jueves, 28 de diciembre de 2017

Descifrando el código del cerebro



Durante la Segunda Guerra Mundial, los desencriptadores descifraron el cifrado Enigma alemán mediante el análisis de patrones de lenguaje conocidos en los mensajes cifrados. Estos incluyen las frecuencias típicas y distribuciones de ciertas letras y palabras. Saber algo sobre lo que esperaban leer ayudó al científico informático británico Alan Turing y sus colegas a encontrar la clave para traducir el galimatías en un lenguaje sencillo. Y esta misma filosofía puede ayudar a los neurocientíficos con uno de los campos científicos punteros en la actualidad.

Los dispositivos protésicos controlados por el cerebro tienen el potencial de mejorar enormemente las vidas de las personas con movilidad limitada como resultado de una lesión o enfermedad. Para impulsar tales interfaces cerebro-ordenador, los neurocientíficos han desarrollado una variedad de algoritmos para, con mayor precisión y exactitud, decodificar los pensamientos relacionados con el movimiento. Ahora los investigadores están expandiendo su caja de herramientas tomando prestado del mundo de la criptografía los recursos para decodificar las señales neuronales involucradas en los movimientos.



Fig. 1

Decodificación de los movimientos estructurados


Muchos movimientos humanos, como caminar o agarrar, también siguen patrones predecibles. La posición de los miembros, la velocidad y varias otras características del movimiento tienden a desarrollarse de forma ordenada. Con esta regularidad en mente, Eva Dyer, una neurocientífica del Georgia Institute of Technology, decidió probar una estrategia inspirada en la criptografía para la decodificación neuronal. Ella y sus colegas publicaron sus resultados en un estudio reciente en la revista Nature Biomedical Engineering.

Las interfaces cerebrales existentes normalmente usan los denominados 'decodificadores supervisados'. Estos algoritmos dependen de la información detallada del movimiento momento por momento, como la posición y la velocidad de las extremidades, que se recopila simultáneamente con la actividad neuronal registrada. Reunir estos datos puede ser un proceso lento y laborioso. Esta información luego se usa para entrenar al decodificador para traducir patrones neuronales en sus movimientos correspondientes. (En términos de criptografía, esto sería como comparar una cantidad de mensajes ya descifrados con sus versiones encriptadas para realizar ingeniería inversa de la clave).

Por el contrario, el equipo de Dyer buscó predecir movimientos utilizando solo los mensajes encriptados (la actividad neuronal) y una comprensión general de los patrones que aparecen en ciertos movimientos. Su equipo entrenó a tres monos macacos para alcanzar su brazo o doblar su muñeca para guiar el cursor hacia una serie de objetivos dispuestos alrededor de un punto central. Al mismo tiempo, los investigadores utilizaron matrices de electrodos implantados para registrar la actividad de alrededor de 100 neuronas en la corteza motora de cada mono, una región clave del cerebro que controla el movimiento.


Resultado de imagen de interfaz cerebro computadora
En el transcurso de muchos ensayos experimentales, los investigadores reunieron estadísticas sobre los movimientos de cada animal, como la velocidad horizontal y vertical. Un buen decodificador, dice Dyer, debería encontrar los patrones correspondientes insertos en la actividad neuronal que se asocien a los patrones vistos en los movimientos. Para encontrar su algoritmo de decodificación, los investigadores realizaron un análisis sobre la actividad neuronal para extraer y reducir su estructura matemática básica. Luego probaron una serie de modelos computacionales para encontrar el que mejor alineaba los patrones neurales con los patrones de movimiento.

Cuando los investigadores usaron su mejor modelo para decodificar la actividad neuronal de ensayos individuales, pudieron predecir los movimientos reales de los animales en esos ensayos, al igual que algunos decodificadores básicos supervisados.

Debido a que el decodificador de Dyer solo requería estadísticas generales sobre movimientos, que tienden a ser similares entre animales o personas, los investigadores también pudieron usar patrones de movimiento de un mono para descifrar los datos neuronales de otro mono, algo que no es factible con decodificadores supervisados ​​tradicionales. En principio, esto significa que los investigadores podrían reducir el tiempo y el esfuerzo involucrados en la recopilación de datos de movimiento meticulosamente detallados. Así, podrían adquirir la información una vez, y volver a usarla o utilizar esos datos para entrenar las interfaces cerebro-ordenador en múltiples animales o personas, lo que podría ser muy útil para la comunidad científica y para la comunidad médica.

Dyer llama a su trabajo una prueba de concepto para usar estrategias criptográficas para decodificar la actividad neuronal, y señala que se debe hacer mucho más trabajo antes de que el método pueda usarse ampliamente. "En comparación con los decodificadores de última generación, este aún no es un método competitivo", dice ella. El algoritmo podría reforzarse alimentándolo con señales de incluso más neuronas, o proporcionando características adicionales conocidas de los movimientos, como la tendencia de los animales a producir movimientos suaves. Para ser adecuado para guiar dispositivos protésicos, el enfoque también debería adaptarse para decodificar movimientos más complejos y naturales, una tarea no trivial. "Solo hemos arañado la superficie", según Dyer.