Las interfaces cerebro-computadora suelen ser sistemas que miden la actividad neuronal y la convierten en una salida artificial. Estos sistemas han mostrado un gran potencial para el movimiento asistido en pacientes con discapacidades motoras. Las interfaces suelen funcionar dirigiendo al paciente a pensar en hacer un movimiento y permitiendo que el sistema registre repetidamente la actividad neuronal asociada con ese movimiento. A través de métodos de aprendizaje supervisados, la interfaz aprende a asociar patrones de actividad específicos con los movimientos previstos. Sin embargo, debido a que la activación básica de las neuronas puede cambiar de un día a otro según una variedad de factores, la interfaz debe volver a entrenarse al comienzo de cada sesión, un proceso que puede durar hasta dos horas.
David Friedenberg, autor principal del estudio, explica que,
después de la configuración inicial de la capacitación, “solo necesitas un par
de ejemplos para decir: 'este es el patrón básico que estoy buscando', y luego
el resto de los datos es ayudando a contrarrestar las líneas de base que
podrían estar cambiando ”. El decodificador híbrido fue capaz de mantener su
desempeño de predicción correcta de señales de movimiento con una precisión del
90 por ciento en un sujeto durante más de un año sin una capacitación
explícita.
El grupo cree que su nuevo sistema aborda muchos de los
deseos de los usuarios finales potenciales para las interfaces
cerebro-computadora, que incluyen alta precisión, configuración diaria mínima y
tiempos de respuesta rápidos. Actualmente, el equipo está buscando formas de
reducir el tamaño del sistema para que pueda tomarse fuera del laboratorio y
probarse en un entorno natural.
Aquí hay un video de Bloomberg que informa sobre la
investigación en la que puede ver cómo un paciente puede hacer cosas que pensó
que nunca volvería a hacer:
