EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

El cerebro humano es un flujo constante de actividad eléctrica, una compleja sinfonía de señales que cambia y se transforma en milisegundos. Durante décadas, los científicos que intentaban construir máquinas capaces de leer estas señales se han enfrentado a un problema difícil: los datos brutos son abrumadores. Es un caos de información proveniente de miles de sensores colocados en el cuero cabelludo, lo que dificulta encontrar los patrones específicos que corresponden a los pensamientos o intenciones de una persona. Para resolver esto, los investigadores han comenzado a observar la actividad cerebral no como un flujo continuo y desordenado, sino como una serie de instantáneas distintas y estables. Estas instantáneas, conocidas como microestados, representan momentos breves en los que el cerebro se establece en una disposición espacial específica de actividad antes de cambiar rápidamente a la siguiente. Piense en estos microestados como los bloques fundamentales del pensamiento, las unidades básicas que se combinan para formar nuestros procesos mentales internos. Si los científicos logran aprender a reconocer y rastrear la secuencia de estos bloques de construcción, podrían ser capaces de crear una forma más simple y fiable para que las personas se comuniquen con las computadoras utilizando únicamente sus mentes.

Un estudio reciente se propuso probar si estas secuencias de instantáneas cerebrales podrían servir como el detonante de una interfaz cerebro-computadora, un dispositivo que traduce la actividad neuronal en comandos. Los investigadores se centraron en una tarea mental específica: imaginar el movimiento de la mano izquierda o de la derecha. Este es un ejercicio común en la investigación de cerebro-computadora porque el cerebro se ilumina en diferentes áreas dependiendo de qué mano esté pensando la persona que mover. En lugar de analizar directamente las señales eléctricas brutas, el equipo convirtió primero los datos en estas secas de microestados. Luego, introdujeron esta información simplificada en un sofisticado modelo informático diseñado para aprender patrones. Este modelo se construyó en dos partes: una sección que aprendía a reconstruir los patrones cerebrales a partir de los datos, y otra que aprendía a clasificarlos en categorías. Los investigadores probaron dos formas de enseñar este modelo. En el primer método, entrenaron las dos secciones por separado, como enseñar a un estudiante a leer antes de enseñarle a escribir. En el segundo método, entrenaron todo el sistema a la vez, permitiendo que las partes aprendieran entre sí simultáneamente.

Los resultados demostraron que este enfoque funcionó de manera notable. El modelo informático aprendió con éxito a distinguir entre los patrones cerebrales asociados con la imaginación de la mano izquierda y los asociados con la de la mano derecha. Al realizar las pruebas en la misma persona durante la misma sesión, el sistema pudo identificar el movimiento pretendido con una alta precisión. Más importante aún, los investigadores descubrieron que el sistema podía adaptarse a nuevas situaciones sin empezar desde cero. Mediante el uso de una técnica llamada aprendizaje por transferencia (transfer learning), que permite a un modelo aplicar lo aprendido en un contexto a uno nuevo, el sistema alcanzó precisiones de clasificación máximas de alrededor del 89 por ciento al pasar entre diferentes sesiones o incluso entre diferentes personas. Esto sugiere que la secuencia específica de estados cerebrales es una señal robusta que no desaparece cuando las condiciones de prueba cambian.

Quizás el hallazgo más práctico se refiere al tiempo requerido para configurar tal sistema. Un obstosáculo importante para las interfaces cerebro-computadora ha sido el prolongado proceso de calibración, donde un usuario debe sentarse y entrenar a la máquina para que comprenda sus señales cerebrales específicas durante horas. El estudio investigó cuántos datos de entrenamiento eran necesarios para alcanzar un nivel de rendimiento útil. Descubrieron que, en promedio, solo se necesitaron unos 400 segundos de datos para calibrar el sistema a una precisión del 80 por ciento. Esto representa una reducción significativa en el tiempo que un usuario debe dedicar a preparar el dispositivo. El estudio concluye que, al reducir las complejas señales eléctricas multicanal del cerebro a un número distinto de estados a lo largo del tiempo, y luego aplicar métodos de aprendizaje avanzados a esos estados, es posible crear una interfaz más fácil de usar. Aunque el trabajo aún se encuentra en fase de investigación, los hallazgos sugieren que el seguimiento de estas trayectorias cerebrales ofrece un camino prometedor hacia interfaces cerebro-computadora que requieran menos configuración y funcionen de manera más fiable en aplicaciones del mundo real.