¿Cómo funcionan las actuales interfaces cerebro-computadora?

Sjoerd hizo un buen trabajo al resumir las BCI basadas en EEG. Hablaré sobre BCI basados ​​en electrodos implantados. Supongamos que queremos controlar un cursor en una computadora.

Fondo

Primero necesitamos un poco de neurobiología. Las neuronas (células cerebrales) se comunican entre sí mediante potenciales de acción (también llamados “picos”). Estos son los cuantos de la comunicación neuronal. Los potenciales de acción son breves desviaciones del potencial de membrana de la célula (voltaje interno menos voltaje externo) de su voltaje de reposo, y se propagan a lo largo de los axones de las neuronas, filamentos largos que llegan a otras neuronas. La señalización neural tiene mucho más, pero para los BCI de electrodos implantados esto es todo lo que necesitamos.

Electrodos

Para espiar los cálculos del cerebro en la corteza (capa externa, la materia gris del cerebro), típicamente implantamos electrodos finos (40 um a 200 um de diámetro, tal vez más, dependiendo del tipo) en la corteza. Para BCI, estos electrodos vienen en matrices y suelen tener una longitud de 1 mm (aunque algunos laboratorios alcanzan hasta 2,5 mm). Estos electrodos captan los potenciales de acción que ocurren cerca (<50 um típicamente) de su sitio de grabación, que generalmente es la punta sin aislar. Actualmente es popular la matriz de Utah, que tiene 96 electrodos en un chip de aproximadamente 4 por 4 mm, fabricados de silicio. Para el control del cursor, lo más probable es que coloquemos la matriz de electrodos en las regiones de brazo y mano de M1 (y tal vez también en otros lugares).

Grabación

Las señales de los electrodos se amplifican típicamente alrededor de 10.000x. Esto se hace en varias etapas. Hay un amplificador “headstage” que está cerca del conjunto de electrodos. Esta etapa amplifica 1-10x y también filtra de paso alto. La amplificación de la segunda etapa es mucho más grande, 1000x o más. En esta etapa, también hay filtrado de paso de banda (algo así como 400 – 4000 Hz). Luego, las señales se digitalizan a una resolución temporal de 30Khz o 40Khz. El hardware más nuevo digitaliza en el escenario principal.

Clasificación de espigas

Cuando se mide contra un electrodo de referencia (que está lejos de los electrodos de grabación), un potencial de acción aparece como un pico distintivo en el gráfico de voltaje versus tiempo. En circunstancias ideales , pueden discriminarse de manera bastante limpia utilizando un umbral de voltaje. El potencial de acción que ocurre en diferentes neuronas cerca del sitio de grabación de un electrodo será captado por el electrodo. Tradicionalmente, estos picos deben clasificarse, es decir, atribuirse a diferentes neuronas. Esto se hace mirando la forma de la espiga. Las neuronas con diferente morfología tienden a tener diferentes formas de espiga, y las neuronas a diferentes distancias de la punta del electrodo tendrán diferentes amplitudes de espiga. La clasificación de picos generalmente se realiza mediante la coincidencia de plantillas u otro algoritmo de clasificación, como MAP en un GMM. Una vez que hemos hecho la clasificación de espigas, tenemos marcas de tiempo de potenciales de acción de cada neurona en cada electrodo. Todo esto es típico, algunos laboratorios utilizan diferentes enfoques y la investigación está en curso.

Descodificación

El último paso es convertir estas marcas de tiempo de pico en salidas BCI. Este paso generalmente se llama “decodificación” porque las acciones de las neuronas “codifican” comandos motores. El enfoque típico implica contar el número de picos que ocurren en ventanas de tiempo cortas y no superpuestas ( binning ) para obtener una estimación de la tasa de disparo instantáneo. Estas ventanas de tiempo son de 30ms a 100ms de ancho, dependiendo del grupo de investigación. Luego, este recuento de picos agrupados se entrega a algún algoritmo de procesamiento de señal como entrada. Los primeros trabajos utilizaron filtros lineales FIR (filtro Wiener discreto) para decodificar los recuentos de espigas en la velocidad del cursor. Los coeficientes del filtro se ajustan utilizando datos de entrenamiento (y existen varios paradigmas de cómo obtener datos de entrenamiento). Algunos grupos usan algoritmos que surgieron de modelos neurofisiológicos de codificación neural (el algoritmo del vector de población), y otros han usado redes neuronales artificiales. Más recientemente (desde aproximadamente 2007), el algoritmo dominante es el filtro de Kalman, y este algoritmo (con algunas modificaciones a los modelos que usa) todavía se considera el estado del arte. Otros algoritmos notables que se han utilizado para BCI corticales son la media móvil autorregresiva del núcleo y el filtrado bayesiano recursivo de proceso puntual.