Exploración de una tarea control para una Interface Cerebro-Computadora utilizando un movimiento imaginario intuitivo

Abstract

Resumen La actividad eléctrica cerebral refleja cómo nuestro cerebro procesa la información y se adapta dinámicamente a su entorno. Es por ello que el estudio y comprensión de los cambios que acontecen en el electroencefalograma (EEG), pauta la posibilidad de controlar medios electrónicos a distancia, lo que sería de gran ayuda especialmente en casos de limitación motora. En este contexto, el desarrollo exitoso de Interfaces-Cerebro-Computadora (ICC) basadas en el EEG empleando Movimientos Imaginarios (MI), dependería del adecuado diseño de tareas voluntarias para interactuar y controlar un dispositivo, así como de identificar satisfactoriamente –vía algoritmos ad hoc- los cambios del EEG que sustentan los MI. Siguiendo este concepto, la mayoría de los estudios precedentes se enfocan en el procesamiento de la señal cerebral relacionada a modelos de entrenamiento típicos basados en una tarea control del MI, para luego migrar al escenario real, obteniendo un usualmente bajo desempeño de clasificación, e incluso una alta tasa de individuos que no logran satisfacer los cambios esperados con el entrenamiento. Una de causa posible causas de este resultado radica en que el entrenamiento genera patrones de actividad poco intuitivos, que pierden parte de su efecto reconocible cuando cambia el ambiente. Otra es que los parámetros neurofisiológicos que tratan de identificar los algoritmos no son los ideales. Por todo ello proponemos y estudiamos un modelo de entrenamiento intuitivo para una ICC basada en EEG y MI, en el que se comparan los resultados en desempeño y respuestas neurofisiológicas relacionadas al MI en una banda estándar para MI (mu) y una banda ajustada al individuo fijado a partir de su frecuencia individual de alfa. Los resultados obtenidos demuestran que el modelo de entrenamiento intuitivo logra inducir los efectos neurofisiológicos esperables por MI. Aunque al comparar las bandas no encontramos diferencias significativas en términos de clasificación, las respuestas de (de) sincronización neural relacionadas al MI sí las originaron, por lo que se asume este modelo como exitoso, lo que sugiere la necesidad de profundizar su estudio en el futuro.