Resumen Técnico: Decodificación Neuronal Basada en Eventos para el Control Motor de Neuroprótesis

Declaración del Problema

Los pacientes con discapacidades, enfermedades o accidentes suelen sufrir una movilidad disminuida. Aunque las prótesis modernas impulsadas por redes neuronales profundas prometen mejorar la calidad de vida, su adopción generalizada se ve limitada por la latencia significativa, el consumo de energía y los requisitos espaciales. Las conexiones cableadas a procesadores externos restringen la movilidad del paciente, mientras que las conexiones inalámbricas limitan el volumen de transmisión de datos. Aunque las Redes Neuronales de Picos (SNN) ofrecen potencial para una comunicación comprimida y una inferencia de bajo consumo, frecuentemente rinden por debajo de los modelos de aprendizaje profundo de vanguardia en diversas aplicaciones.

El desafío específico abordado en este trabajo surge del Gran Desafío IEEE BioCAS 2025, que se centra en la decodificación neuronal de bucle cerrado. Los algoritmos deben adaptarse y funcionar en tiempo real para controlar un cursor virtual en un plano 2D (moviéndose desde un centro hacia un objetivo aleatorio). El sistema debe operar bajo estrictas restricciones de recursos adecuadas para dispositivos implantables. Además, el sistema debe permanecer robusto contra las perturbaciones de la "Pista 2": degradación crónica simulada de las grabaciones neuronales, incluyendo la pérdida de señal (sondas silenciadas) y el desajuste de sintonización (desplazamiento de la actividad).

Metodología

Arquitectura del Modelo: Unidad Recurrente de Puerta Basada en Eventos (EGRU)

Los autores proponen un método de decodificación neuronal basado en la Unidad Recurrente de Puerta Basada en Eventos (EGRU). A diferencia de las RNN estándar (como LSTM o GRU) que realizan computaciones densas en cada paso de tiempo, o las SNN estándar que pueden presentar retrasos en la precisión, la EGRU combina la expresividad de una GRU con la comunicación dispersa y dirigida por eventos de las neuronas de picos.

• Mecanismo: La EGRU genera "picos graduados". Un valor de salida disperso $y$ se deriva del estado interno de la celda $h$ mediante un mecanismo de umbralización. Los valores por encima del umbral pueden ser cualquier número de punto flotante.
• Eficiencia: El costo computacional escala con la actividad. Si solo una fracción $\alpha$ de las unidades se activa, se requiere solo $\alpha \times$ el número estándar de operaciones de Multiplicación-Acumulación (MAC) necesarias.
• Configuración: La arquitectura específica del decodificador consiste en:
  1. Una capa lineal inicial que proyecta 96 canales de entrada (simulando 96 neuronas) a un espacio de características de 4 dimensiones.
  2. Una capa EGRU con 2 neuronas (lo que resulta en una huella total de ~2K parámetros).
  3. Una cabeza de salida lineal que produce comandos de velocidad en 2D.

Estrategia de Entrenamiento

El modelo emplea una estrategia de aprendizaje de dos etapas:

1. Pre-entrenamiento de Bucle Abierto: El modelo se inicializa utilizando 5,000 trayectorias sintéticas (de 4 pasos de tiempo) muestreadas del entorno. Esta fase utiliza aprendizaje supervisado para exponer al modelo a diversos patrones de entrada y aprovechar los kernels de CUDA eficientes para una inicialización rápida.
2. Aprendizaje por Refuerzo (RL) de Bucle Cerrado: El modelo se ajusta finamente en un entorno de bucle cerrado.
   • Función de Recompensa: Una señal diferenciable basada en la distancia euclidiana al objetivo, que incorpora una recompina de completitud, un bono de tiempo y una penalización por distancia.
   • Exploración: Las acciones se extraen de una distribución gaussiana centrada en la predicción del modelo, con un ruido de exploración ($\epsilon$) que decae de 0.5 a 0 durante 600 episodios.
   • Entrenamiento de Robustez: Para simular la degradación crónica, una fracción configurable de neuronas es silenciada o sus propiedades de sintonización son reasignadas (desplazamientos de distribución) durante el entrenamiento. Estas perturbaciones se muestrean de nuevo en cada época para evitar la dependencia de patrones fijos.

Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Integración de EGRU en el Aprendizaje por Refuerzo: Esta es la primera integración de EGRU en RL para la decodificación neuronal, demostrando que las arquitecturas recurrentes basadas en eventos pueden aprender eficazmente políticas de control en entornos de bucle cerrado.
2. Diseño de Decodificador Eficiente para Dispositivos: El enfoque logra un alto rendimiento en la tarea con una huella extremadamente pequeña (solo 2 unidades EGRU, ~2K parámetros), demostrando una fuerte relación precisión-eficiencia adecuada para aplicaciones implantables.
3. Robustez ante la Degradación Crónica de la Señal Neuronal: El modelo es entrenado y evaluado bajo perturbaciones realistas (caída de señal y deriva de sintonización), mostrando resiliencia ante escenarios de fallo de electrodos.

Resultados Experimentales

Rendimiento (Pista 1: Condiciones Estándar)

• Tasa de Éxito: El modelo logró una tasa de éxito del 100% en alcanzar y mantener el objetivo en todos los modelos de neuronas probados.
• Latencia: El tiempo promedio para alcanzar el objetivo fue consistentemente inferior a 1 segundo (oscilando entre 0.87s y 0.95s dependiendo del modelo de neurona).
• Eficiencia: A pesar de su pequeño tamaño, el modelo mantuvo una alta dispersión de activación (0.001 a 0.041) y redujo significativamente las operaciones MAC efectivas en comparación con las operaciones sinápticas densas.

Robustez (Pista 2: Condiciones Perturbadas)

• Manejo de Perturbaciones: Bajo condiciones que simulan desplazamientos de distribución del 50% y una pérdida de señal del 40%, el modelo mantuvo una tasa de éxito del 100%.
• Límites de Degradación: Incluso con hasta un 80% de las sondas modificadas (silenciadas o redistribuidas), el decodificador mantuvo una alta tasa de éxito y una recompensa estable.
• Tiempo de Llegada al Objetivo: Hubo un ligero aumento en el tiempo para alcanzar el objetivo bajo perturbación severa (por ejemplo, hasta 1.12s), pero el sistema siguió siendo funcional.
• Ajuste Fino: Los autores señalan que el rendimiento puede mejorarse aún más mediante un ajuste fino dirigido en datos perturbados.

Comparación con LSTM

Al compararse con un decodificador basado en LSTM estándar con un recuento de parámetros comparable:

• Precisión: La LSTM logró un tiempo de llegada al objetivo ligeramente más rápido (0.82s frente a 0.90s para EGRU n=2).
• Eficiencia: La LSTM requirió significativamente más computaciones debido a las activaciones densas y una estructura interna más compleja. La EGRU ofreció una eficiencia energética y de dispersión superior, lo cual es crítico para el hardware implantable.

Significado y Reivindicaciones

El artículo afirma que este trabajo demuestra la viabilidad de la decodificación neuronal en el dispositivo y de bucle cerrado que equilibra las demandas contrapuestas de precisión, latencia y eficiencia energética.

• Integración de Hardware: Al procesar las señales cerca de la fuente utilizando una arquitectura basada en eventos, el sistema reduce el volumen de datos transmitidos, permitiendo una operación en tiempo real y de baja latencia, esencial para sistemas implantables que enfrentan restricciones de potencia y ancho de banda.
• Resiliencia: El enfoque demuestra que las arquitecturas recurrentes basadas en eventos pueden combinar alta precisión con eficiencia de hardware, allanando el camino para interfaces cerebro-computadora integradas que sean robustas contra la degradación crónica de la señal común en los sistemas BMI de implantación a largo plazo.
• Perspectiva Futura: Los autores declaran que el trabajo futuro se centrará en el co-diseño de hardware y la adaptación a conjuntos de datos clínicos humanos, yendo más allá de los actuales benchmarks sintéticos.