UNL Noticias

Un caso paradigmático es el de Stephen Hawking. A raíz de una enfermedad motoneuronal que lo ha dejado casi completamente paralizado, el científico británico se comunica con el mundo exterior a través de un sintetizador de voz, basado en la composición de palabras y frases mediante la contracción voluntaria de una de sus mejillas y su concentración en la pantalla del dispositivo. “Esto es posible gracias a las Interfaces Cerebro Computadora o ICC, que son dispositivos capaces de decodificar el pensamiento de una persona y transformarlo en comandos de control o de comunicación. De esta manera, las ICC establecen una nueva comunicación directa entre el cerebro humano y el mundo exterior, mejorando la calidad de vida de personas que pierden todo control motor de su cuerpo por alguna enfermedad neurológica”, explicó Victoria Peterson –bioingeniera y estudiante del Doctorado en Ingeniería, mención Inteligencia Computacional, Señales y Sistemas, que se dicta en la Facultad de Ingeniería y Ciencias Hídricas (FICH) de la Universidad Nacional del Litoral (UNL)– en relación con esta temática que surgió a partir de una colaboración con la Facultad de Ingeniería de la Universidad Nacional de Entre Ríos.

En su tesis doctoral, dirigida por Rubén Spies del Instituto de Matemática Aplicada del Litoral (IMAL) de UNL-Conicet y codirigida por Leonardo Rufiner de la FICH, Peterson está desarrollando algoritmos para optimizar esta comunicación hombre-máquina, basándose en el paradigma del “bicho raro”. Esta forma de “leer” el pensamiento es la más común y menos invasiva en el área de la neurociencia cognitiva. Consiste en la utilización de registros de electroencefalograma, los cuales contienen potenciales evocados relacionados a eventos, que se generan cuando una persona recibe estímulos externos infrecuentes o particularmente significativos (“bichos raros”), tales como una luz o un sonido.

Por su presencia, magnitud, topografía y duración, el componente principal de estas señales que emite el cerebro es la onda P300. “Supongamos que se desea comandar una silla de ruedas robótica. En una pantalla se presentan cuatro opciones: adelante, izquierda, derecha o parar, y a modo de estímulo se iluminarán al azar estas opciones. Si el sujeto desea avanzar con la silla hacia adelante, cuando dicha opción se ilumine se evocará el P300. De manera que si somos capaces de detectar esta onda, podremos predecir la intención del sujeto”, ilustró Peterson, quien desarrolla este trabajo en el ámbito del Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional (sinc(i)) de la UNL-Conicet, con sede en la FICH.

El desafío es poder detectar el P300, ya que generalmente esta señal –que aparece unos 300 milisegundos luego de la aplicación del estímulo– se encuentra enmascarada por ruidos de diferente tipo, como el generado por la actividad cerebral que no está relacionada con el evento. “De esto se trata mi tesis. Estudio el uso y la propuesta de algoritmos matemáticos y de inteligencia artificial para detectar el P300 de manera rápida y eficiente y consecuentemente ‘leer’ la mente del usuario”, insistió la investigadora.

Una búsqueda fascinante

Según Peterson, la comunicación entre el cerebro y la  computadora aún no es suficientemente rápida y confiable. Hasta el momento se ha alcanzado alrededor del 80% de efectividad para aplicaciones en las que la respuesta del sistema debe ser inmediata, lo cual evidencia que se debe continuar trabajando para “limpiar” las señales y optimizar su detección. “Si una persona está comandando una silla de ruedas a través de su pensamiento y quiere frenar, la máquina debe detectar claramente este deseo. De lo contrario, puede peligrar la vida del usuario. Por eso me fascina lo que hago, especialmente porque confío en que mi trabajo ayudará a mejorar la comunicación entre el cerebro y el mundo exterior, y con ello la calidad de vida de las personas”, subrayó la investigadora.

Los registros de electroencefalogramas se obtienen mediante el uso simultáneo de electrodos ubicados en el cuero cabelludo y de acuerdo a la zona en la que estén localizados se logra una detección positiva o negativa del P300. Por lo tanto, ¿por qué no utilizar tanto la información milisegundo a milisegundo del electroencefalograma, como la información dada por la ubicación de los electrodos?

Esta pregunta condujo a la tesis por el camino de la “representación de señales mediante diccionarios espacio-temporales”, que permite tomar decisiones a partir de un conjunto de imágenes. “Cada segundo del electroencefalograma es una imagen llena de ruido donde puede o no estar el P300. Entonces, creamos un conjunto de imágenes o diccionario que representa las posibles variaciones de la onda P300 y lo comparamos con la imagen ruidosa. Si se parecen, esa imagen será etiquetada como ‘conP300’. De lo contrario, como ‘sinP300’”, explicó.

Aquí radica lo novedoso del desarrollo. No se basa en la etapa de adquisición de la señal o en las características del dispositivo robótico que utilice la persona. La tesis se concentra en el  procesamiento y la clasificación de señales, independientemente de dónde provengan. “Si mejoramos esta instancia, estamos totalmente seguros de que el método detectará el P300 con mayor efectividad, más allá de cuán ‘fea’ sea la señal registrada en el encefalograma o que tan defectuoso sea el dispositivo robótico. Buscamos que el método sea robusto ante cualquier situación y aprenda bien a decodificar”, cerró Peterson, quien recientemente se consagró con este trabajo como una de las ganadoras de la primera edición en Argentina de la competencia internacional “Tesis en 3 Minutos”,  desarrollada por la Universidad de Queensland y organizada a nivel local por la UNL.