Usuario:
Modelo Matemático
Descripción
Modelo M08 - Interfaces Cerebro-Máquina
Una vez estructurada la red semántica, se busca asociar cada objeto a una variable que permita su formulación matemática. Las relaciones entre variables —expresadas en la red semántica como vectores y asociaciones entre objetos— se traducen en ecuaciones que describen el comportamiento. Estas ecuaciones se buscan, en la mayor medida posible, basadas en primeros principios, y no en algoritmos ajustados numéricamente solo para reproducir comportamientos medidos. El resultado es la red lógica del modelo: el conjunto de variables, con sus unidades y rangos, y las ecuaciones que las relacionan.
ID:4034
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