Todo el mundo interior que regula nuestra vida, desde que abrimos los ojos hasta que dormimos por la noche, se desenvuelve mediante una enmarañada red de señales cerebrales que contienen patrones neuronales dinámicos.
Tocar el piano o asir un bocadillo con las manos implica una compleja dinámica cerebral que, si somos capaces de desentrañarla, podremos desarrollar interfaces cerebro-ordenador que ayuden a personas con discapacidad a resolver problemas como abrir una puerta, aunque el circuito cerebral que regula ese comportamiento esté dañado por un trauma neurológico.
Ese proceso requiere conocer el idioma que usa el cerebro para comunicar neuronas (sinapsis) y aislar, de ese conjunto de señales eléctricas que recorren el cerebro, las que corresponden exactamente al movimiento pretendido, como el que permite abrir una puerta.
El desarrollo de estos interfaces, que se inició en 1970, está condicionado a la decodificación que podamos alcanzar de las conexiones neuronales, un proceso que ha mejorado sustancialmente desde que en 2005 dos investigadores japoneses, Yukiyasu Kamitani y Frank Tong, decodificaran por primera vez los patrones visuales y subjetivos del cerebro humano.
Salto cualitativo en la decodificación cerebral
Salto cualitativo en la decodificación cerebralAhora un equipo de investigación internacional ha descubierto un nuevo método que puede aislar y analizar señales en el cerebro para descubrir cómo controlamos nuestros comportamientos diarios.
Investigadores de la Universidad de Monash, de la Universidad del Sur de California y de la Universidad de Nueva York han desarrollado un nuevo algoritmo llamado de Identificación Subespacial Preferencial (PSID) que puede extraer dinámicas neuronales críticas observando el comportamiento de las señales cerebrales. Lo consigue mediante el aprendizaje de las relaciones entre las señales cerebrales y los comportamientos observados.
Según sus creadores, este algoritmo desbloquea las limitaciones actuales para decodificar señales cerebrales y permitirá a pacientes con lesiones neurológicas controlar con mucha más precisión dispositivos terapéuticos solo con sus pensamientos. Los resultados se publican en Nature Neuroscience.
El equipo de investigación aplicó PSID a la actividad neuronal en dos sujetos que agarraban y alcanzaban objetos cotidianos y el algoritmo descubrió el secreto mejor guardado: la dinámica neuronal específica que permite esa proeza cotidiana.
PSID reveló que las dinámicas relevantes para esos comportamientos eran significativamente más bajas de lo que se suponía. El algoritmo también descubrió distintas dinámicas de rotación que eran más predictivas del comportamiento y aprendió con mayor precisión la dinámica conductual relevante para cada articulación y registro neuronal.
Sistema mejorado
Sistema mejoradoEl comportamiento del algoritmo supera el tradicional modelado dinámico neuronal que se ha aplicado hasta ahora para penetrar en el mundo de las conexiones neuronales y desarrollar los interfaces cerebro-ordenador actuales, señalan los investigadores en un comunicado.
Este algoritmo es mucho más sutil: identifica lo que ocurre cuando la actividad neuronal desencadena un comportamiento y proyecta, a través del aprendizaje, la reacción motora que puede esperarse.
Es decir, es capaz de hackear la conexión neuronal en un momento específico, descubrir el código cerebral empleado y deducir la reacción que va a provocar en la persona.
El algoritmo puede encontrar patrones neuronales que otros métodos pasan por alto porque, a diferencia de los métodos anteriores, que solo consideran las señales cerebrales cuando buscan patrones neuronales, tiene la capacidad de considerar tanto las señales cerebrales como las señales de comportamiento, como la velocidad de los movimientos del brazo, destacan los investigadores.
Al hacerlo, el nuevo algoritmo ha identificado los patrones comunes entre el cerebro y las señales de comportamiento y decodificado con una precisión inédita el comportamiento representado por las señales del cerebro.
En consecuencia, el algoritmo puede modelar patrones dinámicos comunes entre cualquier señal, por ejemplo, entre las señales de diferentes regiones del cerebro o señales en otros campos más allá de la neurociencia, algo que, según sus creadores, hasta ahora no se ha conseguido.
Resultados prometedores
Resultados prometedoresEn el futuro, este nuevo algoritmo podría utilizarse para desarrollar interfaces cerebro-ordenador mejoradas, que ayuden a los pacientes con parálisis al mejorar significativamente la decodificación del movimiento o el habla generados por las señales cerebrales y, por lo tanto, a traducir esas señales en comportamientos específicos deseados, como los movimientos corporales.
Esto podría permitir que un paciente paralítico mueva un brazo robótico simplemente pensando en el movimiento o genere el habla con solo pensar en una oración gramatical.
Además, este algoritmo podría ayudar a los pacientes con afecciones de salud mental intratables, como la depresión mayor: separa las señales cerebrales relacionadas con los síntomas del estado de ánimo y permite el seguimiento en tiempo real de estos síntomas. El síntoma rastreado podría usarse como retroalimentación para adaptar una terapia a las necesidades de un paciente, concluyen los investigadores.
Referencia
ReferenciaModeling behaviorally relevant neural dynamics enabled by preferential subspace identification. Omid G. Sani et al. Nature Neuroscience (2020). DOI:https://doi.org/10.1038/s41593-020-00733-0
