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.
 |
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.
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.
No hay comentarios:
Publicar un comentario