Usuario:
Modelo Conceptual
Descripción
Modelo M08 - Interfaces Cerebro-Máquina
El modelo conceptual busca comprender los mecanismos que dan origen a un comportamiento, y describirlos de la forma más simple posible. Para eso, el comportamiento se segmenta en temas (grupos): cada uno identifica los objetos o variables que participan —tanto en su funcionamiento normal como en sus posibles anomalías o desviaciones— y describe, mediante verbos, la forma en que esos objetos interactúan entre sí. El resultado es lo que llamamos una red semántica: la estructura con la que representamos y comunicamos el modelo conceptual, antes de introducir ecuación alguna.
ID:4033
Estructura de los Grupos
Descripción
El primer paso consiste en analizar la descripción general del modelo e identificar los distintos aspectos que intervienen en el fenómeno y que deben ser representados. Cada uno de estos aspectos se organiza como un grupo, entendido como una unidad conceptual coherente que describe una parte específica del funcionamiento del modelo.
Cada grupo reúne los objetos o conceptos relevantes para ese aspecto y las relaciones o verbos que describen cómo interactúan, se modifican o dependen unos de otros. De esta manera, cada grupo constituye una parte de la red semántica del modelo, mientras que el conjunto de los grupos permite representar de forma estructurada su funcionamiento global.
La división en grupos facilita además separar mecanismos, condiciones, procesos y resultados que cumplen funciones diferentes dentro del modelo, manteniendo al mismo tiempo las relaciones que existen entre ellos. Los grupos no son, por tanto, componentes aislados: pueden compartir conceptos y establecer relaciones entre sí, formando conjuntamente una única representación semántica del fenómeno.
La imagen anterior ofrece una visión general de los distintos aspectos en que se ha estructurado el modelo. A continuación se presentan los grupos identificados, indicando para cada uno su título y una breve descripción del aspecto del modelo que representa.
Grupo 1: Grupo 1: Codificación poblacional de la intención
La interfaz registra simultáneamente la actividad de una población de neuronas y la interpreta como un código colectivo de la intención motora o cognitiva. La cantidad relevante es el patrón de actividad neuronal poblacional, que cambia con la intención que la persona intenta expresar; el storyboard no fija una ley cuantitativa entre intención y actividad.
Grupo 2: Grupo 2: Decodificación lineal adaptativa
Un decodificador combina la actividad de las neuronas registradas mediante un peso por neurona y produce una señal decodificada que estima la intención. La señal cambia al cambiar la actividad neuronal o los pesos; el texto especifica una combinación lineal, pero no entrega valores de pesos, normalización ni sesgo.
Grupo 3: Grupo 3: Aprendizaje supervisado del decodificador
Durante el entrenamiento se compara la señal decodificada con una intención objetivo conocida y se ajustan los pesos en la dirección que reduce ese error. Con sesiones repetidas, el error disminuye y la fidelidad aumenta; no se especifican tasa de aprendizaje, función de costo ni regla exacta de actualización.
Grupo 4: Grupo 4: Control del efector externo
La señal decodificada controla directamente un efector externo, como un cursor o brazo robótico. El estado o movimiento del efector depende de la señal decodificada; el storyboard no especifica dinámica mecánica, ganancia, saturación ni retardos.
Grupo 5: Grupo 5: Retroalimentación sensorial y lazo cerrado
El movimiento del efector genera una consecuencia sensorial que una retroalimentación artificial devuelve a la persona. Esa información permite corregir inmediatamente la intención cuando el resultado no coincide con el buscado, cerrando el lazo actividad neuronal→decodificación→efector→persona; no se cuantifican latencia ni ganancia de realimentación.
Grupo 6: Grupo 6: Co-adaptación cortical y del decodificador
El uso repetido induce reorganización cortical además de adaptar los pesos del decodificador. La corteza aprende a modular la misma población neuronal para hacerla más decodificable mientras el decodificador aprende a leerla; ambas adaptaciones mejoran conjuntamente el control más que cualquiera por separado, sin una ley cuantitativa de sinergia.
Grupo 7: Grupo 7: Tasa de transferencia de información
El desempeño se resume mediante la tasa de transferencia de información del método de Wolpaw, basada en teoría de la información. La tasa depende de cuántas opciones distingue la interfaz, de la proporción de aciertos y del número de decisiones por minuto; el storyboard no reproduce aquí la expresión matemática.
Grupo 8: Grupo 8: Fidelidad de decodificación y fatiga
La fidelidad compara la señal decodificada con la intención objetivo, en paralelo con el error usado durante el entrenamiento. En sesiones prolongadas la fatiga dificulta mantener una actividad neuronal clara y consistente, por lo que al aumentar la fatiga tiende a degradarse la fidelidad; no se especifica la forma temporal ni el grado de degradación.
ID:1350
Grupo 1: Grupo 1: Codificación poblacional de la intención
Descripción
La interfaz registra simultáneamente la actividad de una población de neuronas y la interpreta como un código colectivo de la intención motora o cognitiva. La cantidad relevante es el patrón de actividad neuronal poblacional, que cambia con la intención que la persona intenta expresar; el storyboard no fija una ley cuantitativa entre intención y actividad.
Pregunta clave: ¿Cómo representa una población neuronal la intención que la persona intenta expresar?
La interfaz registra simultáneamente la actividad de una población de neuronas y la interpreta como un código colectivo de la intención motora o cognitiva. La cantidad relevante es el patrón de actividad neuronal poblacional, que cambia con la intención que la persona intenta expresar; el storyboard no fija una ley cuantitativa entre intención y actividad. Una interfaz cerebro-máquina registra la actividad neuronal de una población de neuronas y trata esa actividad, tal como describe el modelo de codificación y decodificación poblacional, como un código colectivo que representa la intención motora o cognitiva de la persona en cada instante. Decodificar esa actividad neuronal registrada significa entonces invertir ese código poblacional para recuperar, a partir de la actividad de muchas neuronas a la vez, cuál es la intención concreta que esa persona está tratando de expresar. Un decodificador lineal adaptativo cumple esa tarea de decodificación combinando la actividad de esa población de neuronas mediante un conjunto de pesos propios, uno por cada neurona registrada, para producir una señal decodificada que estima la intención de la persona en cada instante. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina.
ID:7779
Grupo 2: Grupo 2: Decodificación lineal adaptativa
Descripción
Un decodificador combina la actividad de las neuronas registradas mediante un peso por neurona y produce una señal decodificada que estima la intención. La señal cambia al cambiar la actividad neuronal o los pesos; el texto especifica una combinación lineal, pero no entrega valores de pesos, normalización ni sesgo.
Pregunta clave: ¿Cómo se transforma la actividad poblacional registrada en una estimación de la intención?
Un decodificador combina la actividad de las neuronas registradas mediante un peso por neurona y produce una señal decodificada que estima la intención. La señal cambia al cambiar la actividad neuronal o los pesos; el texto especifica una combinación lineal, pero no entrega valores de pesos, normalización ni sesgo. Un decodificador lineal adaptativo cumple esa tarea de decodificación combinando la actividad de esa población de neuronas mediante un conjunto de pesos propios, uno por cada neurona registrada, para producir una señal decodificada que estima la intención de la persona en cada instante. Al principio esos pesos no combinan bien la actividad neuronal, y la señal decodificada que producen se aparta del objetivo real, pero una regla de aprendizaje supervisado ajusta esos pesos, sesión tras sesión, en la dirección que reduce el error entre la señal decodificada y la intención objetivo conocida durante el entrenamiento del decodificador; cuanto más se repite ese ajuste, menor termina siendo ese error y más fielmente refleja la señal decodificada la intención real de la persona. La segunda es la fidelidad de la decodificación, que compara la señal decodificada con la intención objetivo de la misma manera que la regla de aprendizaje supervisado durante el entrenamiento, y que típicamente se degrada a medida que avanza una sesión prolongada, porque la fatiga del usuario le dificulta mantener la misma actividad neuronal clara y consistente que la interfaz necesita registrar para decodificar bien su intención. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina.
ID:7780
Grupo 3: Grupo 3: Aprendizaje supervisado del decodificador
Descripción
Durante el entrenamiento se compara la señal decodificada con una intención objetivo conocida y se ajustan los pesos en la dirección que reduce ese error. Con sesiones repetidas, el error disminuye y la fidelidad aumenta; no se especifican tasa de aprendizaje, función de costo ni regla exacta de actualización.
Pregunta clave: ¿Cómo se ajustan los pesos del decodificador para reducir el error de estimación?
Durante el entrenamiento se compara la señal decodificada con una intención objetivo conocida y se ajustan los pesos en la dirección que reduce ese error. Con sesiones repetidas, el error disminuye y la fidelidad aumenta; no se especifican tasa de aprendizaje, función de costo ni regla exacta de actualización. Al principio esos pesos no combinan bien la actividad neuronal, y la señal decodificada que producen se aparta del objetivo real, pero una regla de aprendizaje supervisado ajusta esos pesos, sesión tras sesión, en la dirección que reduce el error entre la señal decodificada y la intención objetivo conocida durante el entrenamiento del decodificador; cuanto más se repite ese ajuste, menor termina siendo ese error y más fielmente refleja la señal decodificada la intención real de la persona. La segunda es la fidelidad de la decodificación, que compara la señal decodificada con la intención objetivo de la misma manera que la regla de aprendizaje supervisado durante el entrenamiento, y que típicamente se degrada a medida que avanza una sesión prolongada, porque la fatiga del usuario le dificulta mantener la misma actividad neuronal clara y consistente que la interfaz necesita registrar para decodificar bien su intención. Un decodificador lineal adaptativo cumple esa tarea de decodificación combinando la actividad de esa población de neuronas mediante un conjunto de pesos propios, uno por cada neurona registrada, para producir una señal decodificada que estima la intención de la persona en cada instante. A medida que la persona usa la interfaz una y otra vez, la corteza aprende por su cuenta a modular la actividad de esa misma población de neuronas de manera que resulte más fácil de decodificar, de modo que el decodificador se adapta a la corteza mediante el aprendizaje supervisado de sus pesos al mismo tiempo que la corteza se adapta al decodificador mediante su propia reorganización cortical, y ambas adaptaciones juntas terminan mejorando el control del dispositivo más de lo que lograría cualquiera de las dos por separado.
ID:7781
Grupo 4: Grupo 4: Control del efector externo
Descripción
La señal decodificada controla directamente un efector externo, como un cursor o brazo robótico. El estado o movimiento del efector depende de la señal decodificada; el storyboard no especifica dinámica mecánica, ganancia, saturación ni retardos.
Pregunta clave: ¿Cómo la señal decodificada produce movimiento en un dispositivo externo?
La señal decodificada controla directamente un efector externo, como un cursor o brazo robótico. El estado o movimiento del efector depende de la señal decodificada; el storyboard no especifica dinámica mecánica, ganancia, saturación ni retardos. Esa señal decodificada no se queda solamente en una estimación: controla directamente un efector externo, como un cursor o un brazo robótico, y el movimiento de ese efector externo genera a su vez una consecuencia sensorial que una retroalimentación sensorial artificial le devuelve a la persona, de modo que ella percibe el resultado de su propia intención decodificada y puede corregirla de inmediato si ese resultado no fue el buscado. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina.
ID:7782
Grupo 5: Grupo 5: Retroalimentación sensorial y lazo cerrado
Descripción
El movimiento del efector genera una consecuencia sensorial que una retroalimentación artificial devuelve a la persona. Esa información permite corregir inmediatamente la intención cuando el resultado no coincide con el buscado, cerrando el lazo actividad neuronal→decodificación→efector→persona; no se cuantifican latencia ni ganancia de realimentación.
Pregunta clave: ¿Cómo vuelve la consecuencia del movimiento a la persona y cierra el control?
El movimiento del efector genera una consecuencia sensorial que una retroalimentación artificial devuelve a la persona. Esa información permite corregir inmediatamente la intención cuando el resultado no coincide con el buscado, cerrando el lazo actividad neuronal→decodificación→efector→persona; no se cuantifican latencia ni ganancia de realimentación. Esa señal decodificada no se queda solamente en una estimación: controla directamente un efector externo, como un cursor o un brazo robótico, y el movimiento de ese efector externo genera a su vez una consecuencia sensorial que una retroalimentación sensorial artificial le devuelve a la persona, de modo que ella percibe el resultado de su propia intención decodificada y puede corregirla de inmediato si ese resultado no fue el buscado. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina. Una interfaz cerebro-máquina registra la actividad neuronal de una población de neuronas y trata esa actividad, tal como describe el modelo de codificación y decodificación poblacional, como un código colectivo que representa la intención motora o cognitiva de la persona en cada instante.
ID:7783
Grupo 6: Grupo 6: Co-adaptación cortical y del decodificador
Descripción
El uso repetido induce reorganización cortical además de adaptar los pesos del decodificador. La corteza aprende a modular la misma población neuronal para hacerla más decodificable mientras el decodificador aprende a leerla; ambas adaptaciones mejoran conjuntamente el control más que cualquiera por separado, sin una ley cuantitativa de sinergia.
Pregunta clave: ¿Cómo el uso repetido adapta simultáneamente la corteza y el decodificador?
El uso repetido induce reorganización cortical además de adaptar los pesos del decodificador. La corteza aprende a modular la misma población neuronal para hacerla más decodificable mientras el decodificador aprende a leerla; ambas adaptaciones mejoran conjuntamente el control más que cualquiera por separado, sin una ley cuantitativa de sinergia. A medida que la persona usa la interfaz una y otra vez, la corteza aprende por su cuenta a modular la actividad de esa misma población de neuronas de manera que resulte más fácil de decodificar, de modo que el decodificador se adapta a la corteza mediante el aprendizaje supervisado de sus pesos al mismo tiempo que la corteza se adapta al decodificador mediante su propia reorganización cortical, y ambas adaptaciones juntas terminan mejorando el control del dispositivo más de lo que lograría cualquiera de las dos por separado. El uso repetido de esta interfaz cerebro-máquina no solo ajusta los pesos del decodificador: también induce, tal como describe el modelo de plasticidad, una reorganización cortical en la propia persona, en la misma línea que ya describe el modelo M05. Ese recorrido completo —de la actividad neuronal registrada a la señal decodificada, de la señal decodificada al efector externo, y del efector externo de vuelta a la persona mediante la retroalimentación sensorial artificial— es lo que cierra el lazo cerrado de control de esta interfaz cerebro-máquina. Una interfaz cerebro-máquina registra la actividad neuronal de una población de neuronas y trata esa actividad, tal como describe el modelo de codificación y decodificación poblacional, como un código colectivo que representa la intención motora o cognitiva de la persona en cada instante.
ID:7784
Grupo 7: Grupo 7: Tasa de transferencia de información
Descripción
El desempeño se resume mediante la tasa de transferencia de información del método de Wolpaw, basada en teoría de la información. La tasa depende de cuántas opciones distingue la interfaz, de la proporción de aciertos y del número de decisiones por minuto; el storyboard no reproduce aquí la expresión matemática.
Pregunta clave: ¿Cómo se cuantifica la capacidad de comunicación de la interfaz?
El desempeño se resume mediante la tasa de transferencia de información del método de Wolpaw, basada en teoría de la información. La tasa depende de cuántas opciones distingue la interfaz, de la proporción de aciertos y del número de decisiones por minuto; el storyboard no reproduce aquí la expresión matemática. La primera es la tasa de transferencia de información, calculada mediante el método que introdujo Wolpaw a partir de la misma teoría de la información que ya describe el modelo de codificación y decodificación poblacional, y que resume en una sola cifra cuántas opciones distintas logra distinguir la interfaz, qué tan certeros son sus aciertos y cuántas decisiones logra tomar por minuto.
ID:7785
Grupo 8: Grupo 8: Fidelidad de decodificación y fatiga
Descripción
La fidelidad compara la señal decodificada con la intención objetivo, en paralelo con el error usado durante el entrenamiento. En sesiones prolongadas la fatiga dificulta mantener una actividad neuronal clara y consistente, por lo que al aumentar la fatiga tiende a degradarse la fidelidad; no se especifica la forma temporal ni el grado de degradación.
Pregunta clave: ¿Cómo se cuantifica la fidelidad y por qué se degrada durante sesiones prolongadas?
La fidelidad compara la señal decodificada con la intención objetivo, en paralelo con el error usado durante el entrenamiento. En sesiones prolongadas la fatiga dificulta mantener una actividad neuronal clara y consistente, por lo que al aumentar la fatiga tiende a degradarse la fidelidad; no se especifica la forma temporal ni el grado de degradación. La segunda es la fidelidad de la decodificación, que compara la señal decodificada con la intención objetivo de la misma manera que la regla de aprendizaje supervisado durante el entrenamiento, y que típicamente se degrada a medida que avanza una sesión prolongada, porque la fatiga del usuario le dificulta mantener la misma actividad neuronal clara y consistente que la interfaz necesita registrar para decodificar bien su intención. Al principio esos pesos no combinan bien la actividad neuronal, y la señal decodificada que producen se aparta del objetivo real, pero una regla de aprendizaje supervisado ajusta esos pesos, sesión tras sesión, en la dirección que reduce el error entre la señal decodificada y la intención objetivo conocida durante el entrenamiento del decodificador; cuanto más se repite ese ajuste, menor termina siendo ese error y más fielmente refleja la señal decodificada la intención real de la persona. Una interfaz cerebro-máquina registra la actividad neuronal de una población de neuronas y trata esa actividad, tal como describe el modelo de codificación y decodificación poblacional, como un código colectivo que representa la intención motora o cognitiva de la persona en cada instante. Un decodificador lineal adaptativo cumple esa tarea de decodificación combinando la actividad de esa población de neuronas mediante un conjunto de pesos propios, uno por cada neurona registrada, para producir una señal decodificada que estima la intención de la persona en cada instante.
ID:7786