Interfaces cerebro-computadora: un modelo unificado descifra la actividad cerebral de múltiples individuos
El desarrollo de interfaces cerebro-computadora (BCI) se enfrenta a un desafío fundamental: la variabilidad individual. Cada cerebro produce señales ligeramente diferentes, lo que ha obligado a los investigadores a construir y calibrar sistemas personalizados para cada usuario. Este proceso, que a menudo requiere semanas de adaptación, representa un obstáculo significativo para la implementación práctica y escalable de los BCI en entornos clínicos o de uso cotidiano.
La última investigación de Tether Evo, en parte en colaboración con la Universidad de Roma Tor Vergata (UniTOV), aborda directamente esta barrera. A través de tres artículos aceptados para publicación en el Journal of Neural Engineering, Imaging Neuroscience y Neural Networks, la compañía presenta un enfoque que permite a un único modelo aprender a interpretar la actividad cerebral de múltiples personas. Esto se logra mediante una técnica de alineación matemática ligera que unifica las señales de diferentes cerebros en un espacio compartido, junto con una red de decodificación en capas.
Este avance tiene implicaciones profundas para el futuro de los BCI. Al reducir el tiempo de adaptación de semanas a apenas minutos u horas, la tecnología se vuelve mucho más accesible y aplicable. La misma lógica que permite a un sistema reconocer una canción o una imagen puede aplicarse directamente a la restauración de la comunicación para personas que han perdido la capacidad de hablar, o al desarrollo de prótesis visuales corticales avanzadas.
Tether Evo, que se especializa en BCI y neuroprótesis, busca crear sistemas de alto rendimiento que prioricen la autonomía personal y el procesamiento local. En línea con esta filosofía, la compañía ha desarrollado QVAC, una pila de inteligencia artificial de código abierto que garantiza que el procesamiento de datos se realice de forma privada y local en el dispositivo. Este enfoque se alinea con el objetivo más amplio de Tether de empoderar a individuos y comunidades a través de tecnologías descentralizadas y auto-gestionadas.
Por qué importa
La principal limitación para la adopción masiva de las interfaces cerebro-computadora (BCI) ha sido la necesidad de una calibración prolongada y personalizada para cada usuario, debido a las sutiles diferencias en la señalización cerebral. La capacidad de un modelo para generalizar entre individuos reduce drásticamente los tiempos de adaptación, abriendo la puerta a una implementación más rápida y escalable de estas tecnologías en aplicaciones médicas y de asistencia.
Antecedentes
Tradicionalmente, el diseño de sistemas BCI requería que cada paciente tuviera un decodificador personalizado, entrenado desde cero con sus propias señales cerebrales. Esta individualización se debía a factores como la ubicación específica de los implantes, las variaciones en la actividad funcional cerebral y los diferentes procesos de aprendizaje de cada persona. Un enfoque unificado para la decodificación cerebral representa un cambio de paradigma.
Tres vías de descifrado cerebral
La investigación de Tether Evo y la UniTOV demuestra la capacidad de sus modelos unificados en tres áreas clave: Restauración del habla: Un modelo de decodificación neuronal a fonemas, el primero de su tipo que funciona entre diferentes sujetos con grabaciones invasivas, puede adaptarse a un nuevo usuario en minutos u horas, en lugar de las semanas habituales, equiparando o superando la precisión de los sistemas individualizados actuales. Esto es crucial para pacientes con pérdida del habla debido a condiciones como ELA o derrames cerebrales. Reconstrucción visual: A partir de 200 milisegundos de datos neuronales de macacos, un modelo pudo identificar la imagen exacta entre miles con un 70% de precisión y generar una reconstrucción plausible de su forma, color y contenido. Este avance tiene el potencial de impulsar las prótesis visuales corticales. * Decodificación musical: Un estudio coescrito, basado en resonancias magnéticas funcionales (fMRI) de cinco personas escuchando 540 canciones, demostró que el modelo podía identificar el género musical correcto el 61% de las veces (frente al 10% de acierto al azar) y la canción exacta entre 60 candidatas aproximadamente el 25% de las veces. Los resultados también señalaron que las áreas auditivas del cerebro vinculadas a la percepción musical son clave y que géneros como el clásico y el jazz producen firmas cerebrales más distintivas.
Datos clave
| Tiempo de adaptación de BCI de habla | De semanas a minutos u horas |
|---|---|
| Precisión en reconstrucción visual | 70% al identificar una imagen entre miles |
| Acierto en género musical | 61% (frente a 10% al azar) |
| Acierto en canción específica | 25% entre 60 canciones (frente a menos del 2% al azar) |
Fuente original: techcrunch.com
