemos técnicas que pueden ayudar a seleccionar las características extraídas, las más resaltantes son: Principal Component Analysis (PCA) [22], Filter Bank Selection [23] y Evolutionary Algorithms (EAs) [24] . Se requiere seleccionar las características para solo utilizar las que mejor relación lleven con los movimientos que se quiere clasificar.

Clasificación (Classification)

Ahora que tenemos las características más relevantes, solo nos quedaría clasificar, para lo que podemos usar: Linear Discriminant Analysis (LDA) [24], Support Vector Machine (SVM) [16], k-Nearest Neighbor (kNN) [23], etc.

La actualidad de las interfaces cerebro-máquina

En la actualidad EEG es una de las técnicas de neuroimagen más difundidas , esto por sus aparentes ventajas respecto de otras tecnologías. EEG ofrece seguridad, portabilidad, resolución temporal y rentabilidad superior a otros métodos no invasivos, como la resonancia magnética funcional (fMRI, por sus siglas en inglés), la magnetoencefalografía (MEG, por sus siglas en inglés) o la tomografía por emisión de positrones (PET, por sus siglas en inglés) [25].

Ahora, en la Figura 4 se observan las posibles aplicaciones comerciales de EEG por sector para 2020, se ordenan en forma descendente, siendo medicina la más citada.

Figura 4. Posibles aplicaciones del EEG comercial en diferentes sectores. Fuente [25]

Algunas de las aplicaciones más interesantes las podemos encontrar en Self-regulation, sector en el que la empresa InteraXon lanzó en 2014 un auricular portátil [26] que sirve para guiar la actividad cerebral con música mientras se medita. En el mismo sector, la empresa Melon [27] desarrolló un algoritmo capaz de identificar los niveles de atención de un usuario, el objetivo es mejorar la productividad del usuario. En el sector del entretenimiento, los auriculares EPOC+ e Insight de Emotiv permiten al usuario controlar drones de forma remota [28].

Conclusión

A 2021 parece ser que aún estamos en una etapa temprana en el desarrollo de interfaces cerebro-máquina, pero empiezan a surgir propuestas interesantes que apuntan a la mejora de las capacidades del ser humano. El sector parece estar en el momento adecuado de la historia para alcanzar madurez ya que requiere mucha matemática, estadística e Inteligencia Artificial para el procesamiento de sus señales y todo eso ahora es más sencillo con cada día que pasa.

Referencias

Reply

or to participate.