Una interfaz cerebro-computadora ( BCI ), a veces llamada interfaz cerebro-máquina ( BMI ), es un vínculo de comunicación directo entre la actividad eléctrica del cerebro y un dispositivo externo, más comúnmente una computadora o una extremidad robótica. Las BCI suelen estar dirigidas a investigar, mapear , ayudar, aumentar o reparar las funciones cognitivas o sensoriomotoras humanas . [1] A menudo se conceptualizan como una interfaz hombre-máquina que se salta el intermediario de las partes móviles del cuerpo (manos...), aunque también plantean la posibilidad de borrar la distinción entre cerebro y 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 física de los electrodos al tejido cerebral. [2]
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 . [3] [4] El artículo de Vidal de 1973 introdujo 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. [5] Después de años de experimentación con animales, los primeros dispositivos neuroprótesis se implantaron en humanos a mediados de la década de 1990.
Los estudios sobre la interacción persona-computadora mediante la aplicación del aprendizaje automático a características temporales estadísticas extraídas de los datos del lóbulo frontal ( onda cerebral EEG ) han logrado clasificar estados mentales (relajados, neutrales, concentrados), [6] estados emocionales mentales (negativos, neutral, positivo), [7] y disritmia talamocortical . [8]
La historia de las interfaces cerebro-computadora (BCI) comienza con el descubrimiento por parte de Hans Berger de la actividad eléctrica del cerebro 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 alfa (8-13 Hz), analizando los trazos de EEG.
El primer dispositivo de grabación de Berger fue rudimentario. 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 tan pequeños como 10 -4 voltios, 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 del cerebro.
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. Interpretar la pieza requiere producir ondas alfa y así "tocar" los distintos instrumentos a través de altavoces que se colocan cerca o directamente sobre los instrumentos. [9]
Vidal acuñó el término "BCI" y produjo las primeras publicaciones revisadas por pares sobre este tema. [3] [4] Es ampliamente reconocido como el inventor de las BCI. [10] [11] [12] Una revisión señaló que el artículo de Vidal de 1973 planteaba el "desafío BCI" [13] de controlar objetos externos utilizando señales EEG, y especialmente el uso del potencial de variación negativa contingente (CNV) como un desafío para BCI. control. El experimento de Vidal de 1977 fue la primera aplicación del 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. [14]
1988 fue la primera demostración del control EEG no invasivo de un objeto físico, un robot. El experimento demostró el control EEG de múltiples ciclos de movimiento de inicio, parada y reinicio, 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. [15] [16] [17] [18]
En 1990, se presentó un informe sobre un BCI adaptativo, bidireccional y de circuito cerrado que controlaba un zumbador de computadora mediante un potencial cerebral anticipatorio, el potencial de variación negativa contingente (CNV). [19] [20] El experimento describió cómo un estado de expectativa del cerebro, manifestado por CNV, utilizó un circuito de retroalimentación para controlar el timbre S2 en el paradigma S1-S2-CNV. La onda cognitiva resultante que representa las expectativas de aprendizaje en el cerebro se denominó Electroexpectograma (EXG). El potencial cerebral CNV fue parte del desafío de Vidal en 1973.
Los estudios realizados en la década de 2010 sugirieron el potencial de la estimulación neuronal para restaurar la conectividad funcional y los comportamientos asociados mediante la modulación de mecanismos moleculares. [21] [22] Esto abrió la puerta al concepto de que las tecnologías BCI pueden restaurar la función.
A partir de 2013, DARPA financió la tecnología BCI a través de la iniciativa BRAIN, que apoyó el trabajo de equipos como el Centro Médico de la Universidad de Pittsburgh , [23] Paradromics, [24] Brown, [25] y Synchron. [26]
La neuroprótesis es un área de la neurociencia que se ocupa de las prótesis neuronales, 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 u otros (vejiga, diafragma, etc.). Hasta diciembre de 2010, se habían implantado implantes cocleares como dispositivos neuroprótesis a unas 736.900 personas en todo el mundo. [27] Otros dispositivos neuroprótesis tienen como objetivo restaurar la visión, incluidos los implantes de retina . Sin embargo, el primer dispositivo neuroprótesis fue el marcapasos .
A veces los términos se utilizan indistintamente. Las neuroprótesis y las BCI buscan lograr los mismos objetivos, como restaurar la vista, la audición, el movimiento, la capacidad de comunicación e incluso la función cognitiva . [1] Ambos utilizan métodos experimentales y técnicas quirúrgicas similares.
Varios laboratorios han logrado leer señales de las cortezas cerebrales de monos y ratas para operar BCI para producir movimiento. Los monos han movido cursores de computadora y han ordenado brazos robóticos para realizar tareas simples simplemente pensando en la tarea y viendo los resultados, sin potencia motora. [28] En mayo de 2008 , se publicaron en múltiples estudios fotografías que mostraban a un mono en el Centro Médico de la Universidad de Pittsburgh operando un brazo robótico mediante el pensamiento. [29] 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. [30] En 2021, Musk anunció que la compañía había permitido con éxito que un mono jugara videojuegos utilizando el dispositivo de Neuralink. [31]
En 1969, los estudios de condicionamiento operante realizados por Fetz et.al. 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 demostraron que los monos podían aprender a controlar la desviación de un brazo de biorretroalimentación con actividad neuronal. [32] Un trabajo similar en la década de 1970 estableció que los monos podían aprender a controlar las tasas de activación de neuronas individuales y múltiples en la corteza motora primaria si eran recompensados en consecuencia. [33]
Los 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, 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. También descubrió que grupos dispersos de neuronas, en diferentes áreas del cerebro del mono, controlaban colectivamente las órdenes motoras. Pudo registrar la activación de neuronas en un solo área a la vez, debido a limitaciones del equipo. [34]
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. [ cita necesaria ]
Phillip Kennedy (fundador de Neural Signals (1987) y sus colegas construyeron la primera interfaz intracortical cerebro-computadora implantando electrodos de conos neurotróficos en monos. [ cita necesaria ]
En 1999, Yang Dan et al. en la Universidad de California, Berkeley, decodificaron activaciones neuronales para reproducir imágenes de gatos. El equipo utilizó una serie de electrodos incrustados en el tálamo (que integra la información sensorial del cerebro). Los investigadores se centraron en 177 células cerebrales en el área del núcleo geniculado lateral del tálamo , que decodifica las señales de la retina . Se registraron las activaciones neuronales al ver ocho cortometrajes. Utilizando filtros matemáticos, los investigadores decodificaron las señales para reconstruir escenas reconocibles y objetos en movimiento. [35]
El profesor de la Universidad de Duke, Miguel Nicolelis, aboga por el uso de múltiples electrodos repartidos en un área mayor del cerebro para obtener señales neuronales.
Después de 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. Las avanzadas habilidades de alcance y agarre de los monos y sus habilidades de manipulación manual los convirtieron en buenos sujetos de prueba.
En el año 2000, el grupo logró construir un BCI que reproducía los movimientos del mono búho mientras el mono accionaba un joystick o buscaba comida. [36] El BCI operaba en tiempo real y podía controlar remotamente un robot separado. Pero los monos no recibieron retroalimentación ( BCI de circuito abierto ).
.jpg/1280px-Brain-computer_interface_(schematic).jpg)
Experimentos posteriores con monos rhesus incluyeron retroalimentación y reprodujeron movimientos de alcance y agarre de monos en un brazo robótico. Sus cerebros profundamente hendidos y surcados los convirtieron en mejores modelos para la neurofisiología humana que los monos búho. Los monos fueron entrenados para alcanzar y agarrar objetos en una pantalla de computadora manipulando un joystick mientras los movimientos correspondientes de un brazo robótico estaban ocultos. [37] [38] Más tarde, a los monos se les mostró el robot y aprendieron a controlarlo observando sus movimientos. El BCI utilizó predicciones de velocidad para controlar los movimientos de alcance y simultáneamente predijo la fuerza de agarre .
En 2011, O'Doherty y sus colegas mostraron un BCI con retroalimentación sensorial con monos rhesus. El mono controlaba la posición de un brazo de avatar mientras recibía retroalimentación sensorial a través de estimulación intracortical directa (ICMS) en el área de representación del brazo de la corteza sensorial . [39]
Otros laboratorios que han desarrollado BCI y algoritmos que decodifican señales neuronales incluyen a John Donoghue del Instituto Carney de Ciencias del Cerebro de la Universidad de Brown , Andrew Schwartz de la Universidad de Pittsburgh y Richard Andersen de Caltech . Estos investigadores produjeron BCI funcionales utilizando señales registradas de muchas menos neuronas que Nicolelis (15 a 30 neuronas frente a 50 a 200 neuronas).
El Instituto Carney informó que entrenó a monos rhesus para que usaran un BCI para rastrear objetivos visuales en una pantalla de computadora (BCI de circuito cerrado) con o sin un joystick. [40] El grupo creó un BCI para seguimiento tridimensional en realidad virtual y reprodujo el control del BCI en un brazo robótico. [41] El mismo grupo demostró que un mono podía alimentarse con trozos de fruta y malvaviscos utilizando un brazo robótico controlado por las señales cerebrales del animal. [42] [43] [44]
El grupo de Andersen utilizó grabaciones de la actividad previa al movimiento de la corteza parietal posterior , incluidas señales creadas cuando los animales experimentales anticipaban recibir una recompensa. [45]
Además de predecir los parámetros cinemáticos y cinéticos de los movimientos de las extremidades, se encuentran en proceso BCI que predicen la actividad electromiográfica o eléctrica de los músculos de los primates. [46] Tales BCI podrían restaurar la movilidad en extremidades paralizadas estimulando eléctricamente los músculos.
Nicolelis y sus colegas demostraron que grandes conjuntos neuronales pueden predecir la posición del brazo. Este trabajo permitió a los BCI leer las intenciones de movimiento del brazo y traducirlas en movimientos del actuador. Carmena y sus colegas [37] programaron un BCI que permitía 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. [38]
En 2019, un estudio informó sobre 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 el aprendizaje profundo para sintetizar el habla. [47] [48] En 2021, esos investigadores informaron sobre el potencial de un BCI para decodificar palabras y oraciones en un paciente anártrico que había sido incapaz de hablar durante más de 15 años. [49] [50]
El mayor impedimento para la tecnología BCI es la falta de una modalidad de sensor que proporcione un acceso seguro, preciso y sólido a las señales cerebrales. El uso de un sensor mejor amplía la gama de funciones de comunicación que se pueden proporcionar mediante 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 BCI2000 , un sistema de propósito general para la investigación de BCI, desde 2000. [51]
Un nuevo enfoque "inalámbrico" 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 la toma de decisiones en ratones. [52]
Las BCI llevaron a una comprensión más profunda de las redes neuronales y el sistema nervioso central . Las investigaciones han informado que a pesar de la inclinación de los neurocientíficos a creer que las neuronas tienen el mayor efecto cuando trabajan juntas, se pueden condicionar neuronas individuales mediante el uso de BCI para que se activen en un patrón que permita a los primates controlar las salidas motoras. Las BCI condujeron 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 información limitada y, por lo tanto, el mayor nivel de precisión se logra registrando las activaciones en conjunto. Otros principios descubiertos con BCI incluyen el principio de multitarea neuronal, el principio de masa neuronal, el principio de degeneración neuronal y el principio de plasticidad. [53]
Se propone que las BCI sean aplicadas por usuarios sin discapacidad. 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 se adapta a su usuario, mejorando su usabilidad . [54]
Los sistemas BCI pueden utilizarse potencialmente para codificar señales procedentes de la periferia. Estos dispositivos sensoriales BCI permiten decisiones en tiempo real y relevantes para el comportamiento basadas en estimulación neuronal de circuito cerrado. [55]
El Premio de Investigación BCI se otorga anualmente en reconocimiento a la investigación innovadora. Cada año, un laboratorio de investigación de renombre juzga los proyectos. El jurado está formado por expertos de BCI contratados por ese laboratorio. 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.
La BCI invasiva requiere cirugía para implantar electrodos debajo del cuero cabelludo para acceder a las señales cerebrales. La principal ventaja es aumentar la precisión. Las desventajas incluyen los efectos secundarios de la cirugía, incluido el tejido cicatricial que puede obstruir las señales cerebrales o que el cuerpo no acepte los electrodos implantados. [56]
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 desaparezca a medida que el cuerpo reacciona al objeto extraño. [57]
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 en producir 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 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. [58]
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, 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. [59] Dobelle murió en 2004 antes de que sus procesos y desarrollos fueran documentados, sin dejar a nadie para continuar su trabajo. [60] Posteriormente, Naumann y los otros pacientes en el programa comenzaron a tener problemas con la visión y finalmente perdieron la "vista" nuevamente. [61] [62]
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.
Kennedy y Bakay fueron los primeros en instalar un implante cerebral humano que producía señales de calidad suficiente para simular el movimiento. Su paciente, Johnny Ray (1944-2002), desarrolló un " síndrome de enclaustramiento " después de un derrame cerebral en el tronco del encéfalo en 1997. El implante de Ray se instaló en 1998 y vivió lo suficiente para comenzar a trabajar con el implante, y eventualmente aprendió a controlar un cursor de computadora; Murió en 2002 de un aneurisma cerebral . [63]
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 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. [64] Un año después, 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. [sesenta y cinco]
Equipos de investigación liderados por el grupo BrainGate y otro del Centro Médico de la Universidad de Pittsburgh , ambos en colaboración con el Departamento de Asuntos de Veteranos (VA) de los Estados Unidos , demostraron el control de prótesis con muchos grados de libertad utilizando conexiones directas a conjuntos de neuronas en el corteza motora de pacientes con tetraplejía. [66] [67]
En mayo de 2021, un equipo de la Universidad de Stanford informó sobre una prueba de concepto exitosa que permitió a un participante tetrapléjico producir oraciones en inglés a aproximadamente 86 caracteres por minuto y 18 palabras por minuto. El participante se imaginaba moviendo su mano para escribir letras, y el sistema realizaba un reconocimiento de escritura a partir de señales eléctricas detectadas en la corteza motora, utilizando modelos ocultos de Markov y redes neuronales recurrentes . [68] [69]
Un estudio de 2021 informó que un paciente paralizado podía comunicar 15 palabras por minuto utilizando un implante cerebral que analizaba las neuronas motoras del tracto vocal. [70] [49]
En un artículo de revisión, los autores se preguntaron si las tasas de transferencia de información humana pueden superar las del lenguaje con BCI. La investigación lingüística ha informado que las tasas de transferencia de información son relativamente constantes en muchos idiomas. Esto puede reflejar el límite de procesamiento de información del cerebro. Alternativamente, este límite puede ser intrínseco al propio lenguaje, como modalidad de transferencia de información. [71]
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. [72] [73] [74]
Existen varios 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. [75] 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 . [76] [77]
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. [78] 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. [78] 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 . [77] El diseño óptimo de baterías es un área activa de investigación en las BCI. [79]
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. [80] [81] Las características óptimas del material y mecánicas para la estabilidad de la señal a largo plazo en BCI invasivas han sido un área activa de investigación. [82] 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. [83] 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. [83] [84] Como resultado, se han investigado y desarrollado diseños flexibles [85] [86] [87] y similares a tejidos [88] [89] para minimizar la reacción de cuerpo extraño mediante la adaptación del módulo de Young . acercar el electrodo al del tejido cerebral. [88]
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 mayor resolución que las BCI no invasivas, donde el tejido óseo del cráneo desvía y deforma las señales y tienen un riesgo menor de formar tejido cicatricial en el cerebro que las BCI totalmente invasivas. Se ha realizado una demostración preclínica de BCI intracorticales de la corteza perilesional del accidente cerebrovascular. [90]
Una revisión sistemática publicada en 2020 detalló múltiples estudios clínicos y no clínicos que investigan la viabilidad de las BCI endovasculares. [91]
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 concibió la idea de este BCI, llamado Stentrode, y obtuvo financiación de DARPA . Los estudios preclínicos evaluaron la tecnología en ovejas. [2]
Stentrode es un conjunto de electrodos de stent monolítico , está diseñado para ser administrado a través de un catéter intravenoso bajo guía de imágenes al seno sagital superior , en la región adyacente a la corteza motora . [92] Esta proximidad permite a Stentrode 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 . [93] 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 una craneotomía para su inserción, existen riesgos como la coagulación y la trombosis venosa .
Los ensayos en humanos con Stentrode estaban en marcha en 2021. [92] 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 mediante el pensamiento directo utilizando Stentrode, [94] marcando Fue 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. 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. [95] [96]
La electrocorticografía (ECoG) mide la actividad eléctrica del cerebro desde debajo del cráneo de una manera similar a la electroencefalografía no invasiva, utilizando electrodos incrustados en una delgada almohadilla de plástico colocada sobre la corteza, debajo de la duramadre . [97] 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 . [98] Esta investigación indica que el control es rápido, requiere un entrenamiento mínimo, equilibrando la fidelidad de la señal y el nivel de invasividad. [nota 1]
Las señales pueden ser subdurales o epidurales, pero no se toman del interior del parénquima cerebral . Se requiere que los pacientes tengan una monitorización invasiva para la localización y resección de un foco epileptogénico. [ cita necesaria ]
ECoG ofrece 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. [100] Este perfil de características y la evidencia del alto nivel de control con requisitos mínimos de capacitación muestran potencial para aplicaciones en el mundo real para personas con discapacidades motoras. [101] [102]
Edward Chang y Joseph Makin de la UCSF informaron 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. [103] [104] Informaron tasas de error de palabras del 3% (una mejora notable con respecto a esfuerzos anteriores) utilizando una red neuronal codificador-decodificador , que tradujo los datos de ECoG en una de cincuenta oraciones compuestas por 250 palabras únicas.
Los experimentos con humanos han utilizado interfaces de neuroimagen no invasivas . La mayoría de las investigaciones sobre BCI publicadas involucran BCI no invasivas basadas en EEG. Las tecnologías e interfaces basadas en EEG se han utilizado para la más amplia variedad 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 interfiere, 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 otras no requieren capacitación previa para su uso. La elección de un BCI específico para un paciente depende de numerosos factores.
En 2014 y 2017, un BCI que utilizó espectroscopia funcional de infrarrojo cercano para pacientes "encerrados" con esclerosis lateral amiotrófica (ELA) pudo restaurar la capacidad básica de comunicarse. [105] [106]
Después de que Vidal planteara el desafío BCI, los informes iniciales sobre enfoques no invasivos incluían el control de un cursor en 2D usando VEP, [107] el control de un timbre usando CNV, [108] el control de un objeto físico, un robot, usando un cerebro. ritmo (alfa), [109] control de un texto escrito en una pantalla usando P300. [110] [111]
En los primeros días de la investigación del BCI, otra barrera importante para el uso del EEG era que se requería una formación exhaustiva. Por ejemplo, en experimentos que comenzaron a mediados de la década de 1990, Niels Birbaumer de la Universidad de Tübingen en Alemania entrenó a personas paralizadas para que autorregularan los potenciales corticales lentos en su EEG hasta tal punto que estas señales pudieran 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). El experimento entrenó a diez pacientes para mover el cursor de una computadora. 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 meses. El enfoque del potencial cortical lento ha caído en favor de enfoques que requieren poca o ninguna capacitación, son más rápidos y precisos y funcionan para una mayor proporción de usuarios. [112]
Otro parámetro de investigación es el tipo de actividad oscilatoria que se mide. Gert Pfurtscheller fundó el BCI Lab en 1991 y realizó 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, incluidos los ritmos mu y beta . [ cita necesaria ]
Otro parámetro es el método de retroalimentación utilizado como 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 a los BCI decodificar categorías de pensamientos sin entrenamiento. [ cita necesaria ]
Un estudio de 2005 informó la emulación EEG de circuitos de control digital, utilizando un flip-flop CNV. [113] Un estudio de 2009 informó el control EEG no invasivo de un brazo robótico utilizando un flip-flop CNV. [114] Un estudio de 2011 informó el control de dos brazos robóticos que resuelven la tarea de la Torre de Hanoi con tres discos utilizando un flip-flop CNV. [115] Un estudio de 2015 describió la emulación EEG de un disparador Schmitt , un flip-flop, un demultiplexor y un módem . [116]
Los avances de Bin He y su equipo de la Universidad de Minnesota sugieren el potencial de las interfaces cerebro-computadora basadas en EEG para realizar tareas cercanas a las interfaces invasivas cerebro-computadora. Utilizando neuroimagen funcional avanzada, incluida la resonancia magnética funcional BOLD y la fuente de EEG , identificaron la covariación y la colocalización de señales electrofisiológicas y hemodinámicas . [117] Refinado mediante un enfoque de neuroimagen y un protocolo de entrenamiento, diseñaron 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. [118] En junio de 2013 anunciaron una técnica para guiar un helicóptero de control remoto a través de una carrera de obstáculos. [119] También resolvieron el problema inverso del EEG y luego utilizaron el EEG virtual resultante para tareas de BCI. Estudios bien controlados sugirieron las ventajas de dicha ICC basada en el análisis de fuentes. [120]
Un estudio de 2014 informó que los pacientes con discapacidad motora grave podían comunicarse más rápido y de manera más confiable con EEG BCI no invasivo que con canales de comunicación basados en músculos. [121]
Un estudio de 2019 informó que la aplicación de algoritmos evolutivos podría mejorar la clasificación del estado mental EEG con un dispositivo Muse no invasivo , permitiendo la clasificación de los datos adquiridos por un dispositivo sensor de consumo. [122]
En una revisión sistemática de 2021 de ensayos controlados aleatorios que utilizan BCI para la rehabilitación de las extremidades superiores después de un accidente cerebrovascular, se informó que la BCI basada en EEG tiene eficacia para mejorar la función motora de las extremidades superiores en comparación con las terapias de control. Más específicamente, se informó que los estudios de BCI que utilizaron características de potencia de banda, imágenes motoras y estimulación eléctrica funcional eran más efectivos que las alternativas. [123] Otra revisión sistemática de 2021 se centró en la BCI basada en EEG asistida por robot después de un accidente cerebrovascular para la rehabilitación de la mano. Se observó una mejora en las puntuaciones de la evaluación motora en tres de once estudios. [124]
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 multicanal. [125] 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 tales electrodos son:
El conjunto de electrodos activos es un sistema integrado que contiene un conjunto de sensores capacitivos con circuitos integrados locales empaquetados con baterías para alimentar los circuitos. Este nivel de integración era necesario para lograr el resultado.
El electrodo fue probado en un banco de pruebas y en sujetos humanos en cuatro modalidades, a saber:
El rendimiento se comparó favorablemente con el de los electrodos húmedos estándar en términos de preparación de la piel, sin necesidad de gel (seco) y una mayor relación señal-ruido. [126]
En 1999, Hunter Peckham y otros de la Universidad Case Western Reserve utilizaron un casquete EEG de 64 electrodos para devolver los movimientos limitados de la mano a un tetrapléjico . Mientras se concentraba en conceptos simples pero opuestos como arriba y abajo. Se identificó un patrón básico en su EEG de ritmo beta y se utilizó para controlar un interruptor: la actividad por encima del promedio se interpretó como activada y por debajo del promedio desactivada. Las señales también se utilizaron para impulsar controladores nerviosos incrustados en sus manos, restaurando algo de movimiento. [127]
En 2009, se informó sobre la diadema NCTU Brain-Computer-Interface. Esos investigadores también diseñaron electrodos secos de sistemas microelectromecánicos (MEMS) basados en silicio diseñados para su aplicación en partes del cuerpo sin pelo. Estos electrodos se aseguraron a la placa DAQ de la diadema con soportes de electrodos a presión. El módulo de procesamiento de señales midió la actividad alfa y la transfirió a través de Bluetooth a un teléfono que evaluó el estado de alerta y la capacidad cognitiva de los pacientes. Cuando el sujeto se adormecía, el teléfono enviaba comentarios excitantes al operador para despertarlo. [128]
En 2011, los investigadores informaron sobre una BCI basada en celulares que podría hacer que el teléfono suene. El sistema portátil estaba compuesto por un módulo de adquisición/amplificación de bioseñales de cuatro canales , un módulo de comunicación y un teléfono Bluetooth. Los electrodos se colocaron para captar potenciales evocados visuales en estado estacionario ( SSVEP ). [129] Los SSVEP son respuestas eléctricas a estímulos visuales parpadeantes con tasas de repetición superiores a 6 Hz [129] que se encuentran mejor en las regiones del cuero cabelludo parietal y occipital de la corteza visual. [130] [131] [132] Se informó que todos los participantes del estudio pudieron iniciar la llamada telefónica con una práctica mínima en entornos naturales. [133]
Los científicos informaron que una transformada rápida de Fourier (FFT) de un solo canal y un algoritmo de análisis de correlación canónica ( CCA ) de sistema de múltiples canales pueden admitir BCI móviles. [129] [134] El algoritmo CCA se ha aplicado en experimentos que investigan BCI con alta precisión y velocidad. [135] Según se informa, la tecnología celular BCI se puede traducir para otras aplicaciones, como captar ritmos sensoriomotores mu / beta para que funcione como una BCI basada en imágenes motoras. [129]
En 2013, las pruebas comparativas realizadas en BCI de teléfonos móviles, tabletas y computadoras con Android analizaron la densidad del espectro de potencia de los SSVEP de EEG resultantes. Los objetivos declarados de este estudio fueron "aumentar la viabilidad, portabilidad y ubicuidad de una BCI basada en SSVEP, para uso diario". Se informó que la frecuencia de estimulación en todos los medios era precisa, aunque la señal del teléfono no era estable. 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. [134]
Una de las dificultades con las lecturas de EEG es la susceptibilidad a los artefactos de movimiento. [136] En la mayoría de los proyectos de investigación, se pidió a los participantes que se sentaran quietos en un laboratorio, reduciendo los movimientos de la cabeza y los ojos tanto como fuera posible. Sin embargo, dado que estas iniciativas tenían como objetivo crear un dispositivo móvil para uso diario, [134] 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. Los resultados informados fueron que a medida que aumentaba la velocidad, disminuía la detectabilidad de SSVEP utilizando CCA. Se ha demostrado que el análisis de componentes independientes (ICA) es eficaz para separar las señales de EEG del ruido. [137] Los investigadores afirmaron que los datos de CCA con y sin procesamiento de ICA eran similares. Llegaron a la conclusión de que CCA demostró solidez ante los artefactos en movimiento. [131] Las aplicaciones BCI basadas en EEG ofrecen baja resolución espacial. Las posibles soluciones incluyen: conectividad de fuente de EEG basada en la teoría de grafos , reconocimiento de patrones de EEG basado en Topomap y fusión EEG- fMRI .
Se han aplicado BCI no invasivos a dispositivos protésicos de las 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 . [138] Entre 2012 y 2013, investigadores de la Universidad de California en Irvine demostraron por primera vez que la tecnología BCI puede restaurar la marcha controlada por el cerebro después de una lesión de la médula espinal . En su estudio , una persona con paraplejia operó una ortesis de marcha robótica BCI para recuperar la deambulación básica. [139] [140] En 2009, el investigador independiente Alex Blainey utilizó el Emotiv EPOC para controlar un brazo robótico de 5 ejes. [141] Hizo varias demostraciones de sillas de ruedas controladas mentalmente y automatización del hogar .
La magnetoencefalografía (MEG) y la resonancia magnética funcional (fMRI) se han utilizado como BCI no invasivas. [142] En un experimento ampliamente difundido, la resonancia magnética funcional permitió a dos usuarios jugar Pong en tiempo real alterando su respuesta hemodinámica o el flujo sanguíneo cerebral a través de biorretroalimentación . [143]
También se han utilizado mediciones por resonancia magnética funcional de las respuestas hemodinámicas en tiempo real para controlar brazos robóticos con un retraso de siete segundos entre el pensamiento y el movimiento. [144]
En 2008, una investigación desarrollada en los Laboratorios de Neurociencia Computacional de Investigación Avanzada en Telecomunicaciones (ATR) en Kioto , Japón, permitió a los investigadores reconstruir imágenes a partir de señales cerebrales con una resolución de 10x10 píxeles . [145]
Un estudio de 2011 informó la reconstrucción segundo a segundo de los videos vistos por los sujetos del estudio, a partir de datos de resonancia magnética funcional. [146] Esto se logró mediante la creación de un modelo estadístico que relaciona los videos con la actividad cerebral. Luego, este modelo se utilizó para buscar 100 segmentos de video de un segundo, en una base de datos de 18 millones de segundos de videos aleatorios de YouTube , haciendo coincidir los patrones visuales con la actividad cerebral registrada cuando los sujetos miraban un video. Estos 100 extractos de vídeo de un segundo de duración se combinaron en una imagen combinada que se parecía al vídeo. [147] [148] [149]
Las imágenes motoras implican imaginar el movimiento de partes del cuerpo, activando la corteza sensoriomotora , que modula las oscilaciones sensoriomotoras en el EEG. La BCI puede detectar esto y utilizarlo para inferir la intención del usuario. Las imágenes motoras normalmente requieren entrenamiento para adquirir un control aceptable. Las sesiones de entrenamiento suelen consumir horas durante varios días. 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. [150] Se utilizaron métodos 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 BCI Competition IV en 2022 [151] conjunto de datos 2 para imágenes de motores fue el patrón espacial común del banco de filtros, desarrollado por Ang et al. De A*STAR , Singapur . [152]
La biorretroalimentación se puede utilizar para controlar la relajación mental de un sujeto. En algunos casos, la biorretroalimentación no coincide con el EEG, mientras que parámetros como la electromiografía (EMG), la resistencia galvánica de la piel (GSR) y la variabilidad de la frecuencia cardíaca (HRV) pueden hacerlo. Muchos sistemas de biorretroalimentación tratan 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 de ondas cerebrales (theta: 4 a 7 Hz, alfa: 8 a 12 Hz, SMR: 12 a 15 Hz, beta: 15 a 18 Hz) y desafían al sujeto a controlarlas. La BCI pasiva utiliza BCI para enriquecer la interacción hombre-máquina con información sobre el estado mental del usuario, por ejemplo, simulaciones que detectan cuándo los usuarios intentan pisar los frenos durante el frenado de emergencia del vehículo. [54] Los desarrolladores de juegos que utilizan BCI pasivos entienden que a través de la repetición de niveles de juego el estado cognitivo del usuario se adapta. Durante la primera partida de un nivel determinado, el jugador reacciona de manera diferente que durante las jugadas posteriores: por ejemplo, el usuario se sorprende menos por un evento de lo que esperaba. [150]
Un VEP es un potencial eléctrico registrado después de que a un sujeto se le presenta un estímulo visual. Los tipos de VEP incluyen SSVEP y potencial P300.
Los potenciales evocados visualmente en estado estacionario (SSVEP, por sus siglas en inglés) utilizan potenciales generados al excitar la retina , utilizando estímulos visuales modulados en ciertas frecuencias. Los estímulos SSVEP a menudo se forman a partir de patrones de tablero de ajedrez alternos y, en ocasiones, utilizan imágenes parpadeantes. La frecuencia de inversión de fase del estímulo utilizado se puede distinguir mediante EEG; esto hace que la detección de estímulos SSVEP sea relativamente fácil. SSVEP se utiliza 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. Los artefactos electrocardiográficos no afectan las frecuencias monitorizadas. La señal SSVEP es robusta; La organización topográfica de la corteza visual primaria es tal que un área más amplia obtiene aferencias de la región central o fovial del campo visual. SSVEP viene con problemas. Como los SSVEP utilizan estímulos parpadeantes para inferir la intención del 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 se vuelvan irritantes e incómodos durante sesiones de juego más largas.
Otro tipo de VEP es el potencial P300 . Este potencial 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 P300 está relacionado con un proceso de atención de nivel superior o una respuesta de orientación. El uso de P300 requiere menos sesiones de entrenamiento. La primera aplicación en utilizarlo fue la matriz P300. Dentro de este sistema, un sujeto elige una letra de una cuadrícula de letras y números de 6 por 6. Las filas y columnas de la cuadrícula parpadeaban secuencialmente y cada vez que se iluminaba la "letra de elección" seleccionada, se activaba (potencialmente) el P300 del usuario. Sin embargo, el proceso de comunicación, de aproximadamente 17 caracteres por minuto, era lento. P300 ofrece una selección discreta en lugar de un control continuo. La ventaja de P300 dentro de los juegos es que el jugador no tiene que aprender a usar un nuevo sistema de control, lo que requiere sólo breves instancias de entrenamiento para aprender la mecánica del juego y el paradigma BCI básico. [150]
La interacción persona-computadora puede aprovechar otras modalidades de grabación, como la electrooculografía y el seguimiento ocular. Estas modalidades no registran la actividad cerebral y, por lo tanto, no califican como BCI. [153]
En 1989, un estudio informó el control de un robot móvil mediante el movimiento ocular utilizando señales de electrooculografía. Un robot móvil fue conducido a un punto objetivo utilizando cinco comandos EOG, interpretados como adelante, atrás, izquierda, derecha y parada. [154]
Un artículo de 2016 describió una nueva HCI no basada en EEG que no requería fijación visual ni capacidad para mover los ojos. [155] La interfaz se basa en intereses encubiertos ; dirigir la atención a una letra elegida en un teclado virtual, sin necesidad de mirar directamente la letra. Cada letra tiene su propio círculo (de fondo) que microoscila en brillo de manera diferente a las demás. 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 mediante el ensayo mental del usuario de las palabras "brillante" y "oscuro" en sincronía con las transiciones de brillo del círculo de la letra.
En la década de 1960, un investigador después de una formación utilizó EEG para crear código Morse utilizando ondas alfa. [156] El 27 de febrero de 2013, el grupo de Miguel Nicolelis en la Universidad de Duke y IINN-ELS conectaron los cerebros de dos ratas, permitiéndoles compartir información, en la primera interfaz directa de cerebro a cerebro . [157] [158] [159]
Gerwin Schalk informó que las señales ECoG pueden discriminar vocales y consonantes incrustadas en palabras habladas e imaginadas, arrojando luz sobre los mecanismos asociados con su producción y podrían proporcionar una base para la comunicación cerebral mediante el habla imaginada. [102] [160]
En 2002, a Kevin Warwick le dispararon una serie de 100 electrodos en su sistema nervioso para conectar su sistema nervioso a Internet. Warwick llevó a cabo una serie de experimentos. Se implantaron electrodos en el sistema nervioso de su esposa, lo que les permitió realizar el primer experimento de comunicación electrónica directa entre los sistemas nerviosos de dos humanos. [161] [162] [163] [164]
Otros investigadores lograron la comunicación cerebro a cerebro a distancia utilizando tecnología no invasiva adherida al cuero cabelludo de los participantes. Las palabras fueron codificadas en secuencias binarias mediante la entrada motora cognitiva de la persona que envió la información. Fragmentos pseudoaleatorios de información llevaban codificadas las palabras "hola" ("hola" en español) y "ciao" ("adiós" en italiano) y se transmitían de mente a mente. [165]
Los investigadores han construido dispositivos para interactuar con células neuronales y redes neuronales completas in vitro . Los experimentos con tejido neuronal cultivado se centraron 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 es la neuroelectrónica o neurochips . [166]
El desarrollo del primer neurochip fue reivindicado por un equipo de Caltech dirigido por Jerome Pine y Michael Maher en 1997. [167] El chip de Caltech tenía espacio para 16 neuronas.
En 2003 un equipo liderado por Theodore Berger, de la Universidad del Sur de California , trabajó en un neurochip diseñado para funcionar como un hipocampo artificial o protésico . El neurochip fue diseñado para cerebros de ratas. Se eligió el hipocampo porque se cree que es la parte del cerebro más estructurada y más estudiada. Su función es codificar experiencias para almacenarlas como recuerdos a largo plazo en otras partes del cerebro. [168]
En 2004, Thomas DeMarse, de la Universidad de Florida, utilizó un cultivo de 25.000 neuronas extraídas del cerebro de una rata para volar un simulador de avión de combate F-22 . Después de la recolección, las neuronas corticales se cultivaron en una placa de Petri y se reconectaron para formar una red neuronal viva. Las celdas se dispusieron sobre una rejilla de 60 electrodos y se utilizaron para controlar las funciones de cabeceo y guiñada del simulador. El estudio se centró en comprender cómo el cerebro humano realiza y aprende tareas computacionales a nivel celular. [169]
La idea de combinar/integrar señales cerebrales de múltiples individuos fue presentada en Humanity+ @Caltech, en diciembre de 2010, por Adrian Stoica, quien se refirió al concepto como agregación multicerebral. [170] [171] [172] Se solicitó una patente en 2012. [173] [174] [175] El primer artículo de Stoica sobre el tema apareció en 2012, después de la publicación de su solicitud de patente. [176]
Las BCI presentan importantes cuestiones éticas, incluidas preocupaciones sobre la privacidad, la autonomía, el consentimiento y las consecuencias de fusionar la cognición humana con dispositivos externos. Explorar estas consideraciones éticas resalta la compleja interacción entre el avance de la tecnología y la preservación de los derechos y valores humanos fundamentales. Las preocupaciones pueden clasificarse en términos generales en cuestiones centradas en el usuario y cuestiones jurídicas y sociales.
Las preocupaciones se centran en la seguridad y los efectos a largo plazo en los usuarios. Estos incluyen la obtención del consentimiento informado de personas con dificultades de comunicación, el impacto en la calidad de vida de los pacientes y sus familias, los efectos secundarios relacionados con la salud, el mal uso de aplicaciones terapéuticas, los riesgos de seguridad y la naturaleza irreversible de algunos cambios inducidos por BCI. Además, surgen dudas sobre el acceso al mantenimiento, reparación y repuestos, particularmente en caso de quiebra de una empresa [177].
Los aspectos legales y sociales de las BCI complican su adopción generalizada. Las preocupaciones incluyen cuestiones de rendición de cuentas y responsabilidad, como afirmaciones de que la influencia de BCI anula el libre albedrío y el control sobre las acciones, la traducción inexacta de las intenciones cognitivas, los cambios de personalidad resultantes de la estimulación cerebral profunda y la confusión de la línea entre humanos y máquinas. [178] Otras preocupaciones implican el uso de ICC en técnicas avanzadas de interrogatorio, el acceso no autorizado ("piratería cerebral"), [179] la estratificación social mediante mejoras selectivas, cuestiones de privacidad relacionadas con la lectura de mentes, los sistemas de seguimiento y "etiquetado", y la Potencial para el control de la mente, el movimiento y las emociones. [180] Los investigadores también han teorizado que las BCI podrían exacerbar las desigualdades sociales existentes.
En su forma actual, la mayoría de las BCI se parecen más a terapias correctivas que abordan pocas de estas cuestiones éticas. La bioética está bien equipada para abordar los desafíos que plantean las tecnologías BCI, y Clausen sugirió en 2009 que "las BCI plantean desafíos éticos, pero son conceptualmente similares a aquellos que los bioéticos han abordado para otros ámbitos de la terapia". [181] Haselager y sus colegas destacaron la importancia de gestionar las expectativas y el valor. [182] Los protocolos estándar pueden garantizar procedimientos de consentimiento informado éticamente sólidos para los pacientes encerrados.
La evolución de las BCI refleja la de la ciencia farmacéutica, que comenzó como un medio para abordar las deficiencias y ahora mejora la concentración y reduce la necesidad de dormir. A medida que las BCI avanzan de terapias a mejoras, la comunidad de BCI está trabajando para crear consenso sobre pautas éticas para la investigación, el desarrollo y la difusión. [183] [184] Garantizar el acceso equitativo a las IBC será crucial para prevenir desigualdades generacionales que podrían obstaculizar el derecho al florecimiento humano.
Varias empresas están desarrollando BCI económicas para investigación y entretenimiento. Juguetes como NeuroSky y Mattel MindFlex han tenido cierto éxito comercial.
Un consorcio de 12 socios europeos completó una hoja de ruta para apoyar a la Comisión Europea en sus decisiones de financiación para el programa marco Horizonte 2020 . El proyecto fue financiado por la Comisión Europea. Comenzó en noviembre de 2013 y publicó una hoja de ruta en abril de 2015. [200] Una publicación de 2015 describe este proyecto, así como la Brain-Computer Interface Society. [201] Examinó el trabajo dentro de este proyecto que definió con mayor detalle las BCI y sus aplicaciones, exploró tendencias recientes, discutió cuestiones éticas y evaluó direcciones para nuevas BCI.
Otras publicaciones recientes también han explorado direcciones futuras de la BCI para nuevos grupos de usuarios discapacitados. [10] [202]
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). La investigación de BCI busca abordar el DOC. Un objetivo inicial clave es identificar pacientes que puedan realizar tareas cognitivas básicas, que cambiarían su diagnóstico y les permitirían tomar decisiones importantes (como buscar terapia, dónde vivir y sus puntos de vista sobre las decisiones al final de la vida). respecto a ellos). Los pacientes diagnosticados incorrectamente pueden morir como resultado de decisiones tomadas por otros al final de su vida. La perspectiva de utilizar BCI para comunicarse con estos pacientes es una perspectiva tentadora. [203] [204]
Muchos de estos pacientes no pueden utilizar BCI basándose en la visión. Por lo tanto, las herramientas deben depender de estímulos auditivos y/o vibrotáctiles. Los pacientes pueden usar auriculares y/o estimuladores vibrotáctiles colocados en partes sensibles del cuerpo. Otro desafío es que los pacientes pueden comunicarse sólo a intervalos impredecibles. Los dispositivos domésticos pueden permitir comunicaciones cuando el paciente esté listo.
Las herramientas automatizadas pueden hacer preguntas que los pacientes pueden responder fácilmente, como "¿Tu padre se llama George?" o "¿Naciste en los Estados Unidos?" Las instrucciones automatizadas informan a los pacientes cómo decir sí o no, por ejemplo, centrando su atención en los estímulos de la muñeca derecha o izquierda. Esta atención enfocada produce cambios confiables en los patrones de EEG que pueden ayudar a determinar si el paciente es capaz de comunicarse. [205] [206] [207]
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. [208] [209] [210] [211] Varios grupos han explorado sistemas y métodos para la recuperación motora que incluyen BCI. [212] [213] [214] [215] 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, las 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. [216] [217] [218] 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. [218] 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. [219] 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 miembros robóticos, computadoras y exoesqueletos al traducir la actividad cerebral. [220] [221] [222]
En 2014, unas 400.000 personas se sometieron a un mapeo cerebral durante una neurocirugía. Este procedimiento suele ser necesario para personas que no responden a los medicamentos . [223] Durante este procedimiento, se colocan electrodos en el cerebro para identificar con precisión las ubicaciones de las estructuras y áreas funcionales. Los pacientes pueden estar despiertos durante la neurocirugía y se les puede pedir que realicen tareas, como mover los dedos o repetir palabras. Esto es necesario para que los cirujanos puedan extirpar el tejido deseado sin afectar otras regiones. Extirpar demasiado tejido cerebral puede causar daño permanente, mientras que extirpar muy poco puede requerir neurocirugía adicional. [ cita necesaria ]
Los investigadores exploraron formas de mejorar el mapeo neuroquirúrgico. Este trabajo se centra en gran medida en la alta actividad gamma, que es difícil de detectar de forma no invasiva. Los resultados mejoraron los métodos para identificar áreas funcionales clave. [224]
La electrónica flexible son polímeros u otros materiales flexibles (por ejemplo , seda , [225] pentaceno , PDMS , parileno , poliimida [226] ) impresos con circuitos ; la flexibilidad permite que la electrónica se doble. Las técnicas de fabricación utilizadas para crear estos dispositivos se parecen a las utilizadas para crear circuitos integrados y sistemas microelectromecánicos (MEMS). [ cita necesaria ]
Las interfaces neuronales flexibles pueden minimizar el traumatismo del tejido cerebral relacionado con el desajuste mecánico entre el electrodo y el tejido. [227]
El polvo neuronal son dispositivos de tamaño milimétrico que funcionan como sensores nerviosos inalámbricos y que se propusieron en un artículo de 2011 del Centro de Investigación Inalámbrica Berkeley de la Universidad de California . [228] [229] En un modelo, los potenciales de campo locales podrían distinguirse de los "picos" de potencial de acción , que ofrecerían datos muy diversificados en comparación con las técnicas convencionales. [228]
El BCI basado en ECoG tiene ventajas en cuanto a señal y durabilidad que son absolutamente necesarias para la aplicación clínica.
Justin Williams, ingeniero biomédico de la universidad, ya ha transformado el implante ECoG en un microdispositivo que se puede instalar con un mínimo de complicaciones. Se ha probado en animales durante un largo período de tiempo: el micro ECoG permanece en su lugar y no parece afectar negativamente al sistema inmunológico.
