M8 Interfaces cérebro-máquina

Tópico

Uma interface cérebro-máquina registra a atividade neuronal de uma população de neurônios e trata essa atividade, conforme descrito pelo modelo de codificação e decodificação populacional, como um código coletivo que representa a intenção motora ou cognitiva da pessoa em qualquer momento. Decodificar essa atividade neuronal registrada significa, então, inverter esse código populacional para recuperar, a partir da atividade de muitos neurônios simultaneamente, a intenção específica que a pessoa está tentando expressar.

Um decodificador linear adaptativo realiza essa tarefa de decodificação combinando a atividade dessa população neuronal usando um conjunto de autopesos, um para cada neurônio registrado, para produzir um sinal decodificado que estima a intenção da pessoa em qualquer momento. Inicialmente, esses pesos não combinam bem a atividade neuronal e o sinal decodificado que produzem se desvia do alvo real. No entanto, uma regra de aprendizado supervisionado ajusta esses pesos, sessão após sessão, na direção que reduz o erro entre o sinal decodificado e a intenção alvo conhecida durante o treinamento do decodificador. Quanto mais esse ajuste for repetido, menor será o erro e mais fielmente o sinal decodificado refletirá a verdadeira intenção da pessoa.

Esse sinal decodificado não permanece apenas uma estimativa: ele controla diretamente um efetor externo, como um cursor ou um braço robótico, e o movimento desse efetor externo, por sua vez, gera uma consequência sensorial que o feedback sensorial artificial retorna à pessoa. Isso permite que ela perceba o resultado de sua própria intenção decodificada e a corrija imediatamente se o resultado não for o desejado. Todo esse processo — da atividade neural registrada ao sinal decodificado, do sinal decodificado ao efetor externo e do efetor externo de volta à pessoa por meio do feedback sensorial artificial — é o que completa o circuito fechado de controle dessa interface cérebro-máquina.

O uso repetido dessa interface cérebro-máquina não apenas ajusta os pesos do decodificador, mas também induz, conforme descrito pelo modelo de plasticidade, uma reorganização cortical na pessoa, nos mesmos moldes descritos pelo modelo M05. À medida que o usuário utiliza a interface repetidamente, o córtex aprende por si só a modular a atividade da mesma população de neurônios de uma forma que facilita a decodificação. O decodificador se adapta ao córtex por meio da aprendizagem supervisionada de seus pesos, enquanto o córtex se adapta ao decodificador por meio de sua própria reorganização cortical. Juntas, essas adaptações aprimoram o controle do dispositivo mais do que qualquer um deles conseguiria isoladamente.

O desempenho dessa interface cérebro-computador é quantificado de duas maneiras. A primeira é a taxa de transferência de informação, calculada utilizando o método introduzido por Wolpaw, baseado na mesma teoria da informação que descreve o modelo de codificação e decodificação populacional. Essa métrica resume em um único valor quantas opções distintas a interface consegue distinguir, quão precisas são suas escolhas e quantas decisões ela consegue tomar por minuto. O segundo aspecto é a fidelidade da decodificação, que compara o sinal decodificado com a intenção alvo da mesma forma que a regra de aprendizado supervisionado durante o treinamento, e que normalmente se degrada à medida que uma sessão prolongada avança, porque a fadiga do usuário dificulta a manutenção da mesma atividade neural clara e consistente que a interface precisa registrar para decodificar adequadamente sua intenção.

ID:4280