Una interfaz cerebro-computadora ( BCI ), a veces llamada interfaz cerebro-máquina ( BMI ), es un vínculo de comunicación directa entre la actividad eléctrica del cerebro y un dispositivo externo, más comúnmente una computadora o una extremidad robótica. Las BCI a menudo están dirigidas a investigar, mapear , ayudar, aumentar o reparar las funciones cognitivas o sensoriomotoras humanas . [1] A menudo se las conceptualiza como una interfaz hombre-máquina que omite la intermediación de partes corporales móviles (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 proximidad física de los electrodos al tejido cerebral. [2]
La investigación sobre las BCI comenzó en la década de 1970 por Jacques Vidal en la Universidad de California en Los Ángeles (UCLA) con una subvención de la Fundación Nacional de Ciencias , seguida de un contrato de la Agencia de Proyectos de Investigación Avanzada de Defensa ( 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 canales sensoriales o efectores naturales. [5] Después de años de experimentación con animales, los primeros dispositivos neuroprotésicos se implantaron en humanos a mediados de la década de 1990.
Los estudios sobre la interacción hombre-computadora a través de la aplicación del aprendizaje automático a características temporales estadísticas extraídas de los datos del lóbulo frontal ( ondas cerebrales EEG ) han logrado el éxito en la clasificación de estados mentales (relajado, neutral, concentrado), [6] estados emocionales mentales (negativo, neutral, positivo), [7] y disritmia talamocortical . [8]
La historia de las interfaces cerebro-computadora (BCI) comienza con el descubrimiento de la actividad eléctrica del cerebro por parte de Hans Berger y el desarrollo de la electroencefalografía (EEG). En 1924, Berger fue el primero en registrar la actividad cerebral humana mediante EEG. Berger pudo identificar la actividad oscilatoria , como la onda alfa (8-13 Hz), mediante el análisis de los trazos de EEG.
El primer dispositivo de registro de Berger era rudimentario. Insertaba cables de plata bajo el cuero cabelludo de sus pacientes, que luego fueron reemplazados por láminas de plata adheridas a la cabeza del paciente con vendas de goma. Berger conectó estos sensores a un electrómetro capilar de Lippmann , con resultados decepcionantes. Sin embargo, dispositivos de medición más sofisticados, como el galvanómetro de registro de doble bobina de Siemens , que mostraba voltajes tan pequeños como 10 -4 voltios, condujeron al éxito.
Berger analizó la interrelación de las alteraciones en los diagramas de ondas de EEG con las enfermedades cerebrales . Los EEG permitieron posibilidades completamente nuevas para la investigación del cerebro.
Aunque el término aún no había sido 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 hace uso de EEG y hardware de procesamiento de señales analógicas (filtros, amplificadores y una mesa de mezclas) para estimular instrumentos de percusión acústica. La interpretación de la pieza requiere producir ondas alfa y, por lo tanto, "tocar" los diversos 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 planteó el "desafío de las BCI" [13] de controlar objetos externos utilizando señales de EEG, y especialmente el uso del potencial de variación negativa contingente (CNV) como un desafío para el control de las BCI. El experimento de Vidal de 1977 fue la primera aplicación de las BCI después de su desafío de 1973. Fue un control no invasivo mediante EEG (en realidad, potenciales evocados visuales (VEP)) de un objeto gráfico similar a un cursor en una pantalla de computadora. La demostración fue el movimiento en un laberinto. [14]
En 1988 se demostró por primera vez el control EEG no invasivo de un objeto físico, un robot. El experimento demostró el control EEG de múltiples ciclos de inicio-parada-reinicio de movimiento, a lo largo de una trayectoria arbitraria definida por una línea dibujada en el suelo. El comportamiento de seguimiento de la línea era el comportamiento predeterminado del robot, que utilizaba inteligencia autónoma y una fuente de energía autónoma. [15] [16] [17] [18]
En 1990 se publicó un informe sobre una BCI adaptativa, bidireccional y de circuito cerrado que controlaba un timbre de computadora mediante un potencial cerebral anticipatorio, el potencial de variación negativa contingente (CNV). [19] [20] El experimento describía cómo un estado de expectativa del cerebro, manifestado por CNV, utilizaba un circuito de retroalimentación para controlar el timbre S2 en el paradigma S1-S2-CNV. La onda cognitiva resultante que representaba el aprendizaje de expectativas en el cerebro se denominó electroexpectograma (EXG). El potencial cerebral CNV fue parte del desafío de Vidal de 1973.
Estudios realizados en la década de 2010 sugirieron el potencial de la estimulación neuronal para restaurar la conectividad funcional y los comportamientos asociados a través de la modulación de mecanismos moleculares. [21] [22] Esto abrió la puerta al concepto de que las tecnologías BCI podrían ser capaces de restaurar la función.
A partir de 2013, DARPA financió la tecnología BCI a través de la iniciativa BRAIN, que apoyó el trabajo de equipos que incluían al 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 neuroprotésicos en unas 736.900 personas en todo el mundo. [27] Otros dispositivos neuroprotésicos tienen como objetivo restaurar la visión, incluidos los implantes de retina . Sin embargo, el primer dispositivo neuroprotésico fue el marcapasos .
A veces, estos términos se utilizan indistintamente. Las neuroprótesis y las BCI buscan alcanzar los mismos objetivos, como restaurar la vista, la audición, el movimiento, la capacidad de comunicarse e incluso la función cognitiva . [1] Ambos utilizan métodos experimentales y técnicas quirúrgicas similares.
Varios laboratorios han logrado leer señales de cortezas cerebrales de monos y ratas para operar BCIs y producir movimiento. Los monos han movido cursores de computadora y han ordenado a brazos robóticos que realicen tareas simples simplemente pensando en la tarea y viendo los resultados, sin salida motora. [28] En mayo de 2008, se publicaron fotografías que mostraban a un mono en el Centro Médico de la Universidad de Pittsburgh operando un brazo robótico pensando en varios estudios. [29] También se han utilizado ovejas para evaluar la tecnología BCI, incluido el Stentrode de Synchron.
En 2020, el Neuralink de Elon Musk se implantó con éxito en un cerdo. [30] En 2021, Musk anunció que la compañía había logrado que un mono jugara videojuegos usando 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, datan de la década de 1970. En la década de 1980, Georgopoulos, de la Universidad Johns Hopkins, encontró una relación matemática entre las respuestas eléctricas de las neuronas de la corteza motora individual 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 de los monos, controlaban colectivamente los comandos motores. Pudo registrar las activaciones de las neuronas en solo un área a la vez, debido a las limitaciones del equipo. [34]
Varios grupos han logrado captar señales complejas de la corteza motora cerebral mediante el registro de conjuntos neuronales (grupos de neuronas) y su utilización para controlar dispositivos externos. [ cita requerida ]
Phillip Kennedy (fundador de Neural Signals (1987)) y sus colegas construyeron la primera interfaz intracortical cerebro-computadora implantando electrodos de cono neurotrófico en monos. [ cita requerida ]
En 1999, Yang Dan et al. de la Universidad de California, Berkeley, decodificaron las descargas 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 . Las descargas neuronales se registraron al ver ocho películas cortas. 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 utilizar múltiples electrodos repartidos por una zona mayor del cerebro para obtener señales neuronales.
Después de los 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 habilidades avanzadas de los monos para alcanzar y agarrar objetos y las habilidades de manipulación manual los convirtieron en buenos sujetos de prueba.
En 2000, el grupo logró construir una BCI que reproducía los movimientos del mono búho mientras este operaba un joystick o alcanzaba comida. [36] La BCI operaba en tiempo real y podía controlar de forma remota un robot independiente, pero los monos no recibían retroalimentación ( BCI de circuito abierto ).
.jpg/1280px-Brain-computer_interface_(schematic).jpg)
Experimentos posteriores con monos rhesus incluyeron retroalimentación y reprodujeron los movimientos de alcance y agarre de los 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 se ocultaban los movimientos correspondientes de un brazo robótico. [37] [38] Posteriormente, a los monos se les mostró el robot y aprendieron a controlarlo viendo sus movimientos. La 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 una 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 las señales neuronales incluyen a John Donoghue en el Instituto Carney de Ciencias del Cerebro de la Universidad Brown , Andrew Schwartz en la Universidad de Pittsburgh y Richard Andersen en Caltech . Estos investigadores produjeron BCI funcionales utilizando señales registradas de muchas menos neuronas que Nicolelis (entre 15 y 30 neuronas frente a entre 50 y 200 neuronas).
El Instituto Carney informó que entrenó a monos rhesus para usar una BCI para rastrear objetivos visuales en una pantalla de computadora (BCI de circuito cerrado) con o sin un joystick. [40] El grupo creó una BCI para seguimiento tridimensional en realidad virtual y reprodujo el control de BCI en un brazo robótico. [41] El mismo grupo demostró que un mono podía alimentarse con trozos de fruta y malvaviscos usando 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 anticiparon recibir una recompensa. [45]
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. [46] Estas BCI podrían restaurar la movilidad en las extremidades paralizadas estimulando eléctricamente los músculos.
Nicolelis y sus colegas demostraron que los grandes conjuntos neuronales pueden predecir la posición del brazo. Este trabajo permitió que las BCI leyeran las intenciones de movimiento del brazo y las tradujeran en movimientos de actuador. Carmena y sus colegas [37] programaron una 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. [38]
En 2019, un estudio informó sobre una BCI que tenía el potencial de ayudar a los pacientes con problemas de habla causados por trastornos neurológicos. Su BCI utilizó electrocorticografía de alta densidad para extraer 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 una BCI para decodificar palabras y oraciones en un paciente anártrico que no había podido 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 mejor sensor amplía la gama de funciones de comunicación que se pueden proporcionar mediante una BCI.
El desarrollo y la implementación de un sistema BCI es complejo y lleva mucho tiempo. En respuesta a este problema, Gerwin Schalk ha estado desarrollando BCI2000 , un sistema de propósito general para la investigación de BCI, desde el año 2000. [51]
Un nuevo enfoque "inalámbrico" utiliza canales iónicos controlados por luz, como la canalrodopsina, para controlar la actividad de subconjuntos de neuronas definidos genéticamente in vivo . En el contexto de una tarea de aprendizaje simple, la iluminación de células transfectadas en la corteza somatosensorial influyó en la toma de decisiones en ratones. [52]
Las BCIs permitieron una comprensión más profunda de las redes neuronales y del 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 ser condicionadas mediante el uso de BCIs para que se activen en un patrón que permite a los primates controlar las salidas motoras. Las BCIs condujeron al desarrollo del principio de insuficiencia de neuronas individuales, que establece que incluso con una tasa de activación bien ajustada, las neuronas individuales solo pueden transportar información limitada y, por lo tanto, el mayor nivel de precisión se logra registrando las activaciones en conjunto. Otros principios descubiertos con las BCIs 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 discapacidades. Las BCI pasivas permiten evaluar e interpretar cambios en el estado del usuario durante la interacción persona-computadora ( HCI ). En un bucle de control implícito secundario, el sistema se adapta a su usuario, mejorando su usabilidad . [54]
Los sistemas BCI pueden utilizarse potencialmente para codificar señales de la periferia. Estos dispositivos BCI sensoriales permiten tomar decisiones en tiempo real y relevantes para el comportamiento basadas en estimulación neuronal de circuito cerrado. [55]
El premio de investigación del BCI se otorga anualmente en reconocimiento a la investigación innovadora. Cada año, se solicita a un laboratorio de investigación de renombre que evalúe los proyectos. El jurado está formado por expertos del BCI reclutados por ese laboratorio. El jurado selecciona a doce nominados y luego elige a un ganador del primer, segundo y tercer lugar, que reciben premios de $3,000, $2,000 y $1,000, 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 efectos secundarios de la cirugía, como tejido cicatricial que puede obstruir las señales cerebrales o el cuerpo puede no aceptar los electrodos implantados. [56]
La investigación sobre BCI invasiva se ha centrado en reparar la visión dañada y proporcionar nuevas funciones a las personas con parálisis. Las BCI invasivas se implantan directamente en la materia gris del cerebro durante la neurocirugía. Como se encuentran en la materia gris, los dispositivos invasivos producen las señales de mayor 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 fue implantado en "Jerry", un hombre ciego en la edad adulta, en 1978. Una BCI de matriz única que contenía 68 electrodos se implantó 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 baja velocidad de cuadros. Esto también requería 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 permiten realizar tareas simples sin ayuda. [58]
En 2002, Jens Naumann, que también se quedó ciego en la edad adulta, se convirtió en el primero de una serie de 16 pacientes que pagaron por recibir el implante de segunda generación de Dobelle, uno de los primeros usos comerciales de las BCI. El dispositivo de segunda generación utilizaba un implante más sofisticado que permitía una mejor representación 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 de su implante, Jens pudo utilizar su visión imperfectamente restaurada para conducir un automóvil lentamente por el área de estacionamiento del instituto de investigación. [59] Dobelle murió en 2004 antes de que se documentaran sus procesos y desarrollos, por lo que no quedó nadie para continuar su trabajo. [60] Posteriormente, Naumann y los demás pacientes del programa comenzaron a tener problemas con su visión y finalmente perdieron la "vista" nuevamente. [61] [62]
Las BCI centradas en la neuroprótesis motora tienen como objetivo restaurar el movimiento en personas con parálisis o proporcionar dispositivos para ayudarlas, 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 encefálico en 1997. El implante de Ray se instaló en 1998 y vivió lo suficiente para comenzar a trabajar con él, aprendiendo finalmente 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 una BCI en 2005 como parte del primer ensayo en humanos de nueve meses del implante de chip BrainGate de Cyberkinetics . Implantado en el giro precentral derecho 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 un televisor. [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. [65]
Los equipos de investigación dirigidos por el grupo BrainGate y otro del Centro Médico de la Universidad de Pittsburgh , ambos en colaboración con el Departamento de Asuntos de Veteranos de los Estados Unidos (VA), demostraron el control de miembros protésicos con muchos grados de libertad utilizando conexiones directas a conjuntos de neuronas en la corteza motora de pacientes con tetraplejia. [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 cuadripléjico producir oraciones en inglés a aproximadamente 86 caracteres por minuto y 18 palabras por minuto. El participante imaginó mover su mano para escribir letras y el sistema realizó el reconocimiento de escritura a mano en 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 pudo 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 lenguaje en sí, como una modalidad para la 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 invasivas. Los avances en la tecnología CMOS están impulsando y posibilitando diseños de BCI invasivos 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 cerca del 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 de las BCI invasivas han sido un área activa de investigación en las últimas décadas. Mientras que los registros intracelulares de neuronas revelan voltajes de potencial de acción en la escala de cientos de milivoltios, las BCI invasivas crónicas dependen del registro de voltajes extracelulares que normalmente son tres órdenes de magnitud más pequeños, existentes en cientos de microvoltios. [78] Otro factor que aumenta el desafío de detectar señales en la escala de microvoltios es 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 convierte los voltajes extracelulares analógicos en señales digitales. [78] Debido a que un potencial de acción neuronal típico dura un milisegundo, las BCI que miden picos deben tener frecuencias de muestreo que van desde 300 Hz a 5 kHz. Otra preocupación 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 BCI. [79]
Los desafíos existentes en el área de la ciencia de los materiales son fundamentales para el diseño de BCI invasivos. Se han observado comúnmente variaciones en la calidad de la señal a lo largo del tiempo con microelectrodos implantables. [80] Las características mecánicas y materiales óptimas para la estabilidad de la señal a largo plazo en BCI invasivos han sido un área activa de investigación. [81] Se ha propuesto que la formación de cicatrices gliales , secundarias al daño en la interfaz electrodo-tejido, es probablemente responsable de la falla del electrodo y la reducción del rendimiento de la grabación. [82] La investigación ha 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. [82] [83] Como resultado, se han investigado y desarrollado diseños flexibles [84] [85] [86] y similares a tejidos [87] [88] para minimizar la reacción a cuerpos extraños mediante la adaptación del módulo de Young del electrodo más cercano al del tejido cerebral. [87]
Los dispositivos BCI parcialmente invasivos se implantan dentro del cráneo, pero se ubican fuera del cerebro en lugar de dentro de la materia gris. Producen señales de mayor resolución que los BCI no invasivos, en los que el tejido óseo del cráneo desvía y deforma las señales, y tienen un menor riesgo de formar tejido cicatricial en el cerebro que los BCI totalmente invasivos. Se ha llevado a cabo una demostración preclínica de BCI intracorticales a partir de la corteza perilesional del accidente cerebrovascular. [89]
Una revisión sistemática publicada en 2020 detalló múltiples estudios clínicos y no clínicos que investigan la viabilidad de las BCI endovasculares. [90]
En 2010, investigadores afiliados a la Universidad de Melbourne comenzaron a desarrollar una BCI que pudiera insertarse a través del sistema vascular. El neurólogo australiano Thomas Oxley concibió la idea de esta BCI, llamada Stentrode, y recibió financiación de DARPA . Los estudios preclínicos evaluaron la tecnología en ovejas. [2]
Stentrode es un conjunto de electrodos de stent monolítico diseñado para ser colocado a través de un catéter intravenoso bajo guía de imágenes al seno sagital superior , en la región que se encuentra adyacente a la corteza motora . [91] Esta proximidad permite a Stentrode medir la actividad neuronal. El procedimiento es muy similar a cómo se colocan los stents del seno venoso para el tratamiento de la hipertensión intracraneal idiopática . [92] Stentrode comunica la actividad neuronal a una unidad de telemetría sin batería implantada en el tórax, que se comunica de forma inalámbrica con una unidad de telemetría externa capaz de suministrar energía y transferir 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 ya estaban en marcha en 2021. [91] 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, comprar y realizar operaciones bancarias mediante el pensamiento directo utilizando Stentrode, [93] lo que marca 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 para los cuatro pacientes, que podían usarlo para operar computadoras. [94] [95]
La electrocorticografía (ECoG) mide la actividad eléctrica cerebral desde debajo del cráneo de una manera similar a la electroencefalografía no invasiva, utilizando electrodos incrustados en una almohadilla de plástico delgada colocada sobre la corteza, debajo de la duramadre . [96] Las tecnologías de 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 a un adolescente jugar Space Invaders . [97] 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 . Es necesario que los pacientes se sometan a un control invasivo para localizar y extirpar un foco epileptogénico. [ cita requerida ]
La ECoG ofrece una resolución espacial más alta, una mejor relación señal-ruido, un rango de frecuencia más amplio y menos requisitos de entrenamiento que el EEG registrado en el cuero cabelludo y, al mismo tiempo, tiene una menor dificultad técnica, un menor riesgo clínico y puede tener una estabilidad a largo plazo superior a la del registro intracortical de una sola neurona. [99] Este perfil de características y la evidencia del alto nivel de control con requisitos de entrenamiento mínimos muestran potencial para la aplicación en el mundo real para personas con discapacidades motoras. [100] [101]
Edward Chang y Joseph Makin de la UCSF informaron que las señales ECoG podrían usarse para decodificar el habla de pacientes con epilepsia implantados con matrices ECoG de alta densidad sobre las cortezas perisilvianas. [102] [103] Informaron tasas de error de palabras del 3% (una mejora notable con respecto a los esfuerzos anteriores) utilizando una red neuronal codificadora-decodificadora , que tradujo los datos de ECoG en una de cincuenta oraciones compuestas por 250 palabras únicas.
En experimentos con seres humanos se han utilizado interfaces de neuroimagen no invasivas . La mayoría de las investigaciones publicadas sobre BCI se refieren a 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 llevar y no requieren cirugía, tienen una resolución espacial relativamente pobre y no pueden utilizar de forma eficaz las señales de mayor frecuencia porque el cráneo interfiere, dispersando y difuminando 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 formación previa para su uso. La elección de una BCI específica para un paciente depende de numerosos factores.
En 2014, una BCI que utilizó espectroscopia funcional de infrarrojo cercano para pacientes "encerrados" con esclerosis lateral amiotrófica (ELA) logró restaurar la capacidad básica para comunicarse. [104]
Después de que Vidal planteara el desafío BCI, los informes iniciales sobre enfoques no invasivos incluyeron el control de un cursor en 2D usando VEP, [105] el control de un zumbador usando CNV, [106] el control de un objeto físico, un robot, usando un ritmo cerebral (alfa), [107] el control de un texto escrito en una pantalla usando P300. [108] [13]
En los primeros días de la investigación sobre BCI, otra barrera importante para el uso de EEG era que se requería un entrenamiento extenso. Por ejemplo, en experimentos que comenzaron a mediados de los años 1990, Niels Birbaumer, de la Universidad de Tübingen ( 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 un cursor de 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 un cursor de computadora. El proceso era lento, requiriendo 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 desuso en favor de enfoques que requieren poco o ningún entrenamiento, son más rápidos y más precisos, y funcionan para una mayor proporción de usuarios. [109]
Otro parámetro de investigación es el tipo de actividad oscilatoria que se mide. Gert Pfurtscheller fundó el BCI Lab en 1991 y llevó a cabo la primera BCI en línea basada en características oscilatorias y clasificadores. Junto con Birbaumer y Jonathan Wolpaw de la Universidad Estatal de Nueva York, se centraron en desarrollar una tecnología que permitiera a los usuarios elegir las señales cerebrales que les resultaran más fáciles de manejar con una BCI, incluidos los ritmos mu y beta . [ cita requerida ]
Otro parámetro es el método de retroalimentación utilizado, como se muestra en los estudios de señales P300 . Los patrones de ondas P300 se generan de manera involuntaria ( retroalimentación de estímulo ) cuando las personas ven algo que reconocen y pueden permitir que las BCI decodifiquen categorías de pensamientos sin entrenamiento. [ cita requerida ]
Un estudio de 2005 informó sobre la emulación EEG de circuitos de control digital, utilizando un flip-flop CNV. [110] Un estudio de 2009 informó sobre el control EEG no invasivo de un brazo robótico utilizando un flip-flop CNV. [111] Un estudio de 2011 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. [112] Un estudio de 2015 describió la emulación EEG de un disparador Schmitt , un flip-flop, un demultiplexor y un módem . [113]
Los avances de Bin He y su equipo en la Universidad de Minnesota sugieren el potencial de las interfaces cerebro-computadora basadas en EEG para realizar tareas cercanas a las interfaces cerebro-computadora invasivas. Utilizando neuroimagen funcional avanzada, incluyendo la resonancia magnética funcional BOLD y la obtención de imágenes de fuentes EEG , identificaron la covariación y la colocalización de señales electrofisiológicas y hemodinámicas . [114] Refinadas mediante un enfoque de neuroimagen y un protocolo de entrenamiento, diseñaron una interfaz cerebro-computadora basada en EEG no invasiva para controlar el vuelo de un helicóptero virtual en un espacio tridimensional, basándose en la imaginación motora. [115] En junio de 2013 anunciaron una técnica para guiar un helicóptero de control remoto a través de una pista de obstáculos. [116] También resolvieron el problema inverso del EEG y luego utilizaron el EEG virtual resultante para tareas BCI. Estudios bien controlados sugirieron los méritos de una BCI basada en el análisis de fuentes de este tipo. [117]
Un estudio de 2014 informó que los pacientes con discapacidad motora grave podían comunicarse más rápido y de manera más confiable con BCI EEG no invasivo que con canales de comunicación basados en los músculos. [118]
Un estudio de 2019 informó que la aplicación de algoritmos evolutivos podría mejorar la clasificación del estado mental mediante EEG con un dispositivo Muse no invasivo , lo que permitiría la clasificación de datos adquiridos por un dispositivo de detección de nivel de consumidor. [119]
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 informó que la BCI basada en EEG tenía 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 funciones de potencia de banda, imágenes motoras y estimulación eléctrica funcional fueron más efectivos que las alternativas. [120] 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. [121]
A principios de los años 1990, Babak Taheri, de la Universidad de California, Davis, demostró las primeras matrices de electrodos activos secos de un solo canal y de múltiples canales. [122] Se demostró que el electrodo en matriz tenía un buen rendimiento 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 la adaptación de impedancia . Las ventajas de dichos electrodos son:
El conjunto de electrodos activos es un sistema integrado que contiene una serie de sensores capacitivos con circuitos integrados locales y baterías para alimentarlos. Este nivel de integración era necesario para lograr el resultado.
El electrodo se probó 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, falta de requisitos de gel (secos) y una mayor relación señal-ruido. [123]
En 1999, Hunter Peckham y otros en la Universidad Case Western Reserve utilizaron un electroencefalograma con 64 electrodos para devolver los movimientos limitados de la mano a un cuadripléjico . Mientras se concentraba en conceptos simples pero opuestos como arriba y abajo, se identificó un patrón básico en su salida de EEG de ritmo beta y se utilizó para controlar un interruptor: la actividad por encima de la media se interpretó como activada, la actividad por debajo de la media como desactivada. Las señales también se utilizaron para activar los controladores nerviosos incrustados en sus manos, lo que restableció algo de movimiento. [124]
En 2009, se anunció la diadema con interfaz cerebro-ordenador de la NCTU. Los investigadores también diseñaron electrodos secos con sistema microelectromecánico (MEMS) basados en silicio diseñados para su aplicación en zonas del cuerpo sin vello. Estos electrodos se fijaron a la placa DAQ de la diadema con soportes de electrodos a presión. El módulo de procesamiento de señales medía la actividad alfa y la transfería por Bluetooth a un teléfono que evaluaba el estado de alerta y la capacidad cognitiva de los pacientes. Cuando el sujeto se adormecía, el teléfono enviaba una respuesta de activación al operador para que lo despertara. [125]
En 2011, los investigadores informaron sobre una BCI basada en celulares que podía hacer que un teléfono sonara. 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 de estado estable ( SSVEP ). [126] Los SSVEP son respuestas eléctricas a estímulos visuales parpadeantes con tasas de repetición superiores a 6 Hz [126] que se encuentran mejor en las regiones del cuero cabelludo parietal y occipital de la corteza visual. [127] [128] [129] Se informó que todos los participantes del estudio pudieron iniciar la llamada telefónica con una práctica mínima en entornos naturales. [130]
Los científicos informaron que un algoritmo de análisis de correlación canónica ( CCA ) de sistema de múltiples canales y transformada rápida de Fourier (FFT) de un solo canal pueden respaldar las BCI móviles. [126] [131] El algoritmo CCA se ha aplicado en experimentos que investigan las BCI con una alta precisión y velocidad declaradas. [132] Según se informa, la tecnología BCI celular se puede traducir para otras aplicaciones, como la captación de ritmos mu / beta sensoriomotores para que funcionen como una BCI basada en imágenes motoras. [126]
En 2013, se realizaron pruebas comparativas en BCI basados en teléfonos celulares, tabletas y computadoras Android , y se analizó 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 un BCI basado 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 se sugirieron como indicadores de la viabilidad de usar un BCI de estímulo móvil. [131]
Una de las dificultades con las lecturas de EEG es la susceptibilidad a los artefactos de movimiento. [133] En la mayoría de los proyectos de investigación, se pidió a los participantes que se sentaran quietos en un entorno de 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 el uso diario, [131] la tecnología tuvo que probarse en movimiento. En 2013, los investigadores probaron la tecnología BCI basada en EEG móvil, midiendo los SSVEP de los participantes mientras caminaban en una cinta de correr. Los resultados informados fueron que a medida que aumentaba la velocidad, la detectabilidad de SSVEP utilizando CCA disminuía. Se ha demostrado que el análisis de componentes independientes (ICA) es eficiente para separar las señales de EEG del ruido. [134] Los investigadores afirmaron que los datos de CCA con y sin procesamiento de ICA eran similares. Concluyeron que el CCA demostró robustez a los artefactos de movimiento. [128] Las aplicaciones BCI basadas en EEG ofrecen una baja resolución espacial. Las posibles soluciones incluyen: conectividad de fuente de EEG basada en teoría de grafos , reconocimiento de patrones de EEG basado en Topomap y fusión EEG- fMRI .
Las BCI no invasivas se han aplicado a dispositivos protésicos 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 . [135] Entre 2012 y 2013, investigadores de la Universidad de California, 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. [136] [137] En 2009, el investigador independiente Alex Blainey utilizó el Emotiv EPOC para controlar un brazo robótico de 5 ejes. [138] Hizo varias demostraciones de sillas de ruedas controladas mentalmente y domótica .
Tanto la magnetoencefalografía (MEG) como la resonancia magnética funcional (fMRI) se han utilizado como BCI no invasivas. [139] En un experimento ampliamente difundido, la fMRI permitió a dos usuarios jugar Pong en tiempo real alterando su respuesta hemodinámica o el flujo sanguíneo cerebral a través de biorretroalimentación . [140]
Las mediciones de fMRI de respuestas hemodinámicas en tiempo real también se han utilizado para controlar brazos robóticos con un retraso de siete segundos entre el pensamiento y el movimiento. [141]
En 2008, una investigación desarrollada en los Laboratorios de Neurociencia Computacional de Investigación en Telecomunicaciones Avanzadas (ATR) en Kioto , Japón, permitió a los investigadores reconstruir imágenes a partir de señales cerebrales con una resolución de 10x10 píxeles . [142]
Un estudio de 2011 informó sobre la reconstrucción segundo a segundo de los videos vistos por los sujetos del estudio, a partir de datos de fMRI. [143] Esto se logró mediante la creación de un modelo estadístico que relacionaba 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 vieron un video. Luego, estos 100 extractos de video de un segundo se combinaron en una imagen combinada que se parecía al video. [144] [145] [146]
La imaginería motora implica imaginar el movimiento de partes del cuerpo, activando la corteza sensoriomotora , que modula las oscilaciones sensoriomotoras en el EEG. Esto puede ser detectado por la BCI y utilizado para inferir la intención del usuario. La imaginería motora normalmente requiere entrenamiento para adquirir un control aceptable. Las sesiones de entrenamiento suelen consumir horas a lo largo de varios días. Independientemente de la duración de la sesión de entrenamiento, los usuarios no pueden dominar el esquema de control. Esto da como resultado un ritmo muy lento del juego. [147] Se utilizaron métodos de aprendizaje automático para calcular un modelo específico del sujeto para detectar el rendimiento de la imaginería motora. El algoritmo de mayor rendimiento del conjunto de datos 2 de la Competencia BCI IV en 2022 [148] para la imaginería motora fue el Patrón Espacial Común del Banco de Filtros, desarrollado por Ang et al. de A*STAR , Singapur . [149]
La biorretroalimentación se puede utilizar para monitorear 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, rechinamiento de dientes y dolor crónico. Los sistemas de biorretroalimentación EEG generalmente monitorean cuatro bandas de ondas cerebrales (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 usa BCI para enriquecer la interacción hombre-máquina con información sobre el estado mental del usuario, por ejemplo, simulaciones que detectan cuándo los usuarios tienen la intención de presionar los frenos durante el frenado de emergencia del vehículo. [54] Los desarrolladores de juegos que usan BCI pasivas 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 forma diferente que durante las partidas posteriores: por ejemplo, el usuario se sorprende menos ante un acontecimiento que esperaba. [147]
Un VEP es un potencial eléctrico que se registra después de que se le presenta un estímulo visual a un sujeto. Los tipos de VEP incluyen SSVEP y potencial P300.
Los potenciales evocados visuales de estado estable (SSVEP) utilizan potenciales generados al excitar la retina , utilizando estímulos visuales modulados a ciertas frecuencias. Los estímulos SSVEP a menudo se forman a partir de patrones de tablero de ajedrez alternados y, a veces, utilizan imágenes parpadeantes. La frecuencia de la 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 obtenida se puede medir en una población tan grande como el VEP transitorio y el movimiento de parpadeo. Los artefactos electrocardiográficos no afectan las frecuencias monitoreadas. La señal SSVEP es robusta; la organización topográfica de la corteza visual primaria es tal que un área más amplia obtiene aferentes de la región central o fovial del campo visual. SSVEP viene con problemas. Como SSVEP utiliza estímulos parpadeantes para inferir la intención del usuario, el usuario debe mirar uno de los símbolos parpadeantes o iterativo para interactuar con el sistema. Por lo tanto, es probable que los símbolos resulten 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 del 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. El uso del P300 requiere menos sesiones de entrenamiento. La primera aplicación que lo utilizó fue la matriz P300. Dentro de este sistema, un sujeto elige 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 se iluminaba la "letra de elección" seleccionada, se activaba (potencialmente) el P300 del usuario. Sin embargo, el proceso de comunicación, a aproximadamente 17 caracteres por minuto, era lento. El P300 ofrece una selección discreta en lugar de un control continuo. La ventaja del P300 dentro de los juegos es que el jugador no tiene que aprender a utilizar un nuevo sistema de control, requiriendo solamente breves instancias de entrenamiento para aprender la mecánica del juego y el paradigma BCI básico. [147]
La interacción entre humanos y computadoras puede aprovechar otras modalidades de registro, como la electrooculografía y el seguimiento ocular. Estas modalidades no registran la actividad cerebral y, por lo tanto, no se consideran BCI. [150]
En 1989, un estudio informó sobre el control de un robot móvil mediante el movimiento ocular utilizando señales de electrooculografía. Se condujo un robot móvil hasta un punto objetivo utilizando cinco comandos EOG, interpretados como adelante, atrás, izquierda, derecha y detenerse. [151]
Un artículo de 2016 describió una nueva HCI no basada en EEG que no requería fijación visual ni capacidad para mover los ojos. [152] La interfaz se basa en el interés encubierto ; dirigiendo la atención a una letra elegida en un teclado virtual, sin la necesidad de mirar directamente la letra. Cada letra tiene su propio círculo (de fondo) que microoscila en brillo de manera diferente a los 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 se mejora adicionalmente 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 un entrenamiento, utilizó EEG para crear código Morse utilizando ondas alfa. [153] El 27 de febrero de 2013, el grupo de Miguel Nicolelis en la Universidad de Duke y el IINN-ELS conectaron los cerebros de dos ratas, lo que les permitió compartir información, en la primera interfaz directa de cerebro a cerebro de la historia . [154] [155] [156]
Gerwin Schalk informó que las señales ECoG pueden discriminar vocales y consonantes incorporadas en palabras habladas e imaginarias, lo que arroja luz sobre los mecanismos asociados con su producción y podría proporcionar una base para la comunicación basada en el cerebro utilizando el habla imaginada. [101] [157]
En 2002, Kevin Warwick recibió una serie de 100 electrodos en su sistema nervioso para conectarlo 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. [158] [159] [160] [161]
Otros investigadores lograron una comunicación de cerebro a cerebro entre participantes a distancia utilizando tecnología no invasiva adherida al cuero cabelludo de los participantes. Las palabras fueron codificadas en secuencias binarias por la entrada motora cognitiva de la persona que enviaba la información. Los fragmentos pseudoaleatorios de la información contenían las palabras codificadas "hola" ("hola" en español) y "ciao" ("adiós" en italiano) y se transmitían de mente a mente. [162]
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 se conoce como neuroelectrónica o neurochips . [163]
El desarrollo del primer neurochip fue reivindicado por un equipo de Caltech dirigido por Jerome Pine y Michael Maher en 1997. [164] El chip de Caltech tenía espacio para 16 neuronas.
En 2003, un equipo dirigido 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 más estructurada y más estudiada del cerebro. Su función es codificar experiencias para almacenarlas como recuerdos a largo plazo en otras partes del cerebro. [165]
En 2004, Thomas DeMarse, de la Universidad de Florida, utilizó un cultivo de 25.000 neuronas extraídas del cerebro de una rata para pilotar un simulador de avión de combate F-22 . Tras la recogida, las neuronas corticales se cultivaron en una placa de Petri y se reconectaron para formar una red neuronal viva. Las células 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. [166]
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. [167] [168] [169] Se solicitó una patente en 2012. [170] [171] [172] El primer artículo de Stoica sobre el tema apareció en 2012, después de la publicación de su solicitud de patente. [173]
Las BCI plantean cuestiones éticas, como la privacidad, la autonomía, el consentimiento y las consecuencias de fusionar la cognición humana con dispositivos externos. El análisis de estas consideraciones éticas pone de relieve la compleja interacción entre el avance de la tecnología y la preservación de los derechos y valores humanos fundamentales. Las preocupaciones pueden clasificarse en general en cuestiones centradas en el usuario y cuestiones jurídicas y sociales.
Las preocupaciones se centran en la seguridad y los efectos a largo plazo para los usuarios. Entre ellos se 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 uso indebido de aplicaciones terapéuticas, los riesgos de seguridad y la naturaleza irreversible de algunos cambios inducidos por la BCI. Además, surgen preguntas sobre el acceso al mantenimiento, la reparación y las piezas de repuesto, en particular en caso de quiebra de una empresa. [174]
Los aspectos legales y sociales de las BCI complican su adopción generalizada. Entre las preocupaciones se encuentran cuestiones de rendición de cuentas y responsabilidad, como las afirmaciones de que la influencia de las BCI prevalece sobre 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 difuminación de la línea entre lo humano y la máquina. [175] Otras preocupaciones se refieren al uso de las BCI en técnicas avanzadas de interrogatorio, el acceso no autorizado ("piratería cerebral"), [176] la estratificación social a través de la mejora selectiva, cuestiones de privacidad relacionadas con la lectura de la mente, los sistemas de seguimiento y "etiquetado", y el potencial para el control de la mente, el movimiento y las emociones. [177] Los investigadores también han teorizado que las BCI podrían exacerbar las desigualdades sociales existentes.
En su forma actual, la mayoría de las BCI son más parecidas a terapias correctivas que abordan pocos de esos problemas éticos. 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 estos son conceptualmente similares a los que los bioeticistas han abordado para otros ámbitos de la terapia". [178] Haselager y colegas destacaron la importancia de gestionar las expectativas y el valor. [179] Los protocolos estándar pueden garantizar procedimientos de consentimiento informado éticamente sólidos para pacientes en estado de aislamiento.
La evolución de las BCI refleja la de la ciencia farmacéutica, que comenzó como un medio para abordar deficiencias y ahora mejora la concentración y reduce la necesidad de dormir. A medida que las BCI progresan de terapias a mejoras, la comunidad de BCI está trabajando para crear consenso sobre pautas éticas para la investigación, el desarrollo y la difusión. [180] [181] Garantizar un acceso equitativo a las BCI será crucial para prevenir desigualdades generacionales que podrían obstaculizar el derecho al florecimiento humano.
Varias empresas están desarrollando BCI de bajo coste 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. [198] Una publicación de 2015 describe este proyecto, así como la Brain-Computer Interface Society. [199] Revisó el trabajo dentro de este proyecto que definió con más detalle las BCI y las aplicaciones, exploró las tendencias recientes, analizó cuestiones éticas y evaluó las direcciones para nuevas BCI.
Otras publicaciones recientes también han explorado las futuras direcciones de la BCI para nuevos grupos de usuarios discapacitados. [10] [200]
Algunas personas padecen un trastorno de la conciencia (TOC). Este estado se define como personas en coma y en estado vegetativo (EV) o estado de conciencia mínima (ECM). La investigación sobre el TCC busca abordar el TCC. Un objetivo inicial clave es identificar a los pacientes que pueden realizar tareas cognitivas básicas, lo que cambiaría su diagnóstico y les permitiría tomar decisiones importantes (como si buscar terapia, dónde vivir y sus opiniones sobre las decisiones al final de la vida que los conciernen). Los pacientes que reciben un diagnóstico incorrecto pueden morir como resultado de las decisiones al final de la vida tomadas por otros. La perspectiva de utilizar el TCC para comunicarse con estos pacientes es una perspectiva tentadora. [201] [202]
Muchos de estos pacientes no pueden utilizar BCI basados 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 del cuerpo que responden. Otro desafío es que los pacientes pueden ser capaces de comunicarse solo en intervalos impredecibles. Los dispositivos domésticos pueden permitir las 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 EE. UU.?" 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. [203] [204] [205]
Las personas pueden perder parte de su capacidad de movimiento debido a muchas causas, como un accidente cerebrovascular o una lesión. La investigación en los últimos años ha 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. [206] [207] [208] [209] Varios grupos han explorado sistemas y métodos para la recuperación motora que incluyen BCI. [210] [211] [212] [213] En este enfoque, una BCI mide la actividad motora mientras el paciente imagina o intenta movimientos según las indicaciones de un terapeuta. La BCI puede proporcionar dos beneficios: (1) si la BCI indica que un paciente no está imaginando un movimiento correctamente (incumplimiento), entonces la 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 la imaginería de movimiento correcta 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 fMRI para estudiar diferentes cambios en el cerebro a medida que las personas se someten a un entrenamiento de rehabilitación de ACV basado en BCI. [214] [215] [216] Los estudios de imágenes combinados con sistemas BCI basados en EEG son prometedores para investigar la neuroplasticidad durante la recuperación motora después de un ACV. [216] Los sistemas futuros podrían incluir fMRI y otras medidas para el control en tiempo real, como el infrarrojo cercano funcional, probablemente en tándem con EEG. La estimulación cerebral no invasiva también se ha explorado en combinación con BCI para la recuperación motora. [217] 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 traduciendo la actividad cerebral. [218] [219] [220]
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 la medicación . [221] Durante este procedimiento, se colocan electrodos en el cerebro para identificar con precisión la ubicación de las estructuras y las 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 obligar a realizar una neurocirugía adicional. [ cita requerida ]
Los investigadores exploraron formas de mejorar el mapeo neuroquirúrgico. Este trabajo se centra principalmente en la actividad gamma alta, que es difícil de detectar de forma no invasiva. Los resultados mejoraron los métodos para identificar áreas funcionales clave. [222]
Los dispositivos electrónicos flexibles son polímeros u otros materiales flexibles (por ejemplo , seda , [223] pentaceno , PDMS , parileno , poliimida [224] ) impresos con circuitos ; la flexibilidad permite que los dispositivos electrónicos se doblen. Las técnicas de fabricación utilizadas para crear estos dispositivos se asemejan a las utilizadas para crear circuitos integrados y sistemas microelectromecánicos (MEMS). [ cita requerida ]
Las interfaces neuronales flexibles pueden minimizar el traumatismo del tejido cerebral relacionado con el desajuste mecánico entre el electrodo y el tejido. [225]
El polvo neuronal son dispositivos de tamaño milimétrico que funcionan como sensores nerviosos alimentados de forma inalámbrica y que fueron propuestos en un artículo de 2011 del Centro de Investigación Inalámbrica de la Universidad de California, Berkeley . [226] [227] En un modelo, los potenciales de campo locales podrían distinguirse de los "picos" de potenciales de acción , lo que ofrecería datos muy diversificados en comparación con las técnicas convencionales. [226]
La BCI basada 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.
