MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
El artículo presenta MtReNIRS, un modelo fundacional de aprendizaje autosupervisado preentrenado en 12 conjuntos de datos diversos de fNIRS que aprende representaciones neurovasculares generalizables mediante el mapeo de montajes heterogéneos a una referencia anatómica compartida, logrando así un rendimiento superior entre sujetos y una calibración de pocos disparos (few-shot) en comparación con los métodos existentes.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El cerebro humano es un motor complejo, y los científicos han buscado durante mucho tiempo formas de escuchar sus pensamientos sin abrir el cráneo. Una herramienta prometedora para esto es la espectroscopia funcional de infrarrojo cercano, o fNIRS. A diferencia de las máquinas voluminosas y estacionarias utilizadas en los hospitales, la fNIRS utiliza una gorra portátil equipada con sensores de luz. Estos sensores proyectan luz infrarroja cercana a través del cuero cabelludo y miden cuánto es absorbida por la sangre que fluye debajo. Debido a que las células cerebrales activas requieren más oxígeno, el flujo sanguíneo cambia en patrones específicos cuando una persona piensa, se mueve o siente algo. Al rastrear estos cambios, los investigadores pueden ver qué partes del cerebro están trabajando. Sin embargo, convertir estas lecturas de luz en una imagen clara de la actividad cerebral ha sido difícil. Cada laboratorio de investigación utiliza gorras diferentes, con sensores colocados en distintos puntos, y las señales que capturan suelen ser desordenadas y únicas para la persona que las lleva. Esto ha dificultado la creación de un único programa informático que pueda entender las señales cerebrales de cualquier persona, en cualquier lugar, utilizando cualquier dispositivo.
Un equipo de investigadores ha dado ahora un paso significativo hacia la resolución de este problema mediante la creación de un nuevo tipo de modelo de inteligencia artificial llamado MtReNIRS. En lugar de enseñar a una computadora a reconocer la actividad cerebral de una sola persona o de un experimento específico, la entrenaron con una colección masiva de datos recopilados de doce estudios diferentes. Este conjunto de datos incluyó grabaciones de 268 personas distintas, sumando más de 567 horas de actividad cerebral. Los datos cubrieron una gran variedad de tareas, desde resolver problemas matemáticos hasta escuchar el habla y mover las manos. El desafío era que estas grabaciones no eran uniformes; algunas utilizaban gorras con muchos sensores, otras con pocos, y los sensores estaban dispuestos en diferentes patrones sobre la cabeza. Para dar sentido a este caos, los investigadores desarrollaron un método para traducir cada disposición única de sensores en un mapa común del cerebro. Trataron el cerebro como una cuadrícula estándar, haciendo coincidir los sensores de cada gorra diferente con las mismas ubicaciones correspondientes en este mapa compartido. Esto permitió que la computadora aprendiera que una señal que proviene de la "parte frontal" del cerebro significa lo mismo, independientemente de qué gorra o dispositivo específico capturó la señal.
El modelo en sí funciona aprendiendo a rellenar los huecos. Los investigadores mostraron a la computadora miles de clips cortos de actividad cerebral, pero ocultaron deliberadamente pequeños fragmentos de los datos, pidiéndole al modelo que adivinara qué faltaba basándose en la información circundante. Este proceso, conocido como aprendizaje autosupervisado, obligó a la computadora a comprender las reglas subyacentes de cómo fluye la sangre en el cerebro, en lugar de simplemente memorizar respuestas específicas. Debido a que el modelo fue entrenado en un conjunto tan diverso de personas y tareas, aprendió una comprensión general de cómo funciona el cerebro. Cuando los investigadores probaron este modelo con personas nuevas que nunca había visto, funcionó tan bien como, o incluso mejor que, los métodos tradicionales que requieren un entrenamiento extensivo para cada individuo. El modelo demostró ser particularmente poderoso cuando solo se disponía de una mínima cantidad de datos nuevos. En situaciones en las que un usuario solo podía proporcionar unos pocos ejemplos de su propia actividad cerebral, el modelo se adaptaba de forma rápida y precisa, superando a los sistemas de vanguardia anteriores.
El estudio también reveló que la forma en que los sensores se mapeaban al cerebro era crucial. Cuando los investigadores probaron una versión del modelo donde las ubicaciones de los sensores estaban desordenadas, su capacidad para comprender a nuevas personas disminuyó significamente. Esto confirmó que el modelo no solo estaba aprendiendo la forma de las ondas, sino que realmente estaba aprendiendo la relación entre la ubicación física de los sensores y las regiones cerebrales que monitoreaban. Además, el modelo siguió siendo efectivo incluso cuando se reducía el número de sensores, lo que sugiere que podría funcionar con dispositivos portátiles más simples y cómodos en el futuro. Si bien los investigadores señalaron que el modelo aún enfrenta desafíos con las diferencias naturales entre individuos, como las variaciones en el grosor del cráneo o los patrones de los vasos sanguíneos, su trabajo demuestra que un sistema único y flexible puede aprender a leer el lenguaje del cerebro a través de diferentes personas y dispositivos. Este enfoque ofrece un camino escalable hacia interfaces cerebro-computadora más accesibles, donde la tecnología pueda adaptarse al usuario en lugar de forzar al usuario a adaptarse a la tecnología.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.