ZARAGOZA 10 Sep. (EUROPA PRESS) -
Investigadores de la Universidad de Zaragoza y de la Escuela Politécnica Federal de Lausana (EFPL, Suiza) han creado neuroprótesis inteligentes con las que han demostrado que las máquinas pueden utilizar información directamente del cerebro humano para adaptar su comportamiento y aprender tareas nuevas.
La investigación, publicada en la revista 'Nature Scientific Reports', presenta un nuevo paradigma que permitirá el desarrollo de una nueva generación de interfaces 'cerebro-máquina', capaces de hacer que las neuroprótesis se adapten a los humanos e incluso mejoren y aprendan acciones diferentes.
Las neuroprótesis, como los brazos robóticos y los exoesqueletos para personas con problemas de movilidad, no sólo ejecutarán órdenes sino que, además, podrán mejorar y aprender nuevas tareas de acuerdo a las necesidades del paciente a lo largo de su vida.
Los interfaces cerebro-máquina (brain-machine interfaces, BMI) son una tecnología "prometedora" para mejorar la calidad de vida de miles de pacientes con problemas de movilidad, en particular aquellos que sufren parálisis, ha informado la Universidad de Zaragoza en una nota de prensa.
Este avance abre un nuevo horizonte para este tipo de pacientes, que pierden habilidades motoras, como consecuencia de accidentes cerebrovasculares, lesiones en médula espinal o enfermedades neurodenegerativas.
Los profesores de la Universidad de Zaragoza, Luis Montesano y Javier Mínguez, en colaboración con el equipo del profesor del Millán de Lausana, han desarrollado un método para superar las debilidades de las neuroprótesis actuales.
"El nuevo paradigma consiste en permitir que la neuroprótesis aprenda parte de sus movimientos y los adapte durante la interacción con el usuario utilizando información obtenida directamente del cerebro", explican los investigadores aragoneses.
COGER UN VASO DE AGUA
Antes, el paciente tenía que entrenar su cerebro para generar patrones de actividad cerebral asociados a distintos movimientos que eran ejecutados por las neuroprótesis. Pero ahora, esta nueva interfaz utiliza el potencial de error, una señal cerebral que se genera automáticamente cuando el resultado de una acción de la neuroprótesis no coincide con lo esperado por el usuario.
Se trata de un proceso natural, que no es necesario entrenar, un factor utilizado por los investigadores para que las neuroprótesis puedan aprender casi de una forma natural.
"Por ejemplo, si la neuroprótesis no consigue coger un vaso de agua que el usuario quiere beber, el potencial de error generado en el cerebro del usuario indica a la neuroprótesis que necesita cambiar o adaptar su comportamiento. De la misma forma, la máquina sabe que está cumpliendo sus objetivos cuando esta actividad no aparece", han indicado Luis Montesano y Javier Mínguez.
El cambio de paradigma más profundo radica en que el uso de esta actividad cerebral libera al usuario de la "tediosa" tarea de enseñarle a la prótesis cómo desea una tarea y de enseñarle tareas nuevas. Las consecuencias, sin embargo, van más lejos.
"Esta nueva forma de interacción entre las personas y las neuroprótesis abre la puerta a crear sistemas inteligentes que puedan aprender de forma continua en el tiempo y adaptarse a las necesidades específicas de cada usuario mejorando la eficiencia y el confort", han apuntado los investigadores.
De hecho, este tipo de sistemas permite en teoría a las neuroprótesis aprender movimientos complicados y adaptarlos a las necesidades del usuario, algo que no está al alcance de la ciencia y tecnología actual.
ENTRENAMIENTO EN 25 MINUTOS
La evaluación de este nuevo paradigma se ha realizado en dos fases. Inicialmente la neuroprótesis debe aprender los patrones específicos de los potenciales de error para el usuario. Para ello, el interfaz cerebro-máquina registra la actividad cerebral durante una tarea predefinida y la neuroprótesis utiliza esta información para aprender un detector de potenciales de error de forma automática.
Los 12 sujetos que han realizado el experimento han sido capaces de entrenar el sistema, de forma que en unos 25 minutos (300 movimientos) era capaz de diferenciar las acciones erróneas y correctas de la prótesis con una precisión del 80 por ciento.
Una vez que la prótesis es capaz de decodificar la percepción que el usuario hace de su comportamiento (en función a los potenciales de error), está en disposición de aprender nuevos movimientos. Una vez aprendidos estos movimientos se pueden almacenar para su reutilización creando un repertorio de acciones cada vez más completo y complejo.
Esta habilidad puede ser particularmente útil para personas con enfermedades neurodegenerativas, ya que les ayudaría a soportar y adaptarse a la pérdida de capacidad motora. Los investigadores esperan que este nuevo paradigma se convierta en un elemento clave de las neuroprótesis ya que permite simular un control más natural y más parecido al que realizamos los humanos.
Esta investigación ha sido realizada por los profesores Luis Montesano y Javier Mínguez, en el Instituto de Investigación en Ingeniería de Aragón (I3A) y en el Departamento de Informática e Ingeniería de Sistemas de la EINA de la Universidad de Zaragoza, en colaboración con los profesores José del R. Millán y Ricardo Chavarriaga, del Center for Neuroprosthetics and the Institute of Bio-engineering de la EPFL.
Por la Universidad de Zaragoza también ha participado el estudiante de doctorado Iñaki Iturrate, actualmente investigador post-doctoral en el Center for Neuroprosthetics de la EPFL.
