Los BCIs (interfaz cerebro-computadora) tienen el potencial de restaurar la comunicación rápida para personas con parálisis al decodificar la actividad neural evocada por los movimientos de habla intentados en texto o sonido. Los primeros demostraciones, si bien prometedores, aún no han logrado la precisión suficiente para la comunicación de oraciones sin restricciones de un gran vocabulario. En este estudio, se demuestra el primer BCI de habla a texto que registra la actividad de los picos de actividad de los arreglos de microelectrodos intracorticales.
Con estos registros de alta resolución, el participante del estudio, que ya no puede hablar de manera inteligible debido a la esclerosis lateral amiotrófica (ALS), logró una tasa de error del 9,1% en un vocabulario de 50 palabras (2,7 veces menos errores que el estado anterior del arte en BCI de habla) y una tasa de error del 23,8% en un vocabulario de 125.000 palabras (la primera demostración exitosa de decodificación de gran vocabulario). Nuestro BCI decodificó el habla a 62 palabras por minuto, lo que es 3,4 veces más rápido que el récord anterior para cualquier tipo de BCI y comienza a acercarse a la velocidad de la conversación natural (160 palabras por minuto).
Finalmente, destacan dos aspectos del código neural para el habla que son alentadores para los BCIs de habla: la sintonización espacialmente intercalada con los articuladores del habla que permite una decodificación precisa a partir de solo una pequeña región del córtex, y una representación articulatoria detallada de los fonemas que persiste años después de la parálisis. Estos resultados muestran un camino factible para utilizar BCIs de habla intracorticales para restaurar la comunicación rápida para personas con parálisis que ya no pueden hablar.
Movimientos orofaciales
Los movimientos orofaciales son los movimientos de los músculos de la boca, la lengua, los labios y el rostro que se utilizan para hablar, masticar, tragar y expresar emociones. Estos movimientos involucran la coordinación y el control preciso de los músculos orofaciales y son esenciales para la comunicación oral.
Los trastornos orofaciales, como la disfemia o la disfonía, pueden afectar la capacidad de realizar estos movimientos y pueden tener un impacto significativo en la comunicación y la calidad de vida. Los tratamientos para estos trastornos pueden incluir terapia física y/o del lenguaje para mejorar la fuerza, la flexibilidad y la coordinación de los músculos orofaciales.
Rejillas electrocorticográficas
Las rejillas electrocorticográficas (ECoG) son dispositivos médicos que se utilizan para medir la actividad eléctrica del cerebro. Son similares a los electrodos utilizados en la electroencefalografía (EEG), pero se colocan directamente sobre la superficie del cerebro, en lugar de en el cuero cabelludo. La ECoG se utiliza principalmente en pacientes con lesiones cerebrales o trastornos neurológicos graves, como tumores cerebrales, epilepsia o esclerosis múltiple.
Una rejilla ECoG consta de varios electrodos, que se colocan en una malla o «rejilla», que se adapta a la superficie del cerebro. Estos electrodos miden la actividad eléctrica del cerebro en diferentes puntos, lo que permite una mayor resolución temporal y espacial que la EEG.
Una de las ventajas de las rejillas ECoG es que ofrecen una mejor precisión en la localización de la actividad cerebral en comparación con la EEG, lo que puede ser útil en la cirugía de epilepsia y en estudios de neurociencia cognitiva y motora.
Organización somatotópica
La organización somatotópica es el patrón de organización de la actividad eléctrica o neural en el cerebro que está relacionado con la representación espacial del cuerpo. En otras palabras, es la manera en que el cerebro organiza y procesa la información sensorial y motora relacionada con diferentes partes del cuerpo.
Una de las áreas más estudiadas de la organización somatotópica es el área motora primaria (área 4 en el cerebro humano), que está relacionada con el control voluntario de los movimientos musculares. En esta área, se ha encontrado que diferentes regiones del cerebro están relacionadas con diferentes partes del cuerpo, con las áreas corticales más cercanas a la superficie del cerebro estando relacionadas con los dedos y las áreas más profundas relacionadas con los músculos de la columna vertebral y las piernas.
La organización somatotópica también se encuentra en otras áreas del cerebro, como el área sensorial primaria, que está relacionada con la percepción sensorial de diferentes partes del cuerpo. En resumen la organización somatotópica es una característica del cerebro que permite la localización precisa y el procesamiento específico de la información sensorial y motora relacionada con diferentes partes del cuerpo.
Red neuronal recurrente (RNN)
Un decodificador de red neuronal recurrente (RNN) es un tipo de modelo de aprendizaje automático que se utiliza para analizar y procesar secuencias de datos. Se basa en la idea de que la información actual puede ser influenciada por la información previa en una secuencia. Esto es especialmente útil para tareas como el procesamiento del lenguaje natural, la generación de texto, la transcripción automática de audio, entre otras.
Una red neuronal recurrente esta compuesta por una serie de capas de unidades llamadas neuronas recurrentes, cada una de las cuales tiene una conexión de retroalimentación que permite que la información fluya en una dirección circular. Esto permite a la red «recordar» información de pasos previos en una secuencia y utilizarla para informar su comportamiento en pasos futuros.
Un decodificador RNN es una red neuronal recurrente utilizada para decodificar información codificada, es decir, para reconstruir la información original a partir de una representación codificada. Esto puede ser útil en una variedad de aplicaciones, como la decodificación de señales neurológicas para controlar dispositivos externos, como un brazo robótico, o para convertir audio en texto.
En general, los decodificadores RNN son muy útiles para procesar y generar secuencias de datos, ya que permiten a la red «memorizar» información a medida que procesa la secuencia, lo que permite un mejor rendimiento en tareas que requieren contexto y comprensión de la secuencia.
Percentil bootstrap
El percentil bootstrap es un método estadístico que se utiliza para estimar percentiles de una distribución de probabilidad. El método se basa en el concepto de «muestreo con reemplazo» y se utiliza para estimar la distribución de probabilidad de una variable estadística a partir de una muestra de datos.
En el percentil bootstrap, se toma una muestra de datos y se utiliza para generar un gran número de muestras adicionales mediante el proceso de muestreo con reemplazo. Cada una de estas muestras es utilizada para calcular un percentil específico de la distribución de probabilidad de la variable estadística. Al final, se tiene una gran cantidad de valores de percentil, lo que permite estimar la distribución de probabilidad de la variable estadística.
El percentil bootstrap es especialmente útil en situaciones en las que no se conoce la forma exacta de la distribución de probabilidad y se quiere estimar percentiles precisos o en situaciones en las que se tienen pocos datos y se quiere aumentar la precisión de las estimaciones. Es una forma de inferencia no paramétrica que se puede utilizar para conocer el comportamiento de una población a partir de una muestra.
Muestreo de reemplazo
El muestreo con reemplazo es una técnica estadística que se utiliza para seleccionar una muestra de datos de una población. En este método, se seleccionan uno o varios elementos de la población, se registran sus características y luego se vuelven a colocar en la población antes de seleccionar el siguiente elemento.
La idea detrás del muestreo con reemplazo es que cada elemento de la población tiene la misma posibilidad de ser seleccionado varias veces en la muestra, lo que garantiza que cada elemento tenga una representación proporcional en la muestra. Esto es en contraste con el muestreo sin reemplazo, en el que una vez seleccionado un elemento, no puede ser seleccionado de nuevo.
El muestreo con reemplazo se utiliza en una variedad de aplicaciones estadísticas, como la generación de muestras de datos para estudios de investigación, la estimación de parámetros poblacionales, la generación de muestras para realizar inferencias estadísticas, entre otras. Es importante tener en cuenta que el tamaño de la muestra y el tamaño de la población afecta al resultado de la muestra.
El muestreo con reemplazo es una forma de garantizar la representatividad de la muestra y se asegura que cada elemento tenga una oportunidad equitativa de ser seleccionado. Sin embargo, es importante tener en cuenta que esta técnica requiere un gran número de datos para obtener una representación precisa de la población.