Avances en ‘interface’ cerebro-máquina
Los enfoques basados en LSTM podrían proporcionar una mejor estrategia de algoritmo para las neuroprótesis que utilizan interfaces cerebro-máquina en el restablecimiento del movimiento neuromotor en pacientes con discapacidades graves. Foto: kjpargeter / Freepik

Una investigación, publicada en Neuronal Computation, concluye que los enfoques basados en decodificadores de memoria a corto y largo plazo, Long-Short Term Memory (LSTM), podrían proporcionar mejores algoritmos para las neuroprótesis que utilizan interface cerebro-máquina (BMC) para restablecer el movimiento en pacientes con discapacidades neuromotoras graves.

Esta es una investigación llevada a cabo por científicos de la Universidad estadounidense de Duke, en la que ha participado la española Nuria Armengol, de la Universidad Pompeu Fabra.

Los enfoques basados ​​en LSTM podrían proporcionar una mejor estrategia de algoritmo para las neuroprótesis. Imagen: UPF

Aunque a lo largo de los años se han propuesto muchos algoritmos de decodificación neuronal en tiempo real para aplicaciones de interfaz cerebro-máquina (IMC), avances recientes en algoritmos de aprendizaje profundo mejoran el diseño de los decodificadores de actividad cerebral con la participación de redes neuronales artificiales recurrentes capaces de decodificar la actividad del conjunto de neuronas en tiempo real.

Armengol explica que “para este estudio desarrollamos un decodificador de memoria a corto y largo plazo (LSTM) para extraer la cinemática del movimiento de la actividad de grandes poblaciones de neuronas (N = 134 a 402), muestreadas simultáneamente a partir de múltiples áreas corticales de monos rhesus mientras hacían tareas motoras”.

‘Interface’ cerebro-máquina en discapacidades graves

Las regiones cerebrales estudiadas incluyen áreas motoras primarias y áreas corticales somatosensoriales primarias. La capacidad del LSTM de retener información durante largos períodos de tiempo permitió una decodificación precisa para tareas que requerían movimientos y periodos de inmovilismo.

Nuestro algoritmo de LSTM superó de manera significativa el filtro de Kalman (un método analítico que permite estimar variables de estado no observables a partir de variables observables), mientras los monos hacían diferentes tareas sobre una cinta de correr (levantar un brazo, levantar los dos brazos o caminar)”, añade Armengol.

En particular, las unidades LSTM mostraron una variedad de rasgos fisiológicos bien conocidos de la actividad neuronal cortical, tales como el ajuste direccional y la dinámica neuronal durante la realización de tareas. LSTM modeló varios atributos fisiológicos clave de los circuitos corticales implicados en tareas motoras.

Estos descubrimientos sugieren que los enfoques basados en LSTM podrían proporcionar una mejor estrategia de algoritmo para las neuroprótesis que utilizan interface cerebro-máquina en el restablecimiento del movimiento neuromotor en pacientes con discapacidades graves.

Dejar respuesta

Please enter your comment!
Please enter your name here