La conexión máquina-humano

Un repaso de las interfaces cerebro-computadora

Este artículo presenta la disciplina de las interfaces cerebro-computadora (ICC), que permiten controlar dispositivos sin generar ninguna acción motora, solamente mediante la decodificación directa de las señales cerebrales del usuario. Repasaremos la situación actual de las ICC, analizaremos los componentes principales de estas interfaces y mostraremos los avances en investigación y los prototipos que ya permiten controlar una gran variedad de dispositivos, desde la comunicación mediante teclados virtuales a sistemas robóticos para sustituir funciones motoras e incluso para la rehabilitación motora tras un accidente cerebrovascular. El texto concluye con algunas ideas sobre el futuro de las ICC.

Palabras clave: interfaces cerebro-computadora, procesamiento de ondas cerebrales, aprendizaje automático, robótica, rehabilitación.

Introducción

En una interfaz cerebro-computadora (ICC), las señales neuronales registradas en el cerebro se integran en un algoritmo que las traduce para que las personas con discapacidades físicas las puedan utilizar para controlar una serie de dispositivos, como teclados virtuales (Birbaumer et al., 1999; Sellers, Ryan y Hauser, 2014; Vansteensel et al., 2016), juegos (Perdikis, Tonin, Saeedi, Schneider y Millán, 2018), brazos y manos robóticas (Collinger et al., 2013; Hochberg et al., 2012), robots móviles (Leeb et al., 2015) y sillas de ruedas (Carslon y Millán, 2013; Ron-Angevin et al., 2017). Por ejemplo, la Figura 1 muestra una silla de ruedas controlada con la mente. El usuario recibe la información de la respuesta de la prótesis mediante las vías sensoriales normales o directamente a través de estimulación cerebral, con lo que se establece un bucle de control cerrado. La tecnología de ICC ofrece una forma natural de aumentar las capacidades humanas proporcionando un nuevo medio de interacción con el mundo exterior. En este sentido, es particularmente interesante como ayuda para los pacientes con discapacidades neuromusculares severas, aunque también abre nuevas posibilidades para la interacción humano-máquina de personas sin discapacidades.

«La tecnología de las interfaces cerebro-computadora ofrece una manera natural de aumentar las capacidades humanas»

El principio central de una ICC es la capacidad de distinguir diferentes patrones de actividad cerebral asociados a intenciones o comandos mentales concretos. Por lo tanto, la adaptación es un componente clave de una ICC, puesto que, por un lado, los usuarios tienen que aprender a modular sus ondas cerebrales para generar patrones cerebrales diferentes, mientras que, por el otro, las técnicas de aprendizaje automático deberían descubrir los patrones cerebrales individuales que caracterizan las tareas mentales ejecutadas por el usuario. En esencia, una ICC es un sistema con dos aprendices que entablan un proceso de adaptación mutua (Carmena, 2013; Perdikis et al., 2018). Este proceso empieza con la selección de características discriminantes y estables –componentes cerebrales de cada usuario que maximizan la diferenciación entre comandos mentales y que, debido a la naturaleza no estacionaria de las señales cerebrales, son estables en el tiempo– para construir modelos óptimos que decodifiquen la intención del usuario. Algunos ejemplos de los componentes cerebrales específicos de cada usuario que se introducen en los decodificadores personalizados son la potencia de algunos componentes de frecuencia o la amplitud de señales filtradas pasa-banda1 en determinadas zonas del cerebro. Estas características iniciales representan los componentes cerebrales que el usuario puede modular de forma natural y aprender a controlar voluntariamente gracias a la información recibida en el entrenamiento en conexión con la ICC.

Como ejemplo de este enfoque de aprendizaje mutuo de las ICC, un estudio reciente investigó la hipótesis de que el aprendizaje mutuo es un factor crítico para lograr que las ICC puedan funcionar de manera fiable en aplicaciones fuera del laboratorio (Perdikis et al., 2018). A diferencia de la tendencia más habitual a centrarse de forma casi exclusiva en los aspectos de aprendizaje automático de las ICC, un enfoque holístico del aprendizaje mutuo basado simétricamente en los tres pilares (a nivel de máquina, sujeto y aplicación) resultó ser el sistema de entrenamiento óptimo para preparar a dos usuarios que participaron en 2016 en la carrera Cybathlon, la primera competición internacional de ICC en la que usuarios con discapacidades graves operan un dispositivo. Concretamente se entrenó a dos participantes con graves problemas derivados de lesiones medulares crónicas para controlar a su avatar en un juego de carreras virtuales con ICC. Los resultados de la competición mostraron la efectividad del aprendizaje mutuo: uno de ellos ganó la medalla de oro y los dos marcaron los tres mejores tiempos (Figura 2). Lo que es más importante, se pudieron extraer correlatos de aprendizaje a todos los niveles de la interfaz –aplicación, resultados de la ICC y neuroimagen EEG– de ambos usuarios, con una evaluación lo suficientemente larga y, además, en condiciones reales e incluso adversas como las del día de la carrera.

Cómo grabar las ondas cerebrales para las ICC

¿Qué tipo de ondas cerebrales podemos utilizar para controlar dispositivos directamente? La actividad eléctrica es la candidata natural debido a su excelente resolución temporal (se puede realizar un seguimiento de los cambios en la actividad cerebral en el rango de los milisegundos). Podemos registrar la actividad eléctrica del cerebro de forma invasiva o no invasiva (Figura 3). La primera de estas técnicas emplea una matriz de microelectrodos implantada en el cerebro para registrar la actividad de neuronas individuales –o de pequeñas poblaciones neuronales que dan lugar a potenciales de campo local–. La actividad conjunta general de las poblaciones neuronales también se puede registrar de forma invasiva mediante electrodos ubicados en la superficie del cerebro, lo que se conoce como electrocorticografía. 

Figura 1. Mediante una interfaz cerebro-computadora (ICC), los usuarios pueden conducir una silla de ruedas modulando voluntariamente sus ondas cerebrales registradas a nivel micro, meso y macroscópico (la figura muestra un ejemplo de este último, un electroencefalograma). Una ICC decodifica los patrones individuales de actividad cerebral asociados a diferentes órdenes mentales. Estas órdenes se transforman en acciones fiables y seguras de la silla de ruedas mediante técnicas de control compartido que incorporan información contextual (información externa, además del estado interno de la silla de ruedas). Esta silla de ruedas ilustra el futuro de los dispositivos inteligentes controlados con la mente que, como nuestra médula espinal y sistema musculoesquelético, trabajan conjuntamente con órdenes motoras decodificadas de la corteza cerebral del usuario. Esto alivia a los usuarios de la necesidad de proporcionar continuamente parámetros de control de bajo nivel, por lo que se reduce la carga cognitiva. / Foto: ETH Zürich / Alessandro Della Bella

Las ICC no invasivas utilizan principalmente actividad electroencefalográfica registrada mediante electrodos ubicados en el cuero cabelludo para medir la actividad sincrónica de millones de neuronas corticales. La naturaleza de las señales de los potenciales de campo local, la electrocorticografía y la electroencefalografía, es similar, pero ocurren a diferentes escalas espaciales –microscópica, mesoscópica y macroscópica, respectivamente.

«Las interfaces cerebro-computadora endógenas se adaptan naturalmente a aplicaciones como el control de dispositivos robóticos»

Los enfoques invasivos dan información muy detallada sobre las acciones planeadas de los usuarios, pero dañan el tejido cerebral y proporcionan una cobertura limitada, mientras que los procesos motores y de decisión implican grandes áreas cerebrales. Para los humanos, no obstante, los enfoques no invasivos son ideales, puesto que permiten acercar la tecnología de ICC a una gran población. La electroencefalografía también cubre grandes áreas corticales, pero sus señales tienen una resolución espacial reducida y contienen más ruido porque las mediciones se toman en el cuero cabelludo. En resumen, registrar la actividad cerebral a los tres niveles ofrece ventajas complementarias, y habría que combinar tecnologías para alcanzar la meta última de controlar neuroprótesis que puedan reproducir cualquier tipo de movimiento corporal con la misma facilidad con la que las personas sin discapacidad controlan sus miembros naturales (Millán y Carmena, 2010).

Actividades voluntarias versus potenciales evocados

Una ICC puede aprovechar dos tipos de fenómeno cerebral. Uno de ellos está relacionado con señales asociadas a la estimulación sensorial externa –como los destellos visuales o los tonos auditivos–, mientras que la otra se conecta con procesos de decisión voluntarios endógenos –como la imaginación de movimientos–. En el primer caso, el cerebro reacciona con lo que se conoce como «potenciales evocados». Uno de estos potenciales evocados es el P300 (Sellers et al., 2014), producido por un suceso infrecuente pero esperado que aparece en las áreas centroparietales a lo largo de la línea media del cuero cabelludo, independientemente de la modalidad de estimulación sensorial. Como su nombre indica, es una onda positiva que alcanza el máximo unos 300 milisegundos después de un estímulo relevante. La amplitud del P300 depende de la frecuencia del estímulo –los estímulos menos frecuentes producen mayor respuesta– y la relevancia de la tarea. En principio, los potenciales evocados son fáciles de adquirir. Sin embargo, la necesidad de estimulación externa limita seriamente la utilidad de los potenciales evocados para tareas que requieran control continuo, como ocurre en robótica.

Figura 3. La actividad eléctrica del cerebro puede registrarse de forma invasiva o no invasiva. Las interfaces cerebro-computadora no invasivas suelen utilizar la electroencefalografía, que registra la actividad sincrónica de millones de neuronas corticales mediante electrodos ubicados en el cuero cabelludo, como se puede ver en la imagen superior. Por otra parte, una de las técnicas del método invasivo es la electrocorticografía, que implica una operación quirúrgica para ubicar una serie de electrodos como los de la imagen de la derecha en la superficie del cerebro. / Forces Aèries dels Estats Units

En el caso de las ICC endógenas, los usuarios pueden modular voluntariamente la actividad cerebral en diferentes frecuencias (o ritmos). Las poblaciones de neuronas pueden formar redes complejas con bucles de retroalimentación y dar lugar a una actividad oscilatoria. En general, la frecuencia de estas oscilaciones se vuelve más lenta cuanto mayor es el tamaño del grupo de neuronas sincronizadas. Se puede registrar un ritmo particularmente relevante en la región central del cuero cabelludo, sobre la corteza sensorimotora, durante la imaginación de movimientos. Se pueden registrar correlatos de movimientos imaginarios a cualquier escala: microscópica (actividad de neuronas individuales y potenciales de campo local), mesoscópica (electrocorticografía) y macroscópica (electroencefalografía). Aparte de los diferentes niveles de resolución espacial, las señales microscópicas y mesoscópicas también tienen un ancho de banda más amplio (de hasta 300–500 Hz) que las señales macroscópicas (normalmente inferiores a los 100 Hz). Las ICC endógenas se adaptan naturalmente a aplicaciones como el control de dispositivos robóticos y la rehabilitación motora.

Las ICC en funcionamento

Los investigadores amplían las ICC, especialmente las que se basan en la electroencefalografía, mediante unos pocos principios que facilitan un control fiable de los dispositivos. El más importante es el «control compartido» o incorporación de información contextual, demostrado en una gran variedad de dispositivos como robots móviles, sillas de ruedas, robots de telepresencia, exoesqueletos montados sobre piernas, teclados virtuales y juegos. En un marco de control compartido, las respuestas de la ICC se combinan con información sobre el entorno (por ejemplo, los obstáculos percibidos por los sensores del robot en el caso de una silla de ruedas o las letras escritas en el caso de un teclado virtual) y sobre el robot en sí mismo (posición y velocidad) para estimar mejor la intención del usuario o incluso ignorar los comandos mentales en situaciones críticas (Carslon y Millán, 2013). El control compartido no solo es una solución de ingeniería eficiente; además, se basa en el hecho de que el control motor humano resulta de la actividad combinada de la corteza cerebral, las áreas subcorticales y la médula espinal. De hecho, muchos elementos de los movimientos específicos, desde manipular objetos a caminar, se gestionan principalmente en el tronco encefálico y la médula espinal, mientras que las áreas corticales proporcionan sobre todo una abstracción del comando deseado. Esta organización apoya la hipótesis de que se puede conseguir realizar tareas complejas utilizando los comandos de baja resolución de una ICC, siempre que esta se combine a un dispositivo robótico inteligente que ejecute la secuencia detallada de comandos de bajo nivel imitando a los niveles subcortical y medular del control motor humano. Como resultado, el control compartido también reduce la carga cognitiva de los usuarios.

Una silla de ruedas controlada con la mente (Carslon y Millán, 2013; Ron-Angevin et al., 2017) (Figura 1) ilustra el futuro de las neuroprótesis inteligentes: dispositivos que, como nuestra médula espinal y sistema musculoesquelético, trabajan conjuntamente con órdenes motoras decodificadas de la corteza cerebral del usuario. Los usuarios pueden conducirla de manera fiable y segura durante largos períodos de tiempo gracias a la incorporación de técnicas de control compartido. Estas alivian a los usuarios de la necesidad de proporcionar continuamente parámetros de control de bajo nivel, por lo que se reduce la carga cognitiva y se hace más fácil dividir la atención entre diferentes tareas como conducir la silla y observar el ambiente.

«Els usuaris d’una interfície cervell-computadora han d’aprendre a modular les seues ones cerebrals per a generar patrons cerebrals diferents»

Otro principio utilizado para aumentar la solidez de una ICC es decodificar (e integrar en el bucle de control neuroprostético) correlatos de los «procesos cognitivos perceptivos» del usuario, que se originan durante la evaluación de los acciones ejecutadas por el dispositivo controlado con la mente y son cruciales para la interacción volitiva. Un ejemplo importante de estos correlatos es ser consciente de los errores cometidos por la ICC al decodificar la intención del usuario (Chavarriaga, Sobolewski y Millán, 2014). La detección de estos potenciales de error (indicando cuándo percibe el usuario errores en la ICC) se puede utilizar para corregir y mejorar el rendimiento del sistema.

Otro componente que facilita el control intuitivo y natural de las neuroprótesis motoras es la incorporación de abundante retroalimentación multimodal y de correlatos neuronales de los procesos perceptivos que resultan de ella. Una retroalimentación sensorial realista necesita comunicar información táctil y propioceptiva (esto es, la posición y el movimiento) artificial de la neuroprótesis. Este tipo de información sensorial tiene potencial para mejorar de manera significativa el control de las prótesis permitiendo al usuario sentir el entorno en casos en los que los aferentes sensoriales naturales están afectados, ya sea mediante otros sentidos o estimulando el cuerpo o incluso el sistema nervioso para recuperar la sensación perdida (Raspopovic et al., 2014). Además, una abundante retroalimentación multimodal es esencial para aumentar la capacidad de maniobra del usuario y el control sobre la prótesis.

ICC para la rehabilitación motora después de un accidente cerebrovascular

Además de la sustitución motriz, en la que una ICC sortea una lesión del sistema nervioso central para controlar una neuroprótesis, la tecnología ICC también puede facilitar la rehabilitación motora (Figura 4). Esta es un área emergente de investigación y aplicaciones, especialmente tras un accidente cerebrovascular. La justificación de la rehabilitación motora basada en ICC tiene dos partes. La primera (y tal vez más pragmática) es que, al contrario que la mayoría de paradigmas de rehabilitación existentes, que necesitan cierto grado de movilidad residual, la tecnología ICC puede ayudar a pacientes de un accidente cerebrovascular incluso cuando no presentan actividad motora residual. En segundo lugar, y lo más importante, puede aumentar la neuroplasticidad para que las funciones perdidas tras el accidente cerebrovascular se puedan recodificar en las áreas corticales cercanas a la lesión.

Figura 4. La tecnología de las interfaces cerebro-computadora también puede facilitar la rehabilitación motora, especialmente después de un accidente cerebrovascular. Esta es un área emergente de investigación y aplicaciones. En la imagen, un paciente es tratado en el hospital de la Fundación Santa Lucia de Roma con técnicas de neurorehabilitación después de sufrir un ictus. / Foto: Fondazione Santa Lucia

Una ICC puede aumentar la plasticidad funcional dependiente de actividad siempre que proporcione abundante retroalimentación somatosensorial y propioceptiva contingente a la actividad motora relacionada con el intento de movimiento de una extremidad paralizada. Un estudio reciente muestra que, utilizada junto con estimulación eléctrica funcional (EEF), una ICC produce una rehabilitación motora significativa, clínicamente relevante y duradera de las funciones de manos y brazos de supervivientes de accidente cerebrovascular más efectiva que la terapia de EEF placebo (Biasiucci et al., 2018). Esta recuperación está asociada con marcas cuantitativas de neuroplasticidad funcional. Los pacientes del grupo tratado con ICC mostraban una recuperación funcional notable después de la intervención que persistía entre seis y doce meses después de finalizar la terapia. Como ejemplo, dos pacientes del grupo de ICC sufrían una parálisis completa de la mano y uno de ellos se sometió a la terapia de ICC-EEF quince años después de un accidente cerebrovascular (para un paciente de esas características, recuperar la actividad de la mano es excepcional). Ambos pacientes recuperaron la contracción muscular voluntaria, pudieron extender la muñeca y mostraron indicios de extensión de los dedos. Por el contrario, ninguno de los pacientes del grupo tratado con EEF placebo dieron muestras de recuperación.

Además, el análisis de electroencefalografías identificó diferencias significativas a favor del grupo de ICC, principalmente un incremento en la conectividad funcional entre áreas motoras del hemisferio afectado. Este incremento estaba correlacionado significativamente con la mejora funcional. En conjunto, estos resultados ilustran cómo una terapia de ICC-EEF puede producir una mejora funcional significativa y aumentar la plasticidad gracias a la activación contingente de las vías eferentes (actividad cerebral relacionada con las funciones motoras) y aferentes (retroalimentación somatosensorial y propioceptiva) naturales del paciente.

Conclusiones

La tecnología ICC actual, en particular la que se basa en electroencefalografías, permite que el cerebro opere dispositivos relativamente simples. Sin duda, esto representa un hito importante para las personas con discapacidades motoras. No obstante, la interacción cerebral fiable y natural con dispositivos más complejos sigue siendo un desafío importante. Un objetivo relacionado es demostrar el beneficio de la tecnología ICC para las personas discapacitadas fuera de condiciones de laboratorio. Hasta el momento solo se han realizado unos pocos estudios (Perdikis et al., 2018; Vansteensel et al., 2016). Paralelamente, a medida que las ICC van entrando en una fase de desarrollo más madura, es el momento idóneo para diseñar nuevas modalidades de interacción para las personas sin discapacidades. La idea no es controlar un dispositivo directamente con una ICC, sino mejorar la interacción prediciendo las acciones que realizará el usuario (o que no realizará), así como decodificar su estado cognitivo. Esto permitirá al dispositivo inteligente ayudar al usuario de la forma más conveniente hasta lograr una interacción personalizada perfecta. El uso de ICC para mejorar la conducción de automóviles es un ejemplo de esta línea de investigación (Chavarriaga et al., 2018).

«La interacción cerebral fiable y natural con dispositivos más complejos continua siendo un reto importante»

Finalmente, estos sistemas ICC futuros requerirán mejores tecnologías para registrar la actividad cerebral, tanto de forma invasiva como no invasiva. En el primer caso, una línea activa de investigación es la que corresponde al diseño de interfaces biofísicas seguras que, además, consuman poca energía y sean inalámbricas. En cuanto al segundo, algunos ejemplos de nuevas tecnologías en este campo son los electrodos secos que no necesitan gel y se pueden integrar en cascos más estéticos, además de sensores en la piel que permanecen operativos durante meses.

1 Un filtre passabanda és aquell que deixa passar un rang de freqüències electròniques determinades i impedeix el pas de la resta. El senyal resultant es coneix com a senyal passabanda.(Tornar al text)

REFERENCIAS

Biasiucci, A., Leeb, R., Iturrate, I., Perdikis, S., Al-Khodairy, A., Corbet, T. A., … Millán, J. d. R. (2018). Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke. Nature Communications, 9, 2421. doi: 10.1038/s41467-018-04673-z

Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kübler, A., … Flor, H. (1999). A spelling device for the paralysed. Nature, 398(6725), 297–298. doi: 10.1038/18581

Carslon, T., & Millán, J. d. R. (2013). Brain-controlled wheelchairs: A robotic architecture. IEEE Robotics and Automation Magazine, 20(1), 65–73. doi: 10.1109/MRA.2012.2229936

Carmena, J. M. (2013). Advances in neuroprosthetic learning and control. PLOS Biology, 11(5), e1001561. doi: 10.1371/journal.pbio.1001561

Chavarriaga, R., Sobolewski, A., & Millán, J. d. R. (2014). Errare machinale est: The use of error-related potentials in brain-machine interfaces. Frontiers in Neuroscience, 8, 208. doi: 10.3389/fnins.2014.00208

Chavarriaga, R., Ušćumlić, M., Zhang, H., Khaliliardali, Z., Aydarkhanov, R., Saeedi, S., … Millán, J. d. R. (2018). Decoding neural correlates of cognitive states to enhance driving experience. IEEE Transactions on Emerging Topics in Computational Intelligence, 2(4), 288–297. doi: 10.1109/ TETCI.2018.2848289

Collinger, J. L., Wodlinger, B., Downey, J. E., Wang, W., Tyler-Kabara, E. C., Weber, D. J., … Schwartz, A. B. (2013). High-performance neuroprosthetic control by an individual with tetraplegia. Lancet, 381, 557–564. doi: 10.1016/S0140-6736(12)61816-9

Hochberg, L. R., Bacher, D., Jarosiewicz, B., Masse N. Y., Simeral, J. D., Vogel, J., & Donoghue, J. P. (2012). Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature, 485, 372–375. doi: 10.1038/nature11076

Leeb, R., Tonin, L., Rohm, M., Desideri, L., Carlson, T., & Millán, J. d. R. (2015). Towards independence: A BCI telepresence robot for people with severe motor disabilities. Proceedings of the IEEE, 103(6), 969–982. doi: 10.1109/JPROC.2015.2419736

Millán, J. d. R., & Carmena, J. M. (2010). Invasive or noninvasive: Understanding brain-machine interface technology. IEEE Engineering in Medicine and Biology Magazine, 29(1), 16–22. doi: 10.1109/MEMB.2009.935475

Perdikis, S., Tonin, L., Saeedi, S., Schneider, C., & Millán, J. d. R. (2018). The Cybathlon BCI race: Successful longitudinal mutual learning with two tetraplegic users. PLOS Biology, 16(25), e2003787. doi: 10.1371/journal. pbio.2003787

Raspopovic, S., Capogrosso, M., Petrini, F. M., Bonizzato, M., Rigosa, J., Di Pino, G., … Micera, S. (2014). Restoring natural sensory feedback in real-time bidirectional hand prostheses. Science Translational Medicine, 6(222), 222ra19. doi: 10.1126/ scitranslmed.3006820

Ron-Angevin, R., Velasco-Álvarez, F., Fernández-Rodríguez, A., Díaz-Estrella, A., Blanca-Mena, M. J., & Vizcaíno-Martín, F. J. (2017). Brain-computer interface application: Auditory serial interface to control a two-class motor-imagery-based wheelchair. Journal of NeuroEngineering and Rehabilitation, 14(1), 49. doi: 10.1186/s12984-017-0261-y

Sellers, E. W., Ryan, D. B., & Hauser, C. K. (2014). Noninvasive brain-computer interface enables communication after brainstem stroke. Science Translational Medicine, 6(257), 257re7. doi: 10.1126/scitranslmed.3007801

Vansteensel, M. J., Pels, E. G. M., Bleichner, M. G., Branco, M. P., Denison, T., Freudenburg, Z. V., … Ramsey, N. F. (2016). Fully implanted brain-computer interface in a locked-in patient with ALS. New England Journal of Medicine, 375, 2060–2066. doi: 10.1056/NEJMoa1608085

© Mètode 2018 - 99. Interconectados - Otoño 2018
Profesor de la Cátedra Defitech en Interfaces Cerebro-Computadora (CNBI) en el Centro de Neuroprótesis de la Escuela Politécnica Federal de Lausana (Suiza). Las interfaces cerebro-computadora, las neuroprótesis y la robótica adaptativa están entre sus campos de investigación. Su trabajo actual pretende acercar las ICC y la robótica inteligente adaptativa.