Interfaz cerebro-computadora

Una interfaz cerebro-computadora (BCI), a veces llamada interfaz cerebro-máquina (IMC) o smartbrain, es una vía de comunicación directa entre la actividad eléctrica del cerebro y un dispositivo externo, más comúnmente una computadora o un miembro robótico. Las BCI suelen estar dirigidas a investigar, mapear, ayudar, aumentar o reparar las funciones cognitivas o sensoriomotoras humanas. A menudo se conceptualizan como una interfaz hombre-máquina que omite el componente intermedio del movimiento físico de las partes del cuerpo, aunque también plantean la posibilidad de borrar la discreción entre el cerebro y la máquina. Las implementaciones de BCI varían desde no invasivas (EEG, MEG, MRI) y parcialmente invasivas (ECoG y endovascular) hasta invasivas (matriz de microelectrodos), según la cercanía de los electrodos al tejido cerebral.

La investigación sobre BCI comenzó en la década de 1970 por Jacques Vidal en la Universidad de California, Los Ángeles (UCLA), con una subvención de la Fundación Nacional de Ciencias, seguida de un contrato de DARPA. El artículo de Vidal de 1973 marca la primera aparición de la expresión interfaz cerebro-computadora en la literatura científica.

Debido a la plasticidad cortical del cerebro, las señales de las prótesis implantadas pueden, después de la adaptación, ser manejadas por el cerebro como sensores naturales o canales efectores. Tras años de experimentación con animales, a mediados de los años 90 aparecieron las primeras neuroprótesis implantadas en humanos.

Recientemente, los estudios sobre la interacción persona-computadora mediante la aplicación de aprendizaje automático a características temporales estadísticas extraídas de los datos del lóbulo frontal (ondas cerebrales EEG) han tenido altos niveles de éxito en la clasificación de estados mentales (relajado, neutral, concentrado), mental estados emocionales (negativos, neutros, positivos) y arritmia talamocortical.

Historia

La historia de las interfaces cerebro-computadora (BCI) comienza con el descubrimiento de Hans Berger de la actividad eléctrica del cerebro humano y el desarrollo de la electroencefalografía (EEG). En 1924, Berger fue el primero en registrar la actividad cerebral humana mediante EEG. Berger pudo identificar actividad oscilatoria, como la onda de Berger o la onda alfa (8-13 Hz), mediante el análisis de los trazos del EEG.

El primer dispositivo de grabación de Berger fue muy rudimentario y fue un clavicémbalo. Insertó alambres de plata debajo del cuero cabelludo de sus pacientes. Posteriormente fueron reemplazadas por láminas de plata unidas a la cabeza del paciente mediante vendas de goma. Berger conectó estos sensores a un electrómetro capilar Lippmann, con resultados decepcionantes. Sin embargo, dispositivos de medición más sofisticados, como el galvanómetro registrador de doble bobina de Siemens, que mostraba voltajes eléctricos tan pequeños como una diezmilésima de voltio, condujeron al éxito.

Berger analizó la interrelación de las alternancias en sus diagramas de ondas EEG con enfermedades cerebrales. Los EEG permitieron posibilidades completamente nuevas para la investigación de las actividades del cerebro humano.

Aunque el término aún no se había acuñado, uno de los primeros ejemplos de una interfaz cerebro-máquina funcional fue la pieza Music for Solo Performer (1965) del compositor estadounidense Alvin Lucier. La pieza utiliza EEG y hardware de procesamiento de señales analógicas (filtros, amplificadores y una mesa de mezclas) para estimular instrumentos de percusión acústica. Para interpretar la pieza hay que producir ondas alfa y así "tocar" el sonido. los distintos instrumentos de percusión a través de altavoces que se colocan cerca o directamente sobre los propios instrumentos.

El profesor Jacques Vidal de UCLA acuñó el término "BCI" y produjo las primeras publicaciones revisadas por pares sobre este tema. Vidal es ampliamente reconocido como el inventor de las BCI en la comunidad de BCI, como se refleja en numerosos artículos revisados por pares que revisan y discuten el campo (por ejemplo,). Una revisión señaló que el artículo de Vidal de 1973 planteaba el "desafío BCI" del control de objetos externos mediante señales EEG, y especialmente el uso del potencial de Variación Negativa Contingente (CNV) como un desafío para el control de BCI. El experimento de 1977 que describió Vidal fue la primera aplicación de BCI después de su desafío BCI de 1973. Era un control EEG (en realidad Potenciales Evocados Visuales (VEP)) no invasivo de un objeto gráfico similar a un cursor en la pantalla de una computadora. La manifestación fue un movimiento en un laberinto.

Después de sus primeras contribuciones, Vidal no participó activamente en la investigación de BCI, ni en eventos de BCI como conferencias, durante muchos años. En 2011, sin embargo, dio una conferencia en Graz, Austria, con el apoyo del proyecto Future BNCI, presentando el primer BCI, que obtuvo una gran ovación. A Vidal se unió su esposa, Laryce Vidal, quien anteriormente trabajó con él en UCLA en su primer proyecto BCI.

En 1988, se presentó un informe sobre el control EEG no invasivo de un objeto físico, un robot. El experimento descrito fue el control EEG de múltiples arranques, paradas y reinicios del movimiento del robot, a lo largo de una trayectoria arbitraria definida por una línea dibujada en el suelo. El comportamiento de seguimiento de línea era el comportamiento predeterminado del robot, que utilizaba inteligencia autónoma y una fuente de energía autónoma. Este informe de 1988 escrito por Stevo Bozinovski, Mihail Sestakov y Liljana Bozinovska fue el primero sobre el control de un robot mediante EEG.

En 1990, se presentó un informe sobre un BCI adaptativo bidireccional de circuito cerrado que controlaba el zumbador de la computadora mediante un potencial cerebral anticipatorio, el potencial de variación negativa contingente (CNV). El experimento describió cómo un estado de expectativa del cerebro, manifestado por CNV, controla en un circuito de retroalimentación el timbre S2 en el paradigma S1-S2-CNV. La onda cognitiva obtenida que representa las expectativas de aprendizaje en el cerebro se denomina electroexpectograma (EXG). El potencial cerebral CNV fue parte del desafío BCI presentado por Vidal en su artículo de 1973.

Los estudios realizados en la década de 2010 sugirieron la capacidad potencial de la estimulación neuronal para restaurar la conexión funcional y los comportamientos asociados a través de la modulación de los mecanismos moleculares de la eficacia sináptica. Esto abrió la puerta al concepto de que las tecnologías BCI podrían restaurar la función además de permitirla.

Desde 2013, DARPA ha financiado la tecnología BCI a través de la iniciativa BRAIN, que ha apoyado el trabajo del Centro Médico de la Universidad de Pittsburgh, Paradromics, Brown y Synchron, entre otros.

BCI versus neuroprótesis

La neuroprótesis es un área de la neurociencia que se ocupa de las prótesis neurales, es decir, el uso de dispositivos artificiales para reemplazar la función de sistemas nerviosos deteriorados y problemas relacionados con el cerebro, o de órganos sensoriales o de los propios órganos (vejiga, diafragma, etc.). Hasta diciembre de 2010, se habían implantado implantes cocleares como dispositivo neuroprótesis en aproximadamente 220.000 personas en todo el mundo. También existen varios dispositivos neuroprótesis que tienen como objetivo restaurar la visión, incluidos los implantes de retina. Sin embargo, el primer dispositivo neuroprótesis fue el marcapasos.

Los términos a veces se usan indistintamente. Las neuroprótesis y las BCI buscan lograr los mismos objetivos, como restaurar la vista, la audición, el movimiento, la capacidad de comunicarse e incluso la función cognitiva. Ambos utilizan métodos experimentales y técnicas quirúrgicas similares.

Investigación de BCI en animales

Varios laboratorios han logrado registrar señales de las cortezas cerebrales de monos y ratas para operar BCI para producir movimiento. Los monos han navegado por los cursores de las computadoras en la pantalla y han ordenado a brazos robóticos que realicen tareas simples simplemente pensando en la tarea y viendo la retroalimentación visual, pero sin ninguna salida motora. En mayo de 2008, se publicaron en varias revistas y revistas científicas de renombre fotografías que mostraban a un mono en el Centro Médico de la Universidad de Pittsburgh operando un brazo robótico mediante el pensamiento. También se han utilizado ovejas para evaluar la tecnología BCI, incluido el Stentrode de Synchron.

En 2020, Neuralink de Elon Musk se implantó con éxito en un cerdo, como se anunció en un webcast muy visto. En 2021, Elon Musk anunció que había permitido que un mono jugara videojuegos utilizando el dispositivo Neuralink.

Trabajo temprano

En 1969, los estudios de condicionamiento operante de Fetz y colegas, en el Centro Regional de Investigación de Primates y el Departamento de Fisiología y Biofísica de la Facultad de Medicina de la Universidad de Washington en Seattle, demostraron por primera vez que los monos podían aprender a controlar la desviación de un brazo medidor de biorretroalimentación con actividad neuronal. Un trabajo similar realizado en la década de 1970 estableció que los monos podían aprender rápidamente a controlar voluntariamente las tasas de activación de neuronas individuales y múltiples en la corteza motora primaria si eran recompensados por generar patrones apropiados de actividad neuronal.

Los estudios que desarrollaron algoritmos para reconstruir los movimientos de las neuronas de la corteza motora, que controlan el movimiento, se remontan a la década de 1970. En la década de 1980, Apostolos Georgopoulos de la Universidad Johns Hopkins encontró una relación matemática entre las respuestas eléctricas de neuronas motoras individuales de la corteza cerebral en monos macacos rhesus y la dirección en la que movían sus brazos (basada en una función coseno). También descubrió que grupos dispersos de neuronas, en diferentes áreas del cerebro del mono, controlaban colectivamente las órdenes motoras, pero sólo podía registrar las activaciones de las neuronas en un área a la vez, debido a las limitaciones técnicas impuestas por su equipo.

Ha habido un rápido desarrollo en las BCI desde mediados de la década de 1990. Varios grupos han podido capturar señales complejas de la corteza motora del cerebro grabándolas desde conjuntos neuronales (grupos de neuronas) y utilizándolas para controlar dispositivos externos.

Éxitos de investigación destacados

Kennedy y Yang Dan

Phillip Kennedy (quien más tarde fundó Neural Signals en 1987) y sus colegas construyeron la primera interfaz intracortical cerebro-computadora mediante la implantación de electrodos de conos neurotróficos en monos.

En 1999, investigadores dirigidos por Yang Dan en la Universidad de California, Berkeley, decodificaron activaciones neuronales para reproducir imágenes vistas por gatos. El equipo utilizó una serie de electrodos incrustados en el tálamo (que integra toda la información sensorial del cerebro) de gatos de ojos agudos. Los investigadores se centraron en 177 células cerebrales en el área del núcleo geniculado lateral del tálamo, que decodifica las señales de la retina. A los gatos se les mostraron ocho cortometrajes y se registraron sus activaciones neuronales. Utilizando filtros matemáticos, los investigadores decodificaron las señales para generar películas de lo que vieron los gatos y pudieron reconstruir escenas reconocibles y objetos en movimiento. Desde entonces, investigadores de Japón han logrado resultados similares en humanos (ver más abajo).

Nicolelis

Miguel Nicolelis, profesor de la Universidad de Duke, en Durham, Carolina del Norte, ha sido un destacado defensor del uso de múltiples electrodos distribuidos en un área mayor del cerebro para obtener señales neuronales para impulsar un BCI.

Después de realizar estudios iniciales en ratas durante la década de 1990, Nicolelis y sus colegas desarrollaron BCI que decodificaban la actividad cerebral en monos búho y utilizaron los dispositivos para reproducir los movimientos de los monos en brazos robóticos. Los monos tienen habilidades avanzadas para alcanzar y agarrar y buenas habilidades de manipulación manual, lo que los convierte en sujetos de prueba ideales para este tipo de trabajo.

En el año 2000, el grupo logró construir un BCI que reproducía los movimientos del mono búho mientras el mono accionaba un joystick o alcanzaba la comida. El BCI operaba en tiempo real y también podía controlar un robot independiente de forma remota a través del Protocolo de Internet. Pero los monos no podían ver el movimiento del brazo y no recibieron ninguna retroalimentación, lo que se conoce como BCI de circuito abierto.

Los experimentos posteriores de Nicolelis con monos rhesus lograron cerrar el bucle de retroalimentación y reproducir monos alcanzando y captando movimientos en un brazo robot. Con sus cerebros profundamente clefts y ensombrecidos, los monos rhesus se consideran mejores modelos para la neurofisiología humana que los monos de aves. Los monos fueron entrenados para alcanzar y captar objetos en una pantalla de computadora manipulando un joystick mientras que los movimientos correspondientes por un brazo robot estaban ocultos. Los monos fueron mostrados posteriormente directamente al robot y aprendieron a controlarlo viendo sus movimientos. El BCI utilizó predicciones de velocidad para controlar el alcance de los movimientos y simultáneamente predijo fuerza de manipulación. En 2011 O'Doherty y sus colegas mostraron un BCI con retroalimentación sensorial con monos rhesus. El mono controlaba la posición de un brazo avatar mientras recibía retroalimentación sensorial mediante estimulación intracortical directa (ICMS) en el área de representación del brazo de la corteza sensorial.

Donoghue, Schwartz y Andersen

Otros laboratorios que han desarrollado BCI y algoritmos que decodifican señales neuronales incluyen el Instituto Carney de Ciencias del Cerebro de la Universidad de Brown y los laboratorios de Andrew Schwartz en la Universidad de Pittsburgh y Richard Andersen en Caltech. Estos investigadores han podido producir BCI que funcionan, incluso utilizando señales registradas de muchas menos neuronas que Nicolelis (15 a 30 neuronas frente a 50 a 200 neuronas).

El laboratorio de John Donoghue en el Instituto Carney informó que entrenó monos rhesus para usar un BCI para rastrear objetivos visuales en una pantalla de computadora (BCI de circuito cerrado) con o sin ayuda de un joystick. El grupo de Schwartz creó un BCI para seguimiento tridimensional en realidad virtual y también reprodujo el control del BCI en un brazo robótico. El mismo grupo también fue noticia cuando demostró que un mono podía alimentarse con trozos de fruta y malvaviscos utilizando un brazo robótico controlado por las señales cerebrales del propio animal.

El grupo de Andersen utilizó grabaciones de la actividad previa al movimiento de la corteza parietal posterior en su BCI, incluidas señales creadas cuando los animales experimentales anticipaban recibir una recompensa.

Otras investigaciones

Además de predecir los parámetros cinemáticos y cinéticos de los movimientos de las extremidades, se están desarrollando BCI que predicen la actividad electromiográfica o eléctrica de los músculos de los primates. Estos BCI podrían usarse para restaurar la movilidad en extremidades paralizadas estimulando eléctricamente los músculos.

Miguel Nicolelis y sus colegas demostraron que la actividad de grandes conjuntos neuronales puede predecir la posición del brazo. Este trabajo hizo posible la creación de BCI que leen las intenciones de movimiento del brazo y las traducen en movimientos de actuadores artificiales. Carmena y sus colegas programaron la codificación neuronal en un BCI que permitió a un mono controlar los movimientos de alcance y agarre mediante un brazo robótico. Lebedev y sus colegas argumentaron que las redes cerebrales se reorganizan para crear una nueva representación del apéndice robótico además de la representación de las propias extremidades del animal.

En 2019, investigadores de UCSF publicaron un estudio en el que demostraron un BCI que tenía el potencial de ayudar a pacientes con problemas del habla causados por trastornos neurológicos. Su BCI utilizó electrocorticografía de alta densidad para aprovechar la actividad neuronal del cerebro de un paciente y utilizó métodos de aprendizaje profundo para sintetizar el habla. En 2021, investigadores del mismo grupo publicaron un estudio que mostraba el potencial de un BCI para decodificar palabras y oraciones en un paciente anártrico que no podía hablar durante más de 15 años.

El mayor impedimento para la tecnología BCI en la actualidad es la falta de una modalidad de sensor que proporcione un acceso seguro, preciso y sólido a las señales cerebrales. Sin embargo, es posible o incluso probable que en los próximos veinte años se desarrolle un sensor de este tipo. El uso de un sensor de este tipo debería ampliar enormemente la gama de funciones de comunicación que se pueden proporcionar utilizando una BCI.

El desarrollo y la implementación de un sistema BCI son complejos y requieren mucho tiempo. En respuesta a este problema, Gerwin Schalk ha estado desarrollando un sistema de propósito general para la investigación BCI, llamado BCI2000. BCI2000 ha estado en desarrollo desde 2000 en un proyecto liderado por el Programa de I+D de Interfaz Cerebro-Computadora en el Centro Wadsworth del Departamento de Salud del Estado de Nueva York en Albany, Nueva York, Estados Unidos.

Un nuevo sistema 'inalámbrico' Este enfoque utiliza canales iónicos activados por luz, como la canalrodopsina, para controlar la actividad de subconjuntos de neuronas genéticamente definidos in vivo. En el contexto de una tarea de aprendizaje sencilla, la iluminación de las células transfectadas en la corteza somatosensorial influyó en el proceso de toma de decisiones de ratones que se movían libremente.

El uso de IMC también ha llevado a una comprensión más profunda de las redes neuronales y el sistema nervioso central. Las investigaciones han demostrado que a pesar de la inclinación de los neurocientíficos a creer que las neuronas tienen el mayor efecto cuando trabajan juntas, las neuronas individuales pueden condicionarse mediante el uso de IMC para activar un patrón que permita a los primates controlar las salidas motoras. El uso de IMC ha llevado al desarrollo del principio de insuficiencia de una sola neurona, que establece que incluso con una velocidad de activación bien ajustada, las neuronas individuales sólo pueden transportar una cantidad limitada de información y, por lo tanto, el mayor nivel de precisión se logra registrando las activaciones del conjunto colectivo.. Otros principios descubiertos con el uso de IMC incluyen el principio de multitarea neuronal, el principio de masa neuronal, el principio de degeneración neuronal y el principio de plasticidad.

También se propone que las BCI sean aplicadas por usuarios sin discapacidad. Una categorización centrada en el usuario de los enfoques de BCI realizada por Thorsten O. Zander y Christian Kothe introduce el término BCI pasiva. Además de las BCI activas y reactivas que se utilizan para el control dirigido, las BCI pasivas permiten evaluar e interpretar cambios en el estado del usuario durante la interacción persona-computadora (HCI). En un bucle de control secundario e implícito el sistema informático se adapta a su usuario mejorando su usabilidad en general.

Más allá de los sistemas BCI que decodifican la actividad neuronal para impulsar efectores externos, los sistemas BCI se pueden utilizar para codificar señales de la periferia. Estos dispositivos sensoriales BCI permiten decisiones en tiempo real y relevantes para el comportamiento basadas en estimulación neuronal de circuito cerrado.

El Premio BCI

El Premio Anual de Investigación BCI se otorga en reconocimiento a la investigación destacada e innovadora en el campo de las interfaces cerebro-computadora. Cada año, un laboratorio de investigación de renombre juzga los proyectos presentados. El jurado está formado por expertos de BCI líderes a nivel mundial contratados por el laboratorio premiado. El jurado selecciona doce nominados y luego elige un ganador del primer, segundo y tercer lugar, que reciben premios de 3.000 dólares, 2.000 dólares y 1.000 dólares, respectivamente.

Investigación BCI en humanos

ICC invasivas

La BCI invasiva requiere cirugía para implantar electrodos debajo del cuero cabelludo para comunicar señales cerebrales. La principal ventaja es proporcionar una lectura más precisa; sin embargo, su desventaja incluye los efectos secundarios de la cirugía. Después de la cirugía, se pueden formar tejidos cicatriciales que pueden debilitar las señales cerebrales. Además, según la investigación de Abdulkader et al., (2015), el cuerpo puede no aceptar los electrodos implantados y esto puede causar una condición médica.

Visión

La investigación invasiva de BCI se ha centrado en reparar la vista dañada y proporcionar nuevas funciones a las personas con parálisis. Los BCI invasivos se implantan directamente en la materia gris del cerebro durante la neurocirugía. Debido a que se encuentran en la materia gris, los dispositivos invasivos producen señales de la más alta calidad de los dispositivos BCI, pero son propensos a la acumulación de tejido cicatricial, lo que hace que la señal se debilite o incluso inexistente cuando el cuerpo reacciona a un objeto extraño. en el cerebro.

En la ciencia de la visión, los implantes cerebrales directos se han utilizado para tratar la ceguera no congénita (adquirida). Uno de los primeros científicos que creó una interfaz cerebral funcional para restaurar la vista fue el investigador privado William Dobelle.

El primer prototipo de Dobelle se implantó en "Jerry", un hombre ciego en la edad adulta, en 1978. Se implantó un BCI de matriz única que contenía 68 electrodos en la corteza visual de Jerry y logró producir fosfenos, la sensación de ver la luz. El sistema incluía cámaras montadas en gafas para enviar señales al implante. Inicialmente, el implante le permitió a Jerry ver tonos de gris en un campo de visión limitado a una velocidad de fotogramas baja. Esto también requirió que estuviera conectado a una computadora central, pero la electrónica cada vez más pequeña y las computadoras más rápidas hicieron que su ojo artificial fuera más portátil y ahora le permite realizar tareas simples sin ayuda.

En 2002, Jens Naumann, también ciego en la edad adulta, se convirtió en el primero de una serie de 16 pacientes que pagaron en recibir el implante de segunda generación de Dobelle, lo que marcó uno de los primeros usos comerciales de las BCI. El dispositivo de segunda generación utilizó un implante más sofisticado que permitía un mejor mapeo de los fosfenos en una visión coherente. Los fosfenos se distribuyen por todo el campo visual en lo que los investigadores llaman "el efecto de la noche estrellada". Inmediatamente después del implante, Jens pudo utilizar su visión imperfectamente restaurada para conducir lentamente un automóvil por el aparcamiento del instituto de investigación. Desafortunadamente, Dobelle murió en 2004 antes de que se documentaran sus procesos y desarrollos. Posteriormente, cuando el Sr. Naumann y los demás pacientes del programa empezaron a tener problemas de visión, no hubo alivio y finalmente perdieron la “visión”. de nuevo. Naumann escribió sobre su experiencia con el trabajo de Dobelle en Search for Paradise: A Patient's Account of the Artificial Vision Experiment y ha regresado a su granja en el sureste de Ontario, Canadá, para continuar sus actividades normales.

Movimiento

Las BCI que se centran en neuroprótesis motoras tienen como objetivo restaurar el movimiento en personas con parálisis o proporcionar dispositivos para ayudarlos, como interfaces con computadoras o brazos robóticos.

Investigadores de la Universidad Emory de Atlanta, dirigidos por Philip Kennedy y Roy Bakay, fueron los primeros en instalar un implante cerebral en un ser humano que producía señales de calidad suficientemente alta como para simular el movimiento. Su paciente, Johnny Ray (1944-2002), desarrolló un 'síndrome de enclaustramiento' después de sufrir un derrame cerebral en 1997. El implante de Ray fue instalado en 1998 y vivió lo suficiente para comenzar a trabajar con el implante, y finalmente aprendió a controlar el cursor de una computadora; Murió en 2002 de un aneurisma cerebral.

El tetrapléjico Matt Nagle se convirtió en la primera persona en controlar una mano artificial utilizando un BCI en 2005 como parte del primer ensayo en humanos de nueve meses del implante de chip BrainGate de Cyberkinetics. Implantado en la circunvolución precentral derecha de Nagle (área de la corteza motora para el movimiento del brazo), el implante BrainGate de 96 electrodos le permitió a Nagle controlar un brazo robótico pensando en mover su mano, así como un cursor de computadora, luces y TV.. Un año después, el profesor Jonathan Wolpaw recibió el premio de la Fundación Altran para la Innovación por desarrollar una interfaz cerebro-computadora con electrodos ubicados en la superficie del cráneo, en lugar de directamente en el cerebro.

Más recientemente, equipos de investigación dirigidos por el grupo BrainGate de la Universidad de Brown y un grupo dirigido por el Centro Médico de la Universidad de Pittsburgh, ambos en colaboración con el Departamento de Asuntos de Veteranos de los Estados Unidos, han demostrado mayores éxitos en el control directo de prótesis robóticas. con muchos grados de libertad utilizando conexiones directas a conjuntos de neuronas en la corteza motora de pacientes con tetraplejía.

Comunicación

En mayo de 2021, un equipo de la Universidad de Stanford informó sobre una prueba de concepto exitosa que permitió a un participante tetrapléjico ingresar oraciones en inglés a aproximadamente 86 caracteres por minuto y 18 palabras por minuto. El participante imaginó que movía su mano para escribir letras, y el sistema realizó un reconocimiento de escritura a mano en señales eléctricas detectadas en la corteza motora, utilizando modelos ocultos de Markov y redes neuronales recurrentes para decodificar.

Un informe publicado en julio de 2021 informó que un paciente paralizado podía comunicar 15 palabras por minuto utilizando un implante cerebral que analizaba las neuronas motoras que previamente controlaban el tracto vocal.

En un artículo de revisión reciente, los investigadores plantearon la pregunta abierta de si las tasas de transferencia de información humana pueden superar las del lenguaje con BCI. Dado que investigaciones recientes sobre el lenguaje han demostrado que las tasas de transferencia de información humana son relativamente constantes en muchos idiomas, puede existir un límite en el nivel de procesamiento de la información en el cerebro. Por el contrario, este "límite superior" La tasa de transferencia de información puede ser intrínseca al lenguaje mismo, como modalidad de transferencia de información.

En 2023, dos estudios utilizaron BCI con red neuronal recurrente para decodificar el habla a una velocidad récord de 62 palabras por minuto y 78 palabras por minuto.

Desafíos técnicos

Existen una serie de desafíos técnicos para registrar la actividad cerebral con BCI invasivos. Los avances en la tecnología CMOS están impulsando y permitiendo diseños BCI invasivos e integrados con un tamaño más pequeño, menores requisitos de energía y mayores capacidades de adquisición de señales. Las BCI invasivas implican electrodos que penetran el tejido cerebral en un intento de registrar señales de potencial de acción (también conocidas como picos) de neuronas individuales o pequeños grupos de neuronas cercanas al electrodo. La interfaz entre un electrodo de registro y la solución electrolítica que rodea a las neuronas se ha modelado utilizando el modelo de Hodgkin-Huxley.

Las limitaciones electrónicas a las BCI invasivas han sido un área activa de investigación en las últimas décadas. Mientras que los registros intracelulares de neuronas revelan voltajes potenciales de acción en la escala de cientos de milivoltios, las BCI invasivas crónicas se basan en el registro de voltajes extracelulares que normalmente son tres órdenes de magnitud más pequeños y existen en cientos de microvoltios. Además del desafío de detectar señales en la escala de microvoltios, está el hecho de que la interfaz electrodo-tejido tiene una alta capacitancia a voltajes pequeños. Debido a la naturaleza de estas pequeñas señales, para los sistemas BCI que incorporan funcionalidad en un circuito integrado, cada electrodo requiere su propio amplificador y ADC, que convierten los voltajes extracelulares analógicos en señales digitales. Debido a que un potencial de acción neuronal típico dura un milisegundo, los BCI que miden picos deben tener frecuencias de muestreo que oscilan entre 300 Hz y 5 kHz. Otra preocupación más es que las BCI invasivas deben ser de baja potencia, para disipar menos calor al tejido circundante; en el nivel más básico tradicionalmente se necesita más potencia para optimizar la relación señal-ruido. El diseño óptimo de baterías es un área activa de investigación en BCI.

Los desafíos existentes en el área de la ciencia de los materiales son fundamentales para el diseño de BCI invasivas. Se han observado comúnmente variaciones en la calidad de la señal a lo largo del tiempo con microelectrodos implantables. Las características mecánicas y del material óptimas para la estabilidad de la señal a largo plazo en BCI invasivas han sido un área activa de investigación. Se ha propuesto que la formación de cicatrices gliales, secundarias al daño en la interfaz electrodo-tejido, es probablemente responsable del fallo del electrodo y de la reducción del rendimiento de registro. Las investigaciones han sugerido que la fuga de la barrera hematoencefálica, ya sea en el momento de la inserción o con el tiempo, puede ser responsable de la reacción inflamatoria y glial a los microelectrodos crónicos implantados en el cerebro. Como resultado, se han investigado y desarrollado diseños flexibles y similares a tejidos para minimizar la reacción de cuerpo extraño haciendo que el módulo de Young del electrodo se acerque más al del tejido cerebral.

ICB parcialmente invasivas

Los dispositivos BCI parcialmente invasivos se implantan dentro del cráneo pero descansan fuera del cerebro en lugar de dentro de la materia gris. Producen señales de mejor resolución que las BCI no invasivas, donde el tejido óseo del cráneo desvía y deforma las señales y tienen un menor riesgo de formar tejido cicatricial en el cerebro que las BCI totalmente invasivas. Ha habido una demostración preclínica de BCI intracorticales de la corteza perilesional del accidente cerebrovascular.

Endovascular

Una revisión sistemática publicada en 2020 detalló múltiples estudios, tanto clínicos como no clínicos, que se remontan a décadas atrás y que investigan la viabilidad de las BCI endovasculares.

En los últimos años, el mayor avance en BCI parcialmente invasivas ha surgido en el área de la neurología intervencionista. En 2010, investigadores afiliados a la Universidad de Melbourne comenzaron a desarrollar un BCI que podría insertarse a través del sistema vascular. El neurólogo australiano Thomas Oxley (Hospital Mount Sinai) tuvo la idea de este BCI, llamado Stentrode, que recibió financiación de DARPA. Los estudios preclínicos evaluaron la tecnología en ovejas.

El Stentrode, una matriz de electrodos de stent monolítico, está diseñado para administrarse a través de un catéter intravenoso bajo guía de imágenes hasta el seno sagital superior, en la región adyacente a la corteza motora. Esta proximidad a la corteza motora es la base de la capacidad del Stentrode para medir la actividad neuronal. El procedimiento es muy similar a cómo se colocan los stents de los senos venosos para el tratamiento de la hipertensión intracraneal idiopática. El Stentrode comunica la actividad neuronal a una unidad de telemetría sin batería implantada en el pecho, que se comunica de forma inalámbrica con una unidad de telemetría externa capaz de transferir energía y datos. Si bien una BCI endovascular se beneficia al evitar la craneotomía para su inserción, son posibles riesgos como coagulación y trombosis venosa.

Están en marcha los primeros ensayos en humanos con el Stentrode. En noviembre de 2020, dos participantes con esclerosis lateral amiotrófica pudieron controlar de forma inalámbrica un sistema operativo para enviar mensajes de texto, correos electrónicos, compras y operaciones bancarias utilizando el pensamiento directo a través de la interfaz cerebro-computadora Stentrode, lo que marcó la primera vez que se implantó una interfaz cerebro-computadora a través de los vasos sanguíneos del paciente, eliminando la necesidad de una cirugía cerebral abierta. En enero de 2023, los investigadores no informaron eventos adversos graves durante el primer año en los cuatro pacientes que podían usarlo para operar computadoras.

ECoG

Electrocorticografía (ECoG) mide la actividad eléctrica del cerebro tomada desde debajo del cráneo de manera similar a la electroencefalografía no invasiva, pero los electrodos están incrustados en una delgada almohadilla de plástico que se coloca encima. la corteza, debajo de la duramadre. Las tecnologías ECoG fueron probadas por primera vez en humanos en 2004 por Eric Leuthardt y Daniel Moran de la Universidad de Washington en St. Louis. En una prueba posterior, los investigadores permitieron que un adolescente jugara a Space Invaders utilizando su implante ECoG. Esta investigación indica que el control es rápido, requiere un entrenamiento mínimo y puede ser una compensación ideal con respecto a la fidelidad de la señal y el nivel de invasividad.

Las señales pueden ser subdurales o epidurales, pero no se toman desde el interior del parénquima cerebral. No se ha estudiado extensamente hasta hace poco debido al acceso limitado de los sujetos. Actualmente, la única forma de adquirir la señal para su estudio es mediante el uso de pacientes que requieren monitorización invasiva para la localización y resección de un foco epileptogénico.

ECoG es una modalidad BCI intermedia muy prometedora porque tiene mayor resolución espacial, mejor relación señal-ruido, rango de frecuencia más amplio y menos requisitos de entrenamiento que el EEG registrado en el cuero cabelludo, y al mismo tiempo tiene menor dificultad técnica. menor riesgo clínico y puede tener una estabilidad superior a largo plazo que el registro intracortical de una sola neurona. Este perfil de características y la evidencia reciente del alto nivel de control con requisitos mínimos de capacitación muestran potencial para aplicaciones en el mundo real para personas con discapacidades motoras. Los dispositivos BCI de imágenes reactivas a la luz todavía se encuentran en el ámbito de la teoría.

Un trabajo reciente publicado por Edward Chang y Joseph Makin de UCSF reveló que las señales de ECoG podrían usarse para decodificar el habla de pacientes con epilepsia a los que se les implantaran matrices de ECoG de alta densidad sobre las cortezas perisilvianas. Su estudio logró tasas de error de palabras del 3% (una mejora notable con respecto a publicaciones anteriores) utilizando una red neuronal codificador-decodificador, que tradujo los datos de ECoG en una de cincuenta oraciones compuestas por 250 palabras únicas.

BCIs no invasivas

También se han realizado experimentos en humanos utilizando tecnologías de neuroimagen no invasivas como interfaces. La gran mayoría de los trabajos de BCI publicados involucran BCI no invasivas basadas en EEG. Las tecnologías e interfaces no invasivas basadas en EEG se han utilizado para una variedad mucho más amplia de aplicaciones. Aunque las interfaces basadas en EEG son fáciles de usar y no requieren cirugía, tienen una resolución espacial relativamente pobre y no pueden usar eficazmente señales de alta frecuencia porque el cráneo amortigua las señales, dispersando y desdibujando las ondas electromagnéticas creadas por las neuronas. Las interfaces basadas en EEG también requieren algo de tiempo y esfuerzo antes de cada sesión de uso, mientras que las que no están basadas en EEG, así como las invasivas, no requieren capacitación previa para su uso. En general, la mejor BCI para cada usuario depende de numerosos factores.

Espectroscopia funcional del infrarrojo cercano

En 2014 y 2017, un BCI que utilizó espectroscopia funcional de infrarrojo cercano para dispositivos "bloqueados" Los pacientes con esclerosis lateral amiotrófica (ELA) pudieron restaurar cierta capacidad básica de los pacientes para comunicarse con otras personas.

Interfaces cerebro-computadora basadas en electroencefalografía (EEG)

Después de que Vidal planteara el desafío BCI en 1973, los informes iniciales sobre el enfoque no invasivo incluían el control de un cursor en 2D usando VEP (Vidal 1977), el control de un timbre usando CNV (Bozinovska et al. 1988, 1990), control de un objeto físico, un robot, mediante un ritmo cerebral (alfa) (Bozinovski et al. 1988), control de un texto escrito en una pantalla mediante P300 (Farwell y Donchin, 1988).

En los primeros días de la investigación de BCI, otra barrera importante para el uso de la electroencefalografía (EEG) como interfaz cerebro-computadora era la amplia capacitación requerida antes de que los usuarios pudieran utilizar la tecnología. Por ejemplo, en experimentos que comenzaron a mediados de la década de 1990, Niels Birbaumer de la Universidad de Tubinga en Alemania entrenó a personas gravemente paralizadas para que autorregularan los potenciales corticales lentos en su EEG hasta tal punto que estas señales podría usarse como una señal binaria para controlar el cursor de una computadora. (Birbaumer había entrenado anteriormente a epilépticos para prevenir ataques inminentes controlando esta onda de bajo voltaje). En el experimento se entrenó a diez pacientes para mover el cursor de una computadora controlando sus ondas cerebrales. El proceso era lento y requería más de una hora para que los pacientes escribieran 100 caracteres con el cursor, mientras que el entrenamiento a menudo llevaba muchos meses. Sin embargo, el enfoque de potencial cortical lento para las BCI no se ha utilizado durante varios años, ya que otros enfoques requieren poca o ninguna capacitación, son más rápidos y precisos y funcionan para una mayor proporción de usuarios.

Otro parámetro de investigación es el tipo de actividad oscilatoria que se mide. Gert Pfurtscheller fundó el BCI Lab en 1991 y aportó los resultados de su investigación sobre imágenes motoras en el primer BCI en línea basado en características oscilatorias y clasificadores. Junto con Birbaumer y Jonathan Wolpaw de la Universidad Estatal de Nueva York, se centraron en desarrollar tecnología que permitiera a los usuarios elegir las señales cerebrales que les resultaran más fáciles para operar un BCI, incluidas mu y beta ritmos.

Un parámetro adicional es el método de retroalimentación utilizado y esto se muestra en estudios de señales P300. Los patrones de ondas P300 se generan involuntariamente (estímulo-retroalimentación) cuando las personas ven algo que reconocen y pueden permitir que los BCI decodifiquen categorías de pensamientos sin entrenar primero a los pacientes. Por el contrario, los métodos de biorretroalimentación descritos anteriormente requieren aprender a controlar las ondas cerebrales para poder detectar la actividad cerebral resultante.

En 2005 se informó sobre una investigación sobre la emulación EEG de circuitos de control digital para BCI, con el ejemplo de un flip-flop CNV. En 2009 se informó sobre el control EEG no invasivo de un brazo robótico mediante un flip-flop CNV. En 2011 se informó sobre el control de dos brazos robóticos que resolvían la tarea de la Torre de Hanoi con tres discos utilizando un flip-flop CNV. En 2015 se describió la emulación EEG de un disparador Schmitt, un flip-flop, un demultiplexor y un módem.

Si bien varios laboratorios de investigación han buscado ampliamente una interfaz cerebro-computadora basada en EEG, los avances recientes realizados por Bin He y su equipo en la Universidad de Minnesota sugieren el potencial de una interfaz cerebro-computadora basada en EEG para realizar tareas. cerca de la interfaz invasiva cerebro-computadora. Utilizando neuroimagen funcional avanzada, incluida la resonancia magnética funcional BOLD y la fuente de EEG, Bin He y sus colaboradores identificaron la covariación y colocalización de señales electrofisiológicas y hemodinámicas inducidas por la imaginación motora. Refinado mediante un enfoque de neuroimagen y un protocolo de entrenamiento, Bin He y sus compañeros de trabajo demostraron la capacidad de una interfaz cerebro-computadora basada en EEG no invasivo para controlar el vuelo de un helicóptero virtual en un espacio tridimensional, basándose en la imaginación motora. En junio de 2013 se anunció que Bin He había desarrollado una técnica que permitía guiar un helicóptero teledirigido a través de una carrera de obstáculos.

Además de una interfaz cerebro-computadora basada en ondas cerebrales, registradas con electrodos de EEG del cuero cabelludo, Bin He y sus compañeros exploraron una interfaz cerebro-computadora virtual basada en señales de EEG resolviendo primero el problema inverso del EEG y luego utilizando el EEG virtual resultante para tareas de interfaz cerebro-computadora. Estudios bien controlados sugirieron las ventajas de una interfaz cerebro-computadora basada en el análisis de fuentes.

Un estudio de 2014 encontró que los pacientes con discapacidad motora grave podían comunicarse más rápido y de manera más confiable con EEG BCI no invasivo que con cualquier canal de comunicación basado en músculos.

Un estudio de 2016 encontró que el dispositivo Emotiv EPOC puede ser más adecuado para tareas de control utilizando el nivel de atención/meditación o parpadeo de ojos que el dispositivo Neurosky MindWave.

Un estudio de 2019 encontró que la aplicación de algoritmos evolutivos podría mejorar la clasificación del estado mental EEG con un dispositivo Muse no invasivo, lo que permite una clasificación de alta calidad de los datos adquiridos mediante un dispositivo sensor de EEG económico y de consumo.

En una revisión sistemática de 2021 de ensayos controlados aleatorios que utilizaron BCI para la rehabilitación de las extremidades superiores después de un accidente cerebrovascular, se encontró que la BCI basada en EEG tenía una eficacia significativa para mejorar la función motora de las extremidades superiores en comparación con las terapias de control. Más específicamente, se encontró que los estudios de BCI que utilizaron características de potencia de banda, imágenes motoras y estimulación eléctrica funcional en su diseño eran más eficaces que las alternativas. Otra revisión sistemática de 2021 se centró en la BCI basada en EEG asistida por robot para la rehabilitación de la mano después de un accidente cerebrovascular. Se observó una mejora en las puntuaciones de la evaluación motora en tres de los once estudios incluidos en la revisión sistemática.

Matrices de electrodos activos secos

A principios de la década de 1990, Babak Taheri, de la Universidad de California, Davis demostró las primeras matrices de electrodos activos secos monocanal y también multicanal utilizando micromecanizado. La construcción y los resultados del electrodo seco de EEG de un solo canal se publicaron en 1994. También se demostró que el electrodo dispuesto funciona bien en comparación con los electrodos de plata/cloruro de plata. El dispositivo constaba de cuatro sitios de sensores con electrónica integrada para reducir el ruido mediante adaptación de impedancia. Las ventajas de dichos electrodos son: (1) no se utiliza electrolito, (2) no hay preparación de la piel, (3) tamaño del sensor significativamente reducido y (4) compatibilidad con los sistemas de monitoreo EEG. El conjunto de electrodos activos es un sistema integrado formado por un conjunto de sensores capacitivos con circuitos integrados locales alojados en un paquete con baterías para alimentar los circuitos. Este nivel de integración era necesario para lograr el rendimiento funcional obtenido por el electrodo.

El electrodo se probó en un banco de pruebas eléctricas y en sujetos humanos en cuatro modalidades de actividad EEG, a saber: (1) EEG espontáneo, (2) potenciales relacionados con eventos sensoriales, (3) potenciales del tronco encefálico y (4) potenciales cognitivos relacionados con eventos. El rendimiento del electrodo seco se comparó favorablemente con el de los electrodos húmedos estándar en términos de preparación de la piel, sin requisitos de gel (seco) y una mayor relación señal-ruido.

En 1999, investigadores de la Universidad Case Western Reserve, en Cleveland, Ohio, dirigidos por Hunter Peckham, utilizaron un EEG de casquete de 64 electrodos para devolver los movimientos limitados de la mano al tetrapléjico Jim Jatich. Mientras Jatich se concentraba en conceptos simples pero opuestos, como arriba y abajo, su salida de EEG de ritmo beta se analizó utilizando un software para identificar patrones en el ruido. Se identificó un patrón básico y se utilizó para controlar un interruptor: la actividad por encima del promedio se activó y la actividad por debajo del promedio se apagó. Además de permitir a Jatich controlar el cursor de una computadora, las señales también se utilizaron para controlar los controladores nerviosos incrustados en sus manos, restaurando algo de movimiento.

BCI EEG móviles SSVEP

En 2009, se informó sobre la diadema NCTU Brain-Computer-Interface. Los investigadores que desarrollaron esta diadema BCI también diseñaron electrodos secos con sistemas microelectromecánicos (MEMS) basados en silicio diseñados para su aplicación en zonas del cuerpo sin pelo. Estos electrodos se fijaron a la placa DAQ en la diadema con soportes de electrodos a presión. El módulo de procesamiento de señales midió la actividad alfa y el teléfono con Bluetooth evaluó la actividad alfa de los pacientes. estado de alerta y capacidad de rendimiento cognitivo. Cuando el sujeto se adormecía, el teléfono enviaba comentarios excitantes al operador para despertarlo. Esta investigación fue apoyada por el Consejo Nacional de Ciencias de Taiwán, la República de China, el NSC, la Universidad Nacional Chiao-Tung, el Ministerio de Educación de Taiwán y el Laboratorio de Investigación del Ejército de EE. UU.

En 2011, los investigadores informaron sobre un BCI celular con la capacidad de tomar datos de EEG y convertirlos en un comando para hacer que el teléfono suene. Esta investigación fue apoyada en parte por Abraxis Bioscience LLP, el Laboratorio de Investigación del Ejército de EE. UU. y la Oficina de Investigación del Ejército. La tecnología desarrollada fue un sistema portátil compuesto por un módulo de adquisición/amplificación de bioseñales de cuatro canales, un módulo de transmisión inalámbrica y un teléfono celular con Bluetooth. Los electrodos se colocaron de manera que captaran potenciales evocados visuales en estado estacionario (SSVEP). Los SSVEP son respuestas eléctricas a estímulos visuales parpadeantes con tasas de repetición superiores a 6 Hz que se encuentran mejor en las regiones del cuero cabelludo parietal y occipital de la corteza visual. Se informó que con esta configuración de BCI, todos los participantes del estudio pudieron iniciar la llamada telefónica con una práctica mínima en entornos naturales.

Los científicos afirman que sus estudios que utilizan una transformada rápida de Fourier (FFT) de un solo canal y un algoritmo de análisis de correlación canónica (CCA) de sistema de múltiples canales respaldan la capacidad de los BCI móviles. El algoritmo CCA se ha aplicado en otros experimentos que investigan BCI con un alto rendimiento en precisión y velocidad. Si bien la tecnología BCI basada en celulares se desarrolló para iniciar una llamada telefónica desde SSVEP, los investigadores dijeron que se puede traducir para otras aplicaciones, como captar ritmos sensoriomotores mu/beta para que funcione como una BCI basada en imágenes motoras.

En 2013, se realizaron pruebas comparativas en BCI de teléfonos celulares, tabletas y computadoras con Android, analizando la densidad del espectro de potencia de los EEG SSVEP resultantes. Los objetivos declarados de este estudio, en el que participaron científicos apoyados en parte por el Laboratorio de Investigación del Ejército de EE. UU., fueron "aumentar la viabilidad, portabilidad y ubicuidad de un BCI basado en SSVEP, para uso diario". Citación Se informó que la frecuencia de estimulación en todos los medios era precisa, aunque la señal del teléfono celular demostró cierta inestabilidad. También se informó que las amplitudes de los SSVEP para la computadora portátil y la tableta eran mayores que las del teléfono celular. Estas dos caracterizaciones cualitativas fueron sugeridas como indicadores de la viabilidad de utilizar un BCI de estímulo móvil.

Limitaciones

En 2011, los investigadores afirmaron que el trabajo continuo debería abordar la facilidad de uso, la solidez del rendimiento y la reducción de los costos de hardware y software.

Una de las dificultades con las lecturas de EEG es la gran susceptibilidad a los artefactos de movimiento. En la mayoría de los proyectos de investigación descritos anteriormente, se pidió a los participantes que permanecieran sentados y quietos, reduciendo al máximo los movimientos de la cabeza y los ojos, y se tomaron medidas en un laboratorio. Sin embargo, dado que la aplicación destacada de estas iniciativas había sido la creación de un dispositivo móvil para uso diario, la tecnología tuvo que probarse en movimiento.

En 2013, los investigadores probaron la tecnología BCI móvil basada en EEG, midiendo los SSVEP de los participantes mientras caminaban en una cinta rodante a diferentes velocidades. Esta investigación fue apoyada por la Oficina de Investigación Naval, la Oficina de Investigación del Ejército y el Laboratorio de Investigación del Ejército de EE. UU. Los resultados declarados fueron que a medida que aumentaba la velocidad, la detectabilidad de SSVEP utilizando CCA disminuía. Como se había demostrado que el análisis de componentes independientes (ICA) era eficaz para separar las señales de EEG del ruido, los científicos aplicaron ICA a los datos de EEG extraídos por CCA. Afirmaron que los datos del ACC con y sin procesamiento del ICA eran similares. Por lo tanto, concluyeron que CCA demostró de forma independiente una solidez ante los artefactos de movimiento, lo que indica que puede ser un algoritmo beneficioso para aplicar a los BCI utilizados en condiciones del mundo real. Uno de los principales problemas de las aplicaciones BCI basadas en EEG es la baja resolución espacial. Se han sugerido varias soluciones para abordar este problema desde 2019, que incluyen: conectividad de fuente de EEG basada en la teoría de grafos, reconocimiento de patrones de EEG basado en Topomap, fusión EEG-fMRI, etc.

Control de prótesis y entorno

También se han aplicado BCI no invasivos para permitir el control cerebral de prótesis de extremidades superiores e inferiores en personas con parálisis. Por ejemplo, Gert Pfurtscheller de la Universidad Tecnológica de Graz y sus colegas demostraron un sistema de estimulación eléctrica funcional controlado por BCI para restaurar los movimientos de las extremidades superiores en una persona con tetraplejia debido a una lesión de la médula espinal. Entre 2012 y 2013, investigadores de la Universidad de California en Irvine demostraron por primera vez que es posible utilizar la tecnología BCI para restaurar la marcha controlada por el cerebro después de una lesión de la médula espinal. En su estudio de investigación sobre lesiones de la médula espinal, una persona con paraplejia pudo operar una ortesis de marcha robótica BCI para recuperar la deambulación básica controlada por el cerebro. En 2009, Alex Blainey, un investigador independiente radicado en el Reino Unido, utilizó con éxito el Emotiv EPOC para controlar un brazo robótico de 5 ejes. Luego pasó a hacer varias demostraciones de sillas de ruedas controladas mentalmente y automatización del hogar que podrían ser operadas por personas con control motor limitado o nulo, como aquellas con paraplejía y parálisis cerebral.

La investigación sobre el uso militar de BCI financiada por DARPA ha estado en curso desde la década de 1970. El foco actual de la investigación es la comunicación de usuario a usuario mediante el análisis de señales neuronales.

Bricolaje y BCI de código abierto

En 2001, el proyecto OpenEEG fue iniciado por un grupo de neurocientíficos e ingenieros de bricolaje. El ModularEEG fue el dispositivo principal creado por la comunidad OpenEEG; Era una placa de captura de señal de 6 canales que costaba entre 200 y 400 dólares fabricarla en casa. El Proyecto OpenEEG marcó un momento significativo en el surgimiento de la interfaz cerebro-computadora de bricolaje.

En 2010, el programa ITP de Frontier Nerds de la Universidad de Nueva York publicó un completo tutorial titulado Cómo piratear EEG de juguete. El tutorial, que conmovió las mentes de muchos entusiastas del bricolaje BCI, demostró cómo crear un EEG de un solo canal en casa con un Arduino y un Mattel Mindflex a un precio muy razonable. Este tutorial amplificó el movimiento DIY BCI.

MEG y resonancia magnética

La magnetoencefalografía (MEG) y la resonancia magnética funcional (fMRI) se han utilizado con éxito como BCI no invasivas. En un experimento ampliamente difundido, la resonancia magnética funcional permitió que dos usuarios escaneados jugaran Pong en tiempo real alterando su respuesta hemodinámica o el flujo sanguíneo cerebral mediante técnicas de biorretroalimentación.

fMRI medidas de las respuestas hemodinámicas en tiempo real también se han utilizado para controlar los brazos robot con un retraso de siete segundos entre el pensamiento y el movimiento.

En 2008, una investigación desarrollada en los Laboratorios de Neurociencia Computacional de Investigación Avanzada en Telecomunicaciones (ATR) en Kioto, Japón, permitió a los científicos reconstruir imágenes directamente del cerebro y mostrarlas en una computadora en blanco y negro con una resolución de 10x10 píxeles. El artículo que anunciaba estos logros fue la portada de la revista Neuron del 10 de diciembre de 2008.

En 2011, investigadores de UC Berkeley publicaron un estudio que informaba sobre la reconstrucción segundo a segundo de vídeos vistos por los sujetos del estudio, a partir de datos de resonancia magnética funcional. Esto se logró mediante la creación de un modelo estadístico que relaciona los patrones visuales en los videos mostrados a los sujetos con la actividad cerebral causada al mirar los videos. Luego, este modelo se utilizó para buscar los 100 segmentos de video de un segundo, en una base de datos de 18 millones de segundos de videos aleatorios de YouTube, cuyos patrones visuales coincidían más estrechamente con la actividad cerebral registrada cuando los sujetos miraban un video nuevo. Estos 100 extractos de vídeo de un segundo de duración se combinaron en una imagen combinada que se parecía al vídeo que se estaba viendo.

Estrategias de control de BCI en neurogaming

Imágenes motoras

Las imágenes motoras implican la imaginación del movimiento de varias partes del cuerpo, lo que da como resultado la activación de la corteza sensoriomotora, que modula las oscilaciones sensoriomotoras en el EEG. La BCI puede detectar esto para inferir la intención del usuario. Las imágenes motoras normalmente requieren varias sesiones de entrenamiento antes de adquirir un control aceptable del BCI. Estas sesiones de capacitación pueden durar varias horas durante varios días antes de que los usuarios puedan emplear la técnica de manera consistente con niveles aceptables de precisión. Independientemente de la duración de la sesión de formación, los usuarios no pueden dominar el esquema de control. Esto da como resultado un ritmo de juego muy lento. Recientemente se desarrollaron métodos avanzados de aprendizaje automático para calcular un modelo específico de un sujeto para detectar el rendimiento de las imágenes motoras. El algoritmo de mejor rendimiento del conjunto de datos 2 de BCI Competition IV para imágenes motoras es el patrón espacial común del banco de filtros, desarrollado por Ang et al. De A*STAR, Singapur.

Bio/neurofeedback para diseños BCI pasivos

La biorretroalimentación se utiliza para controlar la relajación mental de un sujeto. En algunos casos, la biorretroalimentación no monitorea la electroencefalografía (EEG), sino parámetros corporales como la electromiografía (EMG), la resistencia galvánica de la piel (GSR) y la variabilidad de la frecuencia cardíaca (HRV). Muchos sistemas de biorretroalimentación se utilizan para tratar ciertos trastornos, como el trastorno por déficit de atención con hiperactividad (TDAH), problemas de sueño en niños, rechinar los dientes y dolor crónico. Los sistemas de biorretroalimentación EEG normalmente monitorean cuatro bandas diferentes (theta: 4–7 Hz, alfa: 8–12 Hz, SMR: 12–15 Hz, beta: 15–18 Hz) y desafían al sujeto a controlarlas. La BCI pasiva implica el uso de BCI para enriquecer la interacción hombre-máquina con información implícita sobre el estado real del usuario, por ejemplo, simulaciones para detectar cuándo los usuarios intentan pisar los frenos durante un procedimiento de parada de emergencia de un automóvil. Los desarrolladores de juegos que utilizan BCI pasivas deben reconocer que mediante la repetición de niveles de juego el estado cognitivo del usuario cambiará o se adaptará. Dentro de la primera jugada En un nivel, el usuario reaccionará a las cosas de manera diferente que durante la segunda partida: por ejemplo, el usuario se sorprenderá menos ante un evento en el juego si lo está esperando.

Potencial evocado visual (PEV)

Un VEP es un potencial eléctrico registrado después de que a un sujeto se le presenta un tipo de estímulo visual. Hay varios tipos de PEV.

Los potenciales evocados visualmente en estado estacionario (SSVEP) utilizan potenciales generados al excitar la retina, utilizando estímulos visuales modulados en ciertas frecuencias. Los estímulos de SSVEP a menudo se forman a partir de patrones de tablero de ajedrez alternos y, en ocasiones, simplemente utilizan imágenes parpadeantes. La frecuencia de inversión de fase del estímulo utilizado se puede distinguir claramente en el espectro de un EEG; esto hace que la detección de estímulos SSVEP sea relativamente fácil. SSVEP ha demostrado ser exitoso en muchos sistemas BCI. Esto se debe a varios factores: la señal provocada se puede medir en una población tan grande como el VEP transitorio y el movimiento de parpadeo, y los artefactos electrocardiográficos no afectan las frecuencias monitoreadas. Además, la señal SSVEP es excepcionalmente robusta; La organización topográfica de la corteza visual primaria es tal que un área más amplia recibe aferencias de la región central o fovial del campo visual. Sin embargo, SSVEP tiene varios problemas. Como los SSVEP utilizan estímulos parpadeantes para inferir la intención de un usuario, el usuario debe mirar uno de los símbolos parpadeantes o iterativos para poder interactuar con el sistema. Por lo tanto, es probable que los símbolos resulten irritantes e incómodos de usar durante sesiones de juego más largas, que a menudo pueden durar más de una hora, lo que puede no ser un juego ideal.

Otro tipo de VEP utilizado con aplicaciones es el potencial P300. El potencial relacionado con el evento P300 es un pico positivo en el EEG que se produce aproximadamente 300 ms después de la aparición de un estímulo objetivo (un estímulo que el usuario está esperando o buscando) o estímulos extraños. La amplitud de P300 disminuye a medida que los estímulos objetivo y los estímulos ignorados se vuelven más similares. Se cree que el P300 está relacionado con un proceso de atención de nivel superior o una respuesta de orientación que utiliza P300 como esquema de control y tiene la ventaja de que el participante solo tiene que asistir de forma limitada. sesiones de entrenamiento. La primera aplicación que utilizó el modelo P300 fue la matriz P300. Dentro de este sistema, un sujeto elegiría una letra de una cuadrícula de 6 por 6 letras y números. Las filas y columnas de la cuadrícula parpadeaban secuencialmente y cada vez que la "letra de elección" se iluminó, se obtuvo (potencialmente) el P300 del usuario. Sin embargo, el proceso de comunicación, de aproximadamente 17 caracteres por minuto, era bastante lento. El P300 es un BCI que ofrece una selección discreta en lugar de un mecanismo de control continuo. La ventaja del uso de P300 dentro de los juegos es que el jugador no tiene que aprender por sí mismo cómo usar un sistema de control completamente nuevo y, por lo tanto, solo tiene que realizar breves instancias de capacitación para aprender la mecánica del juego y el uso básico del paradigma BCI.

Interfaz persona-computadora no basada en el cerebro (computación fisiológica)

La interacción persona-computadora puede beneficiarse de otras modalidades de grabación, como el EOG y el seguimiento ocular. Sin embargo, estas modalidades no registran la actividad cerebral y, por lo tanto, no entran dentro del alcance exacto de las BCI, sino que pueden agruparse en el campo más amplio de la informática fisiológica.

Electrooculografía (EOG)

En 1989, se presentó un informe sobre el control de un robot móvil mediante el movimiento ocular utilizando señales de electrooculografía (EOG). Un robot móvil fue conducido desde un punto inicial hasta un punto objetivo utilizando cinco comandos EOG, interpretados como adelante, atrás, izquierda, derecha y parada.

Oscilación del tamaño de la pupila

Un artículo de 2016 describió un dispositivo de comunicación completamente nuevo y una interfaz persona-computadora no basada en EEG, que no requiere fijación visual ni capacidad para mover los ojos. La interfaz se basa en intereses encubiertos; Dirigir la atención a una letra elegida en un teclado virtual, sin necesidad de mover los ojos para mirar directamente a la letra. Cada letra tiene su propio círculo (de fondo) que microoscila en brillo de manera diferente al resto de letras. La selección de letras se basa en el mejor ajuste entre la oscilación involuntaria del tamaño de la pupila y el patrón de oscilación de brillo del círculo de fondo. La precisión también mejora cuando el usuario ensaya mentalmente las palabras "brillante"; y 'oscuro' en sincronía con las transiciones de brillo del círculo de la letra.

Telepatía sintética

En una iniciativa del ejército estadounidense de 6,3 millones de dólares para inventar dispositivos de comunicación telepática, Gerwin Schalk, financiada con una subvención de 2,2 millones de dólares, descubrió que el uso de señales ECoG puede discriminar las vocales y consonantes incrustadas en palabras habladas e imaginadas, arrojando luz sobre la distintos mecanismos asociados con la producción de vocales y consonantes, y podrían proporcionar la base para la comunicación cerebral mediante el habla imaginada.

En 2002, a Kevin Warwick le dispararon una serie de 100 electrodos en su sistema nervioso para conectar su sistema nervioso a Internet e investigar posibilidades de mejora. Teniendo esto en cuenta, Warwick llevó a cabo con éxito una serie de experimentos. Con electrodos también implantados en el sistema nervioso de su esposa, llevaron a cabo el primer experimento de comunicación electrónica directa entre los sistemas nerviosos de dos humanos.

Otro grupo de investigadores logró lograr una comunicación consciente cerebro a cerebro entre dos personas separadas por una distancia utilizando tecnología no invasiva que estaba en contacto con el cuero cabelludo de los participantes. Las palabras fueron codificadas mediante secuencias binarias utilizando secuencias de 0 y 1 mediante la entrada motora imaginaria de la persona que "emite" las palabras. la información. Como resultado de este experimento, fragmentos pseudoaleatorios de información llevaban palabras codificadas "hola" ("hola" en español) y "ciao" ("adiós" en italiano) y se transmitieron de mente a mente entre humanos separados por una distancia, con sistemas motores y sensoriales bloqueados, por lo que la probabilidad de que esto suceda por casualidad es baja o nula.

En la década de 1960, un investigador tuvo éxito después de algún entrenamiento en el uso de EEG para crear código Morse usando sus ondas alfa cerebrales. Se está llevando a cabo una investigación financiada por el ejército de EE. UU. con el objetivo de permitir a los usuarios redactar un mensaje en su cabeza y luego transferir ese mensaje con sólo el poder del pensamiento a un individuo en particular. El 27 de febrero de 2013, el grupo formado por Miguel Nicolelis de la Universidad de Duke y el IINN-ELS conectaron con éxito los cerebros de dos ratas con interfaces electrónicas que les permitieron compartir información directamente, en la primera interfaz directa de cerebro a cerebro.

ICC de cultivo celular

Los investigadores han construido dispositivos para interactuar con células neuronales y redes neuronales completas en cultivos no animales. Además de impulsar la investigación sobre dispositivos implantables en animales, los experimentos con tejido neuronal cultivado se han centrado en la construcción de redes de resolución de problemas, la construcción de computadoras básicas y la manipulación de dispositivos robóticos. La investigación sobre técnicas para estimular y registrar neuronas individuales cultivadas en chips semiconductores a veces se denomina neuroelectrónica o neurochips.

El desarrollo del primer neurochip funcional fue reivindicado por un equipo de Caltech dirigido por Jerome Pine y Michael Maher en 1997. El chip de Caltech tenía espacio para 16 neuronas.

En 2003, un equipo dirigido por Theodore Berger, de la Universidad del Sur de California, comenzó a trabajar en un neurochip diseñado para funcionar como un hipocampo artificial o protésico. El neurochip fue diseñado para funcionar en cerebros de ratas y fue concebido como un prototipo para el eventual desarrollo de una prótesis cerebral superior. Se eligió el hipocampo porque se cree que es la parte más ordenada y estructurada del cerebro y es el área más estudiada. Su función es codificar experiencias para almacenarlas como recuerdos a largo plazo en otras partes del cerebro.

En 2004 Thomas DeMarse de la Universidad de Florida utilizó una cultura de 25.000 neuronas tomadas del cerebro de una rata para volar un simulador de aviones de combate F-22. Después de la colección, las neuronas corticales fueron cultivadas en un plato petri y rápidamente comenzaron a reconectarse para formar una red neuronal viva. Las celdas se organizaron sobre una cuadrícula de 60 electrodos y se utilizaron para controlar el campo y las funciones del simulador. El estudio se centró en entender cómo el cerebro humano realiza y aprende tareas computacionales a nivel celular.

BCIs colaborativas

(feminine)

La idea de combinar/integrar señales cerebrales de múltiples individuos fue presentada en Humanity+ @Caltech, en diciembre de 2010, por un investigador de Caltech en JPL, Adrian Stoica; Stoica se refirió al concepto como agregación multicerebro. Se presentó una solicitud de patente provisional el 19 de enero de 2011, y la patente no provisional un año después. En mayo de 2011, Yijun Wang y Tzyy-Ping Jung publicaron "Una interfaz colaborativa cerebro-computadora para mejorar el desempeño humano", y en enero de 2012 Miguel Eckstein publicó, & #34;Decodificación neuronal de la sabiduría colectiva con computación multicerebro". El primer artículo de Stoica sobre el tema apareció en 2012, tras la publicación de su solicitud de patente. Dado el momento de las publicaciones entre la patente y los artículos, Stoica, Wang & Jung y Eckstein fueron pioneros de forma independiente en el concepto y todos son considerados fundadores de este campo. Posteriormente, Stoica colaboraría con los investigadores de la Universidad de Essex, Riccardo Poli y Caterina Cinel. El trabajo fue continuado por Poli y Cinel, y sus alumnos: Ana Matran-Fernandez, Davide Valeriani y Saugat Bhattacharyya.

Consideraciones éticas

Fuentes:

Problemas centrados en el usuario

• Los efectos a largo plazo para el usuario siguen siendo en gran medida desconocidos
• Obtención del consentimiento informado de personas que tienen dificultades para comunicarse
• Las consecuencias de la tecnología BCI para la calidad de vida de los pacientes y sus familias
• Efectos secundarios relacionados con la salud (por ejemplo, neurofeedback del entrenamiento de ritmo sensorimotor se reporta que afectan la calidad del sueño)
• Aplicaciones terapéuticas y su posible uso indebido
• Riesgos de seguridad
• No convertibilidad de algunos de los cambios realizados en el cerebro
• Falta de acceso a piezas de mantenimiento, reparación y repuesto en caso de quiebra de la empresa

Jurídico y social

• Cuestiones de rendición de cuentas y responsabilidad: afirma que la influencia de los BCI anula el libre albedrío y el control sobre las acciones sensoriales motrices, afirma que la intención cognitiva fue traducida inexactamente debido a un fallo del BCI.
• Cambios de personalidad causados por la estimulación del cerebro profundo.
• Preocupaciones por el estado de convertirse en un "ciborg" - tener partes del cuerpo que están vivos y partes que son mecánicas.
• Preguntas personalidad: ¿qué significa ser humano?
• Descomposición de la división entre humanos y máquinas e incapacidad para distinguir entre las acciones humanas vs. controladas por máquinas
• Utilización de la tecnología en técnicas avanzadas de interrogatorio por las autoridades gubernamentales
• Mejora selectiva y estratificación social.
• Preguntas de ética de investigación sobre experimentación animal
• Cuestiones de ética de investigación que surgen al avanzar de la experimentación animal a la aplicación en sujetos humanos
• Cuestiones morales
• Lectura mental y privacidad
• Seguimiento y "sistema de etiquetado"
• Control de la mente
• Control de movimientos
• Control de emociones

En su forma actual, la mayoría de las BCI están muy alejadas de las cuestiones éticas consideradas anteriormente. En realidad, su función es similar a las terapias correctivas. Clausen afirmó en 2009 que "las BCI plantean desafíos éticos, pero son conceptualmente similares a aquellos que los bioeticistas han abordado para otros ámbitos de la terapia". Además, sugiere que la bioética está bien preparada para abordar los problemas que surgen con las tecnologías BCI. Haselager y sus colegas señalaron que las expectativas sobre la eficacia y el valor de BCI desempeñan un papel importante en el análisis ético y la forma en que los científicos de BCI deben abordar los medios. Además, se pueden implementar protocolos estándar para garantizar procedimientos de consentimiento informado éticamente sólidos con pacientes encerrados.

El caso actual de las BCI tiene paralelos en la medicina, al igual que su evolución. De manera similar a cómo la ciencia farmacéutica comenzó como un equilibrio para las discapacidades y ahora se utiliza para aumentar la concentración y reducir la necesidad de dormir, es probable que las BCI se transformen gradualmente de terapias a mejoras. Se realizan esfuerzos dentro de la comunidad de BCI para crear consenso sobre pautas éticas para la investigación, el desarrollo y la difusión de BCI. A medida que continúe la innovación, será crucial garantizar un acceso equitativo a las IBC, de lo contrario pueden surgir desigualdades generacionales que pueden afectar negativamente el derecho al florecimiento humano.

Las consideraciones éticas de las BCI son esenciales para el desarrollo de futuros dispositivos implantados. Los usuarios finales, especialistas en ética, investigadores, agencias de financiación, médicos, corporaciones y todos los demás involucrados en el uso de la BCI deben considerar los cambios anticipados e imprevistos que las BCI tendrán en la autonomía humana, la identidad, la privacidad y más.

Interfaces basadas en BCI de bajo coste

Recientemente, varias empresas han reducido la tecnología EEG de grado médico para crear BCI económicos para fines de investigación y entretenimiento. Por ejemplo, juguetes como NeuroSky y Mattel MindFlex han tenido cierto éxito comercial.

• En 2006 Sony patentó un sistema de interfaz neuronal permitiendo que las ondas de radio afecten señales en la corteza neuronal.
• En 2007 NeuroSky lanzó el primer EEG basado en el consumidor asequible junto con el juego NeuroBoy. Este fue también el primer dispositivo EEG de gran escala para utilizar la tecnología de sensores secos.
• En 2008 OCZ Tecnología desarrolló un dispositivo para su uso en videojuegos dependiendo principalmente de la electromiografía.
• En 2008 Final Fantasy developer Square Enix anunció que se estaba asociando con NeuroSky para crear un juego, Judecca.
• En 2009 Mattel se asoció con NeuroSky para liberar el Mindflex, un juego que utilizó un EEG para dirigir una bola a través de un curso de obstáculos. Es por mucho el mejor consumidor basado en EEG hasta la fecha.
• En 2009 tío Milton Industrias asociadas con NeuroSky para liberar al Entrenador de Fuerza Star Wars, un juego diseñado para crear la ilusión de poseer la Fuerza.
• En 2009 Emotiv lanzó el EPOC, un dispositivo EEG de 14 canales que puede leer 4 estados mentales, 13 estados conscientes, expresiones faciales y movimientos de cabeza. El EPOC es el primer BCI comercial que utiliza la tecnología de sensores secos, que se puede humedecer con una solución salina para una mejor conexión.
• En noviembre de 2011 Hora revista seleccionada "necomimi" producida por Neurowear como una de las mejores invenciones del año. La compañía anunció que esperaba lanzar una versión de consumo de la prenda, consistente en orejas de gato controladas por un lector de onda cerebral producido por NeuroSky, en primavera de 2012.
• En febrero de 2014 They Shall Walk (a nonprofit organization fixed on constructing exoskeletons, dubbed LIFESUITs, for paraplegics and quadriplegics) started a partnership with James W. Shakarji on the development of a Wireless BCI.
• En 2016, un grupo de aficionados desarrolló una tabla BCI de código abierto que envía señales neuronales al conector de audio de un smartphone, bajando el costo de BCI de nivel de entrada a £20. Software de diagnóstico básico está disponible para dispositivos Android, así como una aplicación de entrada de texto para Unity.
• En 2020, NextMind lanzó un kit de dev incluyendo un auricular EEG con electrodos secos en $399. El dispositivo se puede jugar con algunas aplicaciones de demostración o desarrolladores pueden crear sus propios casos de uso utilizando el kit de desarrollo de software proporcionado.

Direcciones futuras

Un consorcio formado por 12 socios europeos ha completado una hoja de ruta para apoyar a la Comisión Europea en sus decisiones de financiación para el nuevo programa marco Horizonte 2020. El proyecto, que fue financiado por la Comisión Europea, comenzó en noviembre de 2013 y publicó una hoja de ruta en abril de 2015. Una publicación de 2015 dirigida por Clemens Brunner describe algunos de los análisis y logros de este proyecto, así como la emergente Brain-Computer Interface Society. Por ejemplo, este artículo revisó el trabajo dentro de este proyecto que definió mejor las BCI y sus aplicaciones, exploró tendencias recientes, discutió cuestiones éticas y evaluó diferentes direcciones para nuevas BCI.

Otras publicaciones recientes también han explorado direcciones futuras de BCI para nuevos grupos de usuarios discapacitados (p. ej.)

Trastornos de la conciencia (DOC)

Algunas personas tienen un trastorno de la conciencia (DOC). Este estado se define para incluir a personas en coma y aquellas en estado vegetativo (VS) o estado mínimamente consciente (MCS). Una nueva investigación de BCI busca ayudar a las personas con DOC de diferentes maneras. Un objetivo inicial clave es identificar pacientes que puedan realizar tareas cognitivas básicas, lo que por supuesto conduciría a un cambio en su diagnóstico. Es decir, algunas personas a las que se les diagnostica DOC pueden, de hecho, ser capaces de procesar información y tomar decisiones importantes en la vida (como buscar terapia, dónde vivir y sus puntos de vista sobre las decisiones al final de la vida). Algunas personas a las que se les diagnostica DOC mueren como resultado de decisiones sobre el final de la vida, que pueden ser tomadas por miembros de la familia que sinceramente sienten que esto es lo mejor para el paciente. Dada la nueva perspectiva de permitir que estos pacientes expresen sus puntos de vista sobre esta decisión, parecería haber una fuerte presión ética para desarrollar esta dirección de investigación para garantizar que los pacientes con DOC tengan la oportunidad de decidir si quieren vivir.

Estos y otros artículos describen nuevos retos y soluciones para utilizar la tecnología BCI para ayudar a las personas con DOC. Un reto importante es que estos pacientes no pueden utilizar los ICB basados en la visión. Por lo tanto, las nuevas herramientas dependen de estímulos auditivos y/o vibrotactiles. Los pacientes pueden usar auriculares y/o estimulantes vibrotactáceos colocados en las muñecas, el cuello, la pierna y/o otros lugares. Otro reto es que los pacientes pueden desvanecerse dentro y fuera de la conciencia y sólo pueden comunicarse en ciertos momentos. Esto puede ser una causa de diagnóstico equivocado. Algunos pacientes sólo pueden responder a las solicitudes de médicos durante unas pocas horas al día (que tal vez no sean predecibles antes de tiempo) y por lo tanto pueden haber sido poco responsables durante el diagnóstico. Por lo tanto, los nuevos métodos dependen de herramientas que sean fáciles de usar en entornos de campo, incluso sin ayuda experta, para que los miembros de la familia y otras personas sin antecedentes médicos o técnicos todavía puedan utilizarlos. Esto reduce el costo, el tiempo, la necesidad de conocimientos especializados y otras cargas con la evaluación del DOC. Las herramientas automatizadas pueden hacer preguntas simples que los pacientes pueden responder fácilmente, como "¿Su padre se llama George?" o "¿Naciste en los Estados Unidos?" Las instrucciones automatizadas informan a los pacientes de que pueden transmitir sí o no (por ejemplo) centrando su atención en los estímulos en la muñeca derecha vs. izquierda. Esta atención enfocada produce cambios fiables en los patrones EEG que pueden ayudar a determinar si el paciente es capaz de comunicarse. Los resultados podrían presentarse a médicos y terapeutas, lo que podría llevar a un diagnóstico y terapia revisados. Además, a estos pacientes se les podría proporcionar herramientas de comunicación basadas en BCI que podrían ayudarles a transmitir necesidades básicas, ajustar la posición de la cama y HVAC (calentamiento, ventilación y aire acondicionado), y de otro modo capacitarlos para tomar decisiones importantes de la vida y comunicarse.

Recuperación motora

Las personas pueden perder parte de su capacidad de moverse debido a muchas causas, como un derrame cerebral o una lesión. Las investigaciones de los últimos años han demostrado la utilidad de los sistemas BCI basados en EEG para ayudar a la recuperación motora y la neurorrehabilitación en pacientes que han sufrido un accidente cerebrovascular. Varios grupos han explorado sistemas y métodos para la recuperación motora que incluyen BCI. En este enfoque, un BCI mide la actividad motora mientras el paciente imagina o intenta movimientos según las indicaciones de un terapeuta. El BCI puede proporcionar dos beneficios: (1) si el BCI indica que un paciente no está imaginando un movimiento correctamente (incumplimiento), entonces el BCI podría informar al paciente y al terapeuta; y (2) la retroalimentación gratificante, como la estimulación funcional o el movimiento de un avatar virtual, también depende de las imágenes de movimiento correctas del paciente.

Hasta ahora, los BCI para la recuperación motora se han basado en el EEG para medir las imágenes motoras del paciente. Sin embargo, los estudios también han utilizado la resonancia magnética funcional para estudiar diferentes cambios en el cerebro a medida que las personas se someten a un entrenamiento de rehabilitación de accidentes cerebrovasculares basado en BCI. Los estudios de imágenes combinados con sistemas BCI basados en EEG son prometedores para investigar la neuroplasticidad durante la recuperación motora después de un accidente cerebrovascular. Los sistemas futuros podrían incluir la resonancia magnética funcional y otras medidas para el control en tiempo real, como el infrarrojo cercano funcional, probablemente en conjunto con los EEG. También se ha explorado la estimulación cerebral no invasiva en combinación con BCI para la recuperación motora. En 2016, científicos de la Universidad de Melbourne publicaron datos preclínicos de prueba de concepto relacionados con una posible plataforma tecnológica de interfaz cerebro-computadora que se está desarrollando para pacientes con parálisis para facilitar el control de dispositivos externos como extremidades robóticas, computadoras y exoesqueletos mediante la traducción. actividad cerebral. Actualmente se están realizando ensayos clínicos.

Mapeo cerebral funcional

Cada año, alrededor de 400.000 personas se someten a un mapeo cerebral durante una neurocirugía. Este procedimiento suele ser necesario para personas con tumores o epilepsia que no responden a los medicamentos. Durante este procedimiento, se colocan electrodos en el cerebro para identificar con precisión la ubicación de estructuras y áreas funcionales. Los pacientes pueden estar despiertos durante la neurocirugía y se les puede pedir que realicen ciertas tareas, como mover los dedos o repetir palabras. Esto es necesario para que los cirujanos puedan extirpar solo el tejido deseado sin afectar otras regiones, como las regiones críticas del movimiento o del lenguaje. Extirpar demasiado tejido cerebral puede causar daño permanente, mientras que extirpar muy poco tejido puede dejar la afección subyacente sin tratar y requerir neurocirugía adicional. Por tanto, existe una gran necesidad de mejorar tanto los métodos como los sistemas para mapear el cerebro de la forma más eficaz posible.

En varias publicaciones recientes, los expertos en investigación de BCI y los médicos han colaborado para explorar nuevas formas de utilizar la tecnología de BCI para mejorar el mapeo neuroquirúrgico. Este trabajo se centra en gran medida en la alta actividad gamma, que es difícil de detectar con medios no invasivos. Los resultados han llevado a métodos mejorados para identificar áreas clave para el movimiento, el lenguaje y otras funciones. Un artículo reciente abordó los avances en el mapeo funcional del cerebro y resume un taller.

Dispositivos flexibles

La electrónica flexible son polímeros u otros materiales flexibles (por ejemplo, seda, pentaceno, PDMS, parileno, poliimida) que se imprimen con circuitos; la naturaleza flexible de los materiales orgánicos de fondo que permiten que los componentes electrónicos creados se doblen, y las técnicas de fabricación utilizadas para crear estos dispositivos se asemejan a las utilizadas para crear circuitos integrados y sistemas microelectromecánicos (MEMS). La electrónica flexible se desarrolló por primera vez en las décadas de 1960 y 1970, pero el interés por la investigación aumentó a mediados de la década de 2000.

En los últimos años se han probado exhaustivamente interfaces neuronales flexibles en un esfuerzo por minimizar el traumatismo del tejido cerebral relacionado con el desajuste mecánico entre el electrodo y el tejido. Minimizar el trauma tisular podría, en teoría, prolongar la vida útil de los BCI que dependen de interfaces flexibles entre electrodos y tejidos.

Polvo neuronal

El polvo neuronal es un término utilizado para referirse a dispositivos de tamaño milimétrico operados como sensores nerviosos inalámbricos que se propusieron en un artículo de 2011 del Centro de Investigación Inalámbrica Berkeley de la Universidad de California, que describía tanto los desafíos como los beneficios excepcionales de crear una BCI inalámbrica de larga duración. En un modelo propuesto de sensor de polvo neuronal, el modelo de transistor permitía un método de separación entre los potenciales de campo locales y los "picos" de potenciales de acción, lo que permitiría obtener una riqueza muy diversificada de datos adquiribles a partir de las grabaciones.