Cómo funciona este código es un misterio. Hasta ahora, los neurólogos han podido registrar cómo viajan estas señales por las neuronas; pero entenderlas es mucho más difícil. De momento, existen varios algoritmos capaces de decodificar algunas de estas señales, pero su eficiencia es irregular. Por lo tanto, es necesario encontrar otra estrategia para descifrarlas.
nEl investigador de la Universidad Northweste de Chicago (EEUU) Joshua Glaser y sus compañeros creen haberla encontrado. El equipo ha desarrollado una técnica mejorada basada en las últimas tecnologías de aprendizaje automático. Y afirman este descodificador supera con crecer los métodos actuales; tanto, que en el futuro debería convertirse en el método estándar para analizar las señales neuronales, sostienen.
n
Primero, algo de contexto. La información viaja a lo largo de las fibras nerviosas en forma de picos de voltaje, o potenciales de acción, que se mueven a través de esas fibras. Los neurocientíficos creen que es el patrón de esos picos el que esconde el código que encripta los datos sobre estímulos exte os, como el tacto, la vista y el sonido. Del mismo modo, el cerebro codifica información sobre el movimiento muscular de manera similar. Entender este código es un objetivo importante, ya que permitirá comprender mejor la información enviada y procesada por el cerebro, y ayudará a explicar mejor cómo este controla los músculos.
nPor otro lado, a los ingenieros les encantaría tener mejores interfaces cerebro-máquina para controlar, por ejemplo, sillas de ruedas, prótesis y videojuegos. "La decodificación es una herramienta crítica para entender cómo las señales neuronales se relacionan con el mundo exterior", dice Glaser.
nEl método del equipo es aparentemente sencillo. Los investigadores han entrenado a un grupo de monos para que muevan el cursor de la pantalla hacia un objetivo mediante una especie de ratón de ordenador. En cada prueba, el cursor y el objetivo aparecen en la pantalla en lugares aleatorios, y el mono tiene que mover el cursor horizontal y verticalmente para alcanzar la meta.
nDespués de entrenar a los animales, Glaser y sus compañeros anotaron la actividad de decenas de neuronas en las partes del cerebro que controlan el movimiento: la corteza motora primaria, la corteza premotora dorsal y la corteza somatosensorial primaria. Estas grabaciones tuvieron una duración de unos 20 minutos, cifra que indica la capacidad de atención de los monos ... y de los investigadores.
nEl trabajo del algoritmo de decodificación desarrollado consiste en determinar la distancia horizontal y vertical a la que el mono mueve el cursor en cada prueba a partir únicamente de los datos neuronales. El objetivo era determinar qué tipo de algoritmo de descodificación funciona mejor. Así que integraron los datos en una gran variedad de algoritmos convencionales y también a nuevos algoritmos de aprendizaje automático para poder compararlos.
nLos algoritmos convencionales funcionan con una técnica estadística conocida como regresión lineal. Este método se basa en estimar una curva que se ajuste a los datos y luego reducir el error asociado a ella. Esto se utiliza mucho en técnicas de decodificación neuronales como filtros de Kalman y las cascadas de Wiener. Los investigadores compararon estas técnicas más tradicionales con otra variedad de enfoques de aprendizaje automático basados en redes neuronales. Estos incluyeron una red de memoria a corto-largo plazo, una red neuronal recurrente, y una red neuronal prealimentada.
nEstas herramientas aprenden de los conjuntos de datos con los que se las alimenta; cuando mayor es el conjunto de datos, mejor aprenden. Generalmente, esto implica dividir el conjunto de datos en dos: un 80% se utiliza para entrenar el algoritmo y el otro 20% para probarlo.
nLos resultados son convincentes: Glaser y sus compañeros afirman que las técnicas de aprendizaje automático superaron significativamente los análisis convencionales. La investigación detalla: "Por ejemplo, para cada una de las tres áreas del cerebro, un descodificador de red de memoria a corto-largo plazo fue capaz de explicar más del 40% de la varianza no esclarecida de un filtro de Wiener. "Estos resultados sugieren que las técnicas mode as de aprendizaje automático deberían convertirse en la metodología estándar para la descodificación neuronal".
nNo sorprende que las técnicas de aprendizaje automático sean mucho mejores. Las redes neuronales fueron inspiradas en la arquitectura del cerebro, así que es de esperar que estas puedan modelar mejor su fucionamiento.
nSu desventaja es que generalmente necesitan grandes cantidades de datos para ser entrenadas. Aunque en este caso, los investigadores redujeron deliberadamente la cantidad de datos de entrenamiento con la que alimentaron a los algoritmos, y encontraron que, incluso así, las redes neuronales superaban a las técnicas convencionales.
nProbablemente, esto se debe a que el equipo utiliza redes más pequeñas, que se usan habitualmente para técnicas como el reconocimiento facial. Glaser detalla: "Nuestras redes tienen del orden de 100.000 parámetros, mientras que las redes comunes para la clasificación de imágenes pueden tener 100 millones", indican.
nEl trabajo abre el camino para que otros puedan basarse en este análisis. Glaser y su equipo han puesto su código a la disposición de la comunidad para que los conjuntos de datos neuronales existentes puedan volver a ser analizados de la misma manera. Pero aún hay mucho que hacer. Quizás la tarea más importante sea encontrar una manera de llevar a cabo la decodificación neuronal en tiempo real. Todo el trabajo de estos investigadores se realizó sin conexión después de que se hicieran las grabaciones, pero sería además muy útil poder aprender sobre la marcha y predecir el movimiento neuronal mientras este está sucediendo.
nEste es un enfoque poderoso con mucho potencial. Cuando el aprendizaje automático se ha aplicado en otras áreas de la ciencia, los investigadores se han topado con tesoros ocultos inesperados en los que también han podido aplicar estas técnicas mode as. Sería raro que no pase lo mismo con la decodificación neuronal.
nRef: arxiv.org/abs/1708.00909: Machine Lea ing for Neural Decoding.
n