Controlar una máquina con la mente ya es una realidad. Aunque parezca ciencia ficción, este campo de investigación avanza cada vez más en diferentes áreas, entre ella la recuperación de la movilidad para personas con pérdida de movimiento en sus extremidades.
En la Facultad de Ingeniería y Arquitectura de la Universidad Nacional de Colombia (UNAL) Sede Manizales, el grupo de Procesamiento de Señales y Reconocimiento de Patrones –ubicado en una de las categorías más altas de MinCiencias– desarrolla un proyecto innovador en interfases cerebro-computadora, un campo de investigación que mediante algoritmos avanzados conecta la actividad cerebral con máquinas.
Este avance se materializa en la tesis para la Maestría en Ingeniería – Automatización Industrial presentada por Mateo Tobón Henao, en la que investigó cómo mejorar la precisión de sensores no invasivos y aprendizaje automático para interpretar señales neuronales de manera efectiva, según las particularidades de cada individuo y los ambientes cambiantes.
La investigación se centró en desarrollar sistemas que permiten la comunicación entre el cerebro humano y una computadora. Para esto se usaron datos de dos conjuntos principales llamados BCI Competition 2008 y Giga Dataset, los cuales incluyen registros de actividad cerebral de 9 y 52 personas respectivamente, mientras imaginaban movimientos.
Se utilizó un sistema de electroencefalograma (EEG) con 64 electrodos ubicados en el cuero cabelludo de los sujetos, para capturar señales cerebrales con alta resolución. Esta metodología permitió analizar cómo diferentes áreas del cerebro se activan durante la imaginación de movimientos específicos.
Para mejorar la precisión del estudio se utilizó un método de preprocesamiento adaptativo que considera las diferencias en la calidad de las señales entre los sujetos. Esta estrategia personalizada fue clave para reducir o eliminar el ruido, optimizando así los algoritmos de inteligencia artificial y aprendizaje profundo utilizados. Entre estos, destacó una red neuronal llamada IGNet (tipo de algoritmo de inteligencia artificial diseñado para interpretar patrones en datos complejos, como las señales cerebrales), que fue eficaz en la interpretación de los patrones de activación cerebral durante las tareas de imaginación de movimientos.
El proyecto permite imaginar la posibilidad de conectar el cerebro humano con las máquinas a través de una serie de algoritmos (algunos basados en inteligencia artificial y otros en aprendizaje automático). “Un caso práctico es el de una persona que ha perdido la movilidad de sus extremidades. Con un dispositivo puesto en el cuero cabelludo es posible medir la actividad cerebral y traducirla en movimientos que una silla de ruedas automática pueda interpretar y ejecutar, permitiendo que el usuario se desplace libremente”, señaló el investigador.
Una interfaz cerebro-computadora se compone de tres elementos principales: la persona (el cerebro que imagina lo que quiere hacer), el algoritmo (que se desarrolla para codificar la actividad neuronal en comandos) y la máquina. El primer paso es capturar la actividad neuronal de la persona, es decir, la señal eléctrica del cerebro.
“Para esto existen varias técnicas, divididas en invasivas y no invasivas; aunque las primeras son más precisas para medir la actividad cerebral, requieren intervención quirúrgica y son más costosas, mientras las segundas (como la magnetoencefalografía) miden los cambios en los campos magnéticos del cerebro”, explica el investigador Tobón.
Estos sensores no requieren cirugía y los investigadores los desarrollaron con el objetivo específico de ofrecer una solución económica y efectiva para medir variables ambientales y biológicas como la temperatura y la humedad relativa. Están elaborados especialmente de materiales conductores y polímeros flexibles, seleccionados por su capacidad para detectar cambios en variables como la temperatura y la humedad relativa.
El proyecto se divide en dos grandes subproyectos: el primero utiliza algoritmos de aprendizaje automático y el segundo emplea algoritmos de aprendizaje profundo, en donde se utilizan redes neuronales artificiales.
“Cada persona es un universo propio, con sus dinámicas cerebrales únicas. Mientras algunos individuos pueden ejecutar tareas con precisión, otros pueden tener dificultades”, afirmó el investigador. Esta variabilidad puede estar influenciada por factores como la edad, el género y las condiciones individuales. Aunque las interfaces cerebro-computadora enfrentan desafíos significativos, los avances en la comprensión de la variabilidad inter-sujeto y la interpretabilidad de los modelos están allanando el camino hacia sistemas más precisos y efectivos.
La investigación propone métodos personalizados de preprocesamiento para mejorar tanto la interpretabilidad como el rendimiento de los sujetos en estudios EEG, destacando la importancia de considerar las diferencias individuales en la adquisición y el procesamiento de datos.
Utilizando representaciones tipo grafo fue posible interpretar las conexiones entre electrodos en el cerebro de cada sujeto durante la tarea de imaginación motora. La contribución radica en la capacidad de interpretar las activaciones cerebrales durante tareas motoras, lo cual es fundamental para comprender el funcionamiento del cerebro en contextos médicos y de neurociencia.
Al combinar técnicas avanzadas de procesamiento de señales con algoritmos de inteligencia artificial y aprendizaje profundo se ha mejorado la precisión y la capacidad de interpretar señales cerebrales durante tareas motoras imaginadas. Este enfoque no solo abre nuevas posibilidades para la rehabilitación y la asistencia tecnológica, sino que además profundiza nuestra comprensión de la complejidad individual del cerebro humano, allanando el camino hacia sistemas más adaptables y efectivos en aplicaciones biomédicas y de neurociencia.
