Dual-Mechanism Benefits of Mixed Reality in Motor Imagery BCIs: Simultaneous Signal Enhancement and Fatigue Mitigation

Resumen Técnico: Beneficios de Mecanismo Dual de la Realidad Mixta en BCIs de Imaginación Motora

Planteamiento del Problema
Las Interfaces Cerebro-Computadora (BCI) de Imaginación Motora (MI) poseen una promesa significativa para la neurorrehabilitación y las tecnologías de asistencia, pero enfrentan barreras críticas para su despliegue práctico. Estas limitaciones incluyen la degradación de la calidad de la señal debido a bajas relaciones señal-ruido (SNR) y una débil desincronización relacionada con eventos (ERD), así como la caída del rendimiento causada por la fatiga del usuario durante sesiones prolongadas. Los paradigmas convencionales en 2D (por ejemplo, flechas en pantalla) a menudo carecen de validez ecológica, al no lograr provocar una fuerte encarnación (embodiment) o resonancia motora, particularmente en poblaciones clínicas. Si bien investigaciones previas han demostrado que la Realidad Mixta (XR) puede mejorar la calidad de la señal en sesiones cortas, existe una falta de análisis sistemático sobre cómo la XR afecta los marcadores espectrales relacionados con la fatiga y los umbrales de rendimiento durante periodos extendidos.

Metodología
El estudio empleó un diseño experimental intrasujeto que involucró a 14 participantes sanos, diestros (edad 23–34 años). Cada participante completó dos condiciones:

1. Condición Convencional 2D: Estímulos de MI (flechas izquierda/derecha) visualizados en un monitor LCD de 24 pulgadas.
2. Condición de Realidad Mixta (XR): Estímulos de MI presentados a través de un Microsoft HoloLens 2, con manos holográficas realizando gestos de agarre anclados espacialmente a 0.8 m frente al usuario.

Protocolo Experimental:

• Tarea: Los participantes realizaron tareas de imaginación motora de la mano izquierda y derecha.
• Duración: Cada condición consistió en 50 ensayos por clase (100 ensayos en total), sumando 200 ensayos por participante. Este protocolo extendido (aprox. 30 minutos) fue diseñado para capturar la dinámica temporal de la fatiga.
• Adquisición de Datos: Las señales de EEG se registraron utilizando un sistema OpenBCI Cyton+Daisy de 16 canales (frecuencia de muestreo de 250 Hz), centrándose en las regiones sensorimotoras (C3, C4, Cz) y fronto-parietales.
• Preprocesamiento: Las señales fueron sometidas a filtrado de paso de banda (1–40 Hz), rechazo de artefactos (amplitud e ICA para artefactos oculares/cardíacos), Referenciación de Promedio Común (CAR) y corrección de línea base.
• Análisis:
  • Calidad de la Señal: Evaluada mediante SNR, potencia Mu y ERD de Alfa/Beta.
  • Clasificación: Se entrenó una Máquina de Vectores de Soporte (SVM) lineal con los primeros 70 ensayos y se probó con los últimos 30 para simular la degradación del rendimiento en el mundo real.
  • Métricas de Fatiga: Se introdujeron dos biomarcadores novedosos:
    • Relación Theta/Alfa (TAR): Calculada en electrodos frontales para evaluar la carga cognitiva/fatiga.
    • Índice de Declive de Beta (BDI): Calculado en electrodos motores para evaluar la fatiga de la corteza motora.
  • Detección de Umbrales: Algoritmos de detección de puntos de cambio identificaron el número de ensayo específico donde el rendimiento o las características espectrales se deterioraron significativamente.

Contribuciones Clave

1. Protocolo Experimental Extendido: Un conjunto de datos robusto que comprende 14 participantes y 2,800 ensayos totales (100 ensayos/condición), permitiendo un fuerte poder estadístico para el análisis de fatiga intrasujeto.
2. Marco de Evaluación de Fatiga Novedoso: Introducción de índices neurofisiológicos cuantitativos (TAR y BDI) para rastrear la evolución de la fatiga cognitiva y motora ensayo por ensayo, yendo más allá de los cuestionarios subjetivos.
3. Cuantificación del Umbral de Fatiga: Identificación estadística del "punto de ruptura" donde el rendimiento se degrada, demostrando que la XR retrasa significativamente este umbral en comparación con el 2D.
4. Modelado de Regresión Multivariante: Un modelo que vincula los cambios neurofisiológicos (profundidad de la ERD de Alfa y reducción de TAR) con la precisión sostenida, explicando el 78% de la varianza.
5. Ciencia Abierta: Lanzamiento público del conjunto completo de datos de EEG, flujos de trabajo de preprocesamiento, modelos de detección de fatiga y un simulador de datos biológicamente plausible para facilitar la investigación reproducible.

Resultados
El estudio demuestra que la XR actúa mediante un enfoque de "mecanismo dual", mejorando simultáneamente la calidad de la señal y mitigando la fatiga:

• Mejora de la Señal:

  • SNR: Mejoró en +1.22 dB (p < 0.001, Cohen's d = 1.05).
  • ERD de Alfa: Se profundizó significativamente de −75.2% (2D) a −85.6% (XR) (p < 0.001, d = 1.37).
  • Precisión de Clasificación: Aumentó de 72.4% ± 6.8% (2D) a 84.3% ± 5.1% (XR) (p < 0.001, d = 1.97). Los 14 participantes mostraron una mejora.
  • Tasa de Artefactos: Se redujo en 3.6 puntos porcentuales en la condición de XR.

• Mitigación de la Fatiga:

  • Fatiga Cognitiva (Theta): En la condición 2D, la potencia de theta frontal aumentó un +23.4% durante la sesión, indicando una creciente carga cognitiva. En XR, la potencia de theta se mantuvo estable (+4.2%, no significativo).
  • Fatiga Motora (Beta): En la condición 2D, la potencia de beta de la corteza motora disminuyó un −18.7%, reflejando fatiga motora. En XR, el declive fue mínimo (−6.1%, no significativo).
  • Umbral de Fatiga: El punto en el que el rendimiento o los marcadores espectrales se degradaron significativamente ocurrió en el ensayo 41.4 (2D) frente al ensayo 66.5 (XR). Esto representa un retraso de aproximadamente 25 ensayos (aprox. 8 minutos), extendiendo el tiempo de sesión utilizable en un 61%.

• Modelado Predictivo:

  • La regresión multivariante reveló que la profundidad de la ERD de Alfa (β = 0.52) y la reducción de la elevación de TAR (β = −0.38) fueron predictores significativos de la precisión sostenida, explicando colectivamente el 78% de la varianza.

Significancia y Reivindicaciones
El artículo sostiene que la Realidad Mixta no es meramente una herramienta para la mejora inicial de la señal, sino una estrategia crítica para la mitigación de la fatiga en sesiones de BCI extendidas. Al proporcionar retroalimentación inmersiva y encarnada (manos holográficas), la XR parece fortalecer la activación de la corteza sensorimotora (mejorando la ERD) al tiempo que mantiene el compromiso del usuario y reduce la carga cognitiva/motora que típicamente conduce al declive del rendimiento.

Los autores postulan que los biomarcadores de fatiga introducidos (TAR y BDI) ofrecen una vía para desarrollar BCIs adaptativos. Tales sistemas podrían detectar automáticamente cuándo un usuario se acerca a su umbral de fatiga e intervenir (por ejemplo, activando descansos o ajustando la dificultad de la tarea) para mantener un rendimiento óptimo. El estudio sugiere que estos hallazgos tienen una relevancia traslacional directa para la neurorrehabilitación clínica (por ejemplo, recuperación de accidentes cerebrovasculares) y las tecnologías de asistencia para la parálisis, donde la operación confiable y sostenida es esencial. Sin embargo, los autores señalan explícitamente las limitaciones, incluyendo el uso de participantes sanos y un diseño de sesión única, llamando a una futura validación en poblaciones clínicas y estudios de entrenamiento a largo plazo.