Maryam Shanechi, catedrática Sawchuk de Ingeniería Eléctrica e Informática y directora fundadora del Centro de Neurotecnología de la USC, y su equipo han desarrollado un nuevo algoritmo de IA que puede separar patrones cerebrales relacionados con un comportamiento specific. Este trabajo, que puede mejorar las interfaces cerebro-computadora y descubrir nuevos patrones cerebrales, ha sido publicado en la revista Neurociencia de la naturaleza.
Mientras lees esta historia, tu cerebro participa en múltiples comportamientos.
Quizás esté moviendo el brazo para tomar una taza de café, mientras lee el artículo en voz alta a su colega y sienta un poco de hambre. Todos estos diferentes comportamientos, como los movimientos de los brazos, el habla y diferentes estados internos como el hambre, están codificados simultáneamente en el cerebro. Esta codificación simultánea da lugar a patrones muy complejos y confusos en la actividad eléctrica del cerebro. Por lo tanto, un desafío importante es disociar los patrones cerebrales que codifican un comportamiento specific, como el movimiento del brazo, de todos los demás patrones cerebrales.
Por ejemplo, esta disociación es clave para desarrollar interfaces cerebro-computadora que tengan como objetivo restaurar el movimiento en pacientes paralizados. Cuando piensan en realizar un movimiento, estos pacientes no pueden comunicar sus pensamientos a sus músculos. Para restaurar la función en estos pacientes, las interfaces cerebro-computadora decodifican el movimiento planificado directamente de su actividad cerebral y lo traducen en el movimiento de un dispositivo externo, como un brazo robótico o un cursor de computadora.
Shanechi y su antiguo doctorado. La estudiante Omid Sani, que ahora es investigadora asociada en su laboratorio, desarrolló un nuevo algoritmo de IA que aborda este desafío. El algoritmo se denomina DPAD, que significa “Análisis de dinámica priorizado disociativo”.
“Nuestro algoritmo de IA, llamado DPAD, disocia esos patrones cerebrales que codifican un comportamiento specific de interés, como el movimiento del brazo, de todos los demás patrones cerebrales que ocurren al mismo tiempo”, dijo Shanechi. “Esto nos permite decodificar los movimientos de la actividad cerebral con mayor precisión que los métodos anteriores, lo que puede mejorar las interfaces cerebro-computadora. Además, nuestro método también puede descubrir nuevos patrones en el cerebro que de otro modo podrían pasarse por alto”.
“Un elemento clave en el algoritmo de IA es buscar primero patrones cerebrales relacionados con el comportamiento de interés y aprender estos patrones con prioridad durante el entrenamiento de una purple neuronal profunda”, añadió Sani. “Después de hacerlo, el algoritmo puede aprender todos los patrones restantes para que no enmascaren ni confundan los patrones relacionados con el comportamiento. Además, el uso de redes neuronales proporciona una amplia flexibilidad en términos de los tipos de patrones cerebrales que el algoritmo puede describir. “.
Además del movimiento, este algoritmo tiene la flexibilidad de usarse potencialmente en el futuro para decodificar estados mentales como el dolor o el estado de ánimo deprimido. Hacerlo puede ayudar a tratar mejor las condiciones de salud psychological al rastrear los estados de los síntomas del paciente como retroalimentación para adaptar con precisión sus terapias a sus necesidades.
“Estamos muy entusiasmados de desarrollar y demostrar extensiones de nuestro método que puedan rastrear los estados de los síntomas en condiciones de salud psychological”, dijo Shanechi. “Hacerlo podría conducir a interfaces cerebro-computadora no sólo para los trastornos del movimiento y la parálisis, sino también para las condiciones de salud psychological”.
