{"id":20389,"date":"2024-09-30T10:08:51","date_gmt":"2024-09-30T13:08:51","guid":{"rendered":"https:\/\/www.iar.unlp.edu.ar\/?p=20389"},"modified":"2026-07-24T11:08:28","modified_gmt":"2026-07-24T14:08:28","slug":"interfaces-cerebro-maquina","status":"publish","type":"post","link":"https:\/\/www.iar.unlp.edu.ar\/index.php\/2024\/09\/30\/interfaces-cerebro-maquina\/","title":{"rendered":"Interfaces cerebro-m\u00e1quina: historia, avances y desaf\u00edos"},"content":{"rendered":"\n

A\u00f1o 22 N\u00famero 86 \u2013 Septiembre 2024\ufeff<\/strong><\/p>\n\n\n\n

Por Cesar F. Caiafa<\/strong><\/p>\n\n\n\n

\u201cHe snapped out mental orders to the distant power room,
the side of the vessel opened, and the scout ship was drawn within\u201d
\u2013 <\/em>E. E. Smith, Skylark of Valeron<\/em> (1934).<\/p>\n\n\n\n

La capacidad de controlar dispositivos a trav\u00e9s del pensamiento ha sido imaginada por autores de ciencia ficci\u00f3n y cient\u00edficos desde tiempos remotos. Sin embargo, no fue hasta hace unos pocos a\u00f1os que, con el avance de las neurociencias, la biotecnolog\u00eda y las ciencias de la computaci\u00f3n, esta fascinante idea comenz\u00f3 a hacerse realidad. <\/p>\n\n\n\n

Las llamadas interfaces Cerebro-M\u00e1quina o Cerebro-Computadora (Brain Computer Interface \u2013 BCI<\/em> en ingl\u00e9s) han mostrado grandes avances recientemente, abriendo un gran abanico de aplicaciones que van desde proveer medios de comunicaci\u00f3n, locomoci\u00f3n e interacci\u00f3n con el mundo f\u00edsico a personas paralizados; facilitar la rehabilitaci\u00f3n motora en pacientes que han sufrido ataques cerebrovasculares; hasta su utilizaci\u00f3n en juegos recreativos y terap\u00e9uticos. En este art\u00edculo, repasamos la historia de esta incipiente tecnolog\u00eda, los avances logrados y los desaf\u00edos actuales.<\/p>\n\n\n\n

El cerebro<\/strong><\/h3>\n\n\n\n

Considerado el \u00f3rgano m\u00e1s complejo, con un peso de aproximadamente 1.5Kg, el cerebro humano est\u00e1 compuesto por cerca de 100 mil millones de neuronas que, interconectadas, son responsables de coordinar desde nuestras funciones m\u00e1s elementales e involuntarias como la respiraci\u00f3n, la presi\u00f3n sangu\u00ednea, la temperatura corporal, la ubicaci\u00f3n en espacio-tiempo; hasta los procesos cognitivos m\u00e1s complejos como la toma de decisiones, el planeamiento, el razonamiento l\u00f3gico abstracto y las emociones.<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 1: Origen neuro-fisiol\u00f3gico del EEG. (a) Neurona de tipo piramidal en cuyo ax\u00f3n se generan pulsos el\u00e9ctricos como resultado del procesamiento de los pulsos recibidos en sus dendritas; (b) En la corteza cerebral, miles de neuronas se conectan conformando una intrincada red de se\u00f1ales sincronizadas que dan origen a una se\u00f1al el\u00e9ctrica (Electroencefalograma, EEG<\/em>) que puede ser medida con electrodos; (c-d) La se\u00f1al EEG puede ser medida a nivel de la corteza cerebral por medios invasivos o en la superficie del cuero cabelludo de manera no-invasiva. (Adaptaci\u00f3n de Figura 2 en Portillo-Lara et al, 2021).<\/p>\n\n\n\n

Las neuronas constituyen la unidad elemental de procesamiento de informaci\u00f3n en el cerebro (Fig. 1a-b), recibiendo en sus entradas (dendritas<\/em>) secuencias de pulsos el\u00e9ctricos (spikes<\/em>) originadas en los axones<\/em> (salidas) de otras neuronas conformando as\u00ed una red compleja (Sporns, 2011). Se estima que, en el cerebro humano, una neurona del tipo piramidal establece en promedio alrededor de 7.000 conexiones sin\u00e1pticas (Hawkins&Ahmad, 2016). La forma en que se interconectan las neuronas se va modificando con el tiempo por un proceso de plasticidad que hace que nuestro cerebro se adapte y pueda, por ejemplo, aprender nuevas habilidades.<\/p>\n\n\n\n

Para poder estudiar el cerebro se han desarrollado t\u00e9cnicas de im\u00e1genes que permiten analizar in vivo<\/em> los procesos que tienen lugar en \u00e9l. Por ejemplo, para poder mapear las conexiones estructurales (Conectoma<\/em>) se utilizan im\u00e1genes de resonancia magn\u00e9tica de difusi\u00f3n (difusion Magnetic Resonance Imaging<\/em> \u2013 dMRI<\/em>), permitiendo detectar la direcci\u00f3n en que vibran las mol\u00e9culas de agua dentro de las fibras nerviosas en la materia blanca del cerebro (Fig. 2a). Por otro lado, para identificar las regiones de la corteza cerebral que se activan durante un proceso cognitivo, se utilizan estudios de resonancia magn\u00e9tica funcional (fMRI<\/em>) detectando el consumo de ox\u00edgeno (Fig. 2b). Adem\u00e1s, tambi\u00e9n podemos registrar la actividad el\u00e9ctrica de las neuronas ya sea, invasivamente con electrodos implantados dentro del cr\u00e1neo (Electrocorticograf\u00eda \u2013 ECoG o registro intracortical), o bien no-invasivamente colocando electrodos sobre el cuero cabelludo (Electroencefalograf\u00eda \u2013 EEG<\/em>), como se ilustra en la Fig. 2c.<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 2: T\u00e9cnicas para estudiar el funcionamiento del cerebro. (a) El Conectoma Humano<\/em> puede obtenerse con equipos de resonancia magn\u00e9tica de difusi\u00f3n (dMRI). Imagen extra\u00edda de (Caiafa & Pestilli, 2017); (b) <\/strong>Con im\u00e1genes de resonancia magn\u00e9tica funcional (fMRI) es posible identificar las regiones de la corteza cerebral que se activan durante un per\u00edodo de tiempo (fuente<\/span>1<\/sup><\/a><\/span>); (c) La actividad el\u00e9ctrica de las neuronas puede ser medida de manera invasiva a trav\u00e9s de electrodos implantados dentro de la corteza teniendo as\u00ed acceso a las se\u00f1ales el\u00e9ctricas de neuronas individuales (registro intracortical, single unit<\/em>), o electrodos colocados sobre la corteza obteniendo un promedio local de las se\u00f1ales neuronales, t\u00e9cnica conocida como Electrocorticograf\u00eda<\/em> (EcoG). Tambi\u00e9n es posible medir esta actividad el\u00e9ctrica no-invasivamente con Electroencefalograf\u00eda (EEG) con electrodos sobre el cuero cabelludo obteniendo se\u00f1ales menos limpias y m\u00e1s d\u00e9biles comparada con los registros invasivos (imagen adaptada de (Kawala-Sterniuk et al., 2021)).<\/p>\n\n\n\n

Los or\u00edgenes de la Electroencefalograf\u00eda (EEG)<\/strong><\/h3>\n\n\n\n

A principios del siglo XX, el neur\u00f3logo y psiquiatra alem\u00e1n Hans Berger ya hab\u00eda registrado la actividad el\u00e9ctrica espont\u00e1nea en el cerebro de gatos y perros utilizando un electr\u00f3metro capilar de Lippmann. En 1924, lleg\u00f3 a registrar directamente los potenciales el\u00e9ctricos en la corteza cerebral de un joven de 19 a\u00f1os usando un galvan\u00f3metro de Edelmann durante una operaci\u00f3n de un tumor cerebral. Posteriormente, en los a\u00f1os 1920s tambi\u00e9n experiment\u00f3 tomando registros con distintos tipos de electrodos sobre el cuero cabelludo utilizando un galvan\u00f3metro de Siemens (Fig. 3a) dando as\u00ed inicio a la t\u00e9cnica de Electroencefalograf\u00eda \u2013 EEG (Berger, 1929). En ese trabajo, Berger ya identificaba dos tipos de ondas cerebrales: las ondas alfa<\/em> y beta. <\/em>Las ondas alfa, <\/em>con rango de frecuencias entre 8 \u2013 12 Hertz, son m\u00e1s prominentes cuando un sujeto est\u00e1 en estado de relajaci\u00f3n con los ojos cerrados y desaparecen cuando se abren los ojos. Las ondas beta, <\/em>con rango de frecuencias entre 15 \u2013 25 Hertz, est\u00e1n asociadas con un estado de alerta y concentraci\u00f3n (Panigrahi, 2022; Nam, 2018).<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 3: Evoluci\u00f3n de la tecnolog\u00eda EEG.(a) Dr. Hans Berger (arriba-der.), equipo EEG con un solo canal utilizado en 1926 (arriba-izq., fuente <\/span>2<\/sup><\/a><\/span>) y registro EEG obtenido por H. Berger en 1928, un a\u00f1o antes de la publicaci\u00f3n de su trabajo (Berger, 1929), donde se observe el cambio de frecuencia cuando el sujeto cierra los ojos (abajo, fuente<\/span>3<\/sup><\/a><\/span>); (b) Equipo moderno port\u00e1til de EEG de 64 canales (fuente<\/span>4<\/sup><\/a><\/span>)<\/p>\n\n\n\n

Primeras aproximaciones a las interfaces Cerebro-M\u00e1quina <\/strong><\/h3>\n\n\n\n

A partir de los descubrimientos de Berger, la electroencefalograf\u00eda r\u00e1pidamente demostr\u00f3 ser una herramienta valiosa, tanto para el diagn\u00f3stico de trastornos cerebrales como para el estudio de funciones cognitivas. Simult\u00e1neamente, la idea de utilizar las se\u00f1ales EEG como un canal de comunicaci\u00f3n entre un sujeto y el mundo externo, empezaba a tomar forma. <\/p>\n\n\n\n

En las d\u00e9cadas de 1950 y 1960, Joe Kamiya y sus colegas de la Universidad de Chicago descubrieron que una persona pod\u00eda aprender a controlar voluntariamente la intensidad de sus ondas cerebrales, dando origen a la disciplina conocida como neurofeedback <\/em>(Kamiya et al., 1968).<\/p>\n\n\n\n

En 1973, el t\u00e9rmino Interfaz Cerebro-Computadora (Brain-Computer Interface<\/em> \u2013 BCI<\/em> en ingl\u00e9s) fue introducido por primera vez por Jacques J. Vidal, un investigador belga trabajando en la Universidad de California. En el art\u00edculo (Vidal, 1973), el autor propuso la idea de utilizar las se\u00f1ales el\u00e9ctricas del cerebro para permitir a una persona controlar computadoras o pr\u00f3tesis. Sin embargo, no fue hasta los a\u00f1os 1980s que investigadores en Estados Unidos y Europa lograron llevar a la pr\u00e1ctica estas ideas. <\/p>\n\n\n\n

En 1988, Farwell y Donchin propusieron e implementaron el primer sistema BCI, denominado \u201cP300 Speller\u201d<\/em>, que permit\u00eda a una persona deletrear texto. En este paradigma BCI se utiliza el pico en la se\u00f1al EEG que ocurre aproximadamente 300 milisegundos despu\u00e9s de la aparici\u00f3n de un est\u00edmulo esperado, conocido como potencial relacionado a un evento (Event-Related Potential, ERP<\/em>) (Farwell & Donchin, 1988). En el \u201cP300 Speller\u201d<\/em>, se presenta al usuario una cuadr\u00edcula de 6×6 caracteres en una pantalla, cuyas filas y columnas parpadean al azar una por vez (Fig. 4a). El usuario debe entonces concentrarse en un car\u00e1cter espec\u00edfico por vez y contar mentalmente cuando \u00e9ste parpadea. Estos eventos generan picos ERP en la se\u00f1al EEG, permitiendo as\u00ed identificar el car\u00e1cter por su ubicaci\u00f3n en fila y columna.<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 4: Paradigmas BCI. (a) P300 speller<\/em>:el usuario se concentra en un car\u00e1cter contando cada vez que \u00e9ste parpadea, evento que puede ser detectado como un pico negativo en la se\u00f1al el\u00e9ctrica aproximadamente 300ms posteriores (imagen extra\u00edda de (Brunner et al., 2011)). (b) Control de cursor 1D por neurofeedback<\/em>: el usuario aprende a controlar la amplitud de sus ondas mu (7 \u2013 13 Hertz) del \u00e1rea sensorimotora (Wolpaw et al, 2002). (c) Imaginaci\u00f3n Motora: el usuario imagina el movimiento de su mano derecha o izquierda lo que genera actividad en las \u00e1reas sensorimotoras correspondientes. Se muestran los filtros CSP (Common Spatial Patterns<\/em>) obtenidos para cada comando utilizando un conjunto de datos de entrenamiento. (d) Paradigma SSVEP (Steady State Visually Evoked Potentials<\/em>): en pantalla se presentan patrones, cada uno con una frecuencia de parpadeo distintiva. El usuario concentra su mirada en un patr\u00f3n espec\u00edfico haciendo que su actividad neuronal se sincronice con la frecuencia del patr\u00f3n elegido. Imagen adaptada de (Demir et al., 2019).<\/p>\n\n\n\n

A principios de los a\u00f1os 90s, Jonathan Wolpaw y colegas en EEUU desarrollaron un sistema BCI que permit\u00eda al usuario controlar un cursor en una dimensi\u00f3n (Wolpaw et al, 1991). El principio de funcionamiento de este sistema se basaba en neurofeedback<\/em>, requiriendo que el usuario se entrenara para aprender a controlar la amplitud de sus ondas cerebrales tipo mu (aproximadamente entre 7 \u2013 13 Hertz) en el \u00e1rea sensoriomotora de la corteza cerebral. De esta manera, el sujeto lograba generar ondas con una amplitud baja para mover el cursor hacia abajo (bottom target<\/em>), o alta para mover el cursor hacia arriba (top target<\/em>) (Fig. 4b).<\/p>\n\n\n\n

En 1993, el equipo de Gert Pfurtscheller en Austria propuso un nuevo paradigma llamado Imaginaci\u00f3n Motora (Motor Imagery<\/em>) que consiste en que el usuario imagine, por ejemplo, el movimiento de la mano derecha o izquierda, lo que produce una activaci\u00f3n de las ondas cerebrales en las regiones de la corteza motora izquierda o derecha respectivamente (Fig. 4c) (Pfurtscheller et al. 1993).<\/p>\n\n\n\n

A finales de la d\u00e9cada de 1990 y principios del siglo XXI, surgieron nuevos paradigmas en las interfaces cerebro-computadora, impulsando un r\u00e1pido crecimiento en el n\u00famero de investigadores dedicados al desarrollo de esta tecnolog\u00eda. Un ejemplo notable es el paradigma de BCI basado en potenciales evocados por est\u00edmulos visuales, conocidos como SSVEPs (Steady State Visually Evoked Potentials<\/em>, por sus siglas en ingl\u00e9s) (Silberstein et al., 1990). Este enfoque gan\u00f3 gran popularidad en esa \u00e9poca. En este paradigma, el usuario fija su atenci\u00f3n en uno de varios patrones visuales, cada uno de los cuales parpadea a una frecuencia distinta (Fig. 4d). As\u00ed, la se\u00f1al EEG de la corteza visual se sincroniza con el est\u00edmulo externo, permitiendo asociar cada patr\u00f3n en la se\u00f1al EEG con un comando deseado. Aunque este paradigma tiene la desventaja de causar fatiga en el usuario, ha sido utilizado con \u00e9xito en diversas aplicaciones pr\u00e1cticas hasta la actualidad (Zhang et al., 2023).<\/p>\n\n\n\n

Procesamiento de se\u00f1ales y el impacto de la Inteligencia Artificial (IA) en las BCIs<\/strong><\/h3>\n\n\n\n

Un componente fundamental en los sistemas BCI es el algoritmo de procesamiento de la se\u00f1al EEG, que permite interpretar la intenci\u00f3n del sujeto a partir de sus ondas cerebrales. En algunos paradigmas, como el P300 (Fig. 2a) o en un BCI de dos comandos basado en neurofeedback<\/em> (Fig. 2b), el algoritmo se reduce a la simple detecci\u00f3n de niveles de se\u00f1al por encima o por debajo de un umbral predefinido. En el paradigma basado en SSVEPs (Fig. 2d), la tarea del algoritmo tambi\u00e9n es relativamente sencilla, ya que consiste en detectar las frecuencias espec\u00edficas de cada comando en la se\u00f1al EEG, lo cual puede implementarse con t\u00e9cnicas cl\u00e1sicas de filtrado de Fourier.<\/p>\n\n\n\n

Sin embargo, para otros paradigmas de BCI, como la Imaginaci\u00f3n Motora (Fig. 2c), la detecci\u00f3n de los patrones que permiten asociar la actividad cerebral con la intenci\u00f3n del sujeto no es trivial y requiere algoritmos de aprendizaje autom\u00e1tico. Estos algoritmos utilizan un conjunto de datos compuesto por las se\u00f1ales EEG y los comandos correspondientes elegidos por el usuario (datos de entrenamiento). De esta manera, se puede entrenar a un clasificador para identificar los patrones caracter\u00edsticos de cada comando, personaliz\u00e1ndolo, ya que los sujetos suelen presentar respuestas cerebrales diferentes entre s\u00ed. Es importante tener en cuenta que, durante esta etapa, no solo se entrena al clasificador, sino que tambi\u00e9n el sujeto aprende a generar mejores patrones cerebrales por efecto del neurofeedback<\/em>.<\/p>\n\n\n\n

El algoritmo de aprendizaje autom\u00e1tico denominado Patrones Comunes Espaciales (Common Spatial Patterns \u2013 CSP<\/em>) ha sido el “est\u00e1ndar de oro” durante muchos a\u00f1os desde que fuera propuesto por primera vez en el a\u00f1o 2000 (Ramoser et al., 2000). Este clasificador genera, para cada comando, un filtro espacial: un vector de coeficientes que determina c\u00f3mo combinar las se\u00f1ales de los distintos electrodos. Esto se hace de manera que, en los datos de entrenamiento, se maximice la potencia de la se\u00f1al del comando elegido y, al mismo tiempo, se minimice la potencia de las se\u00f1ales asociadas a los otros comandos. Estos filtros pueden representarse visualmente en un mapa de electrodos, mostrando los patrones EEG favorecidos para cada comando, como se ilustra en la Fig. 4c. <\/p>\n\n\n\n

El clasificador CSP es lineal y ha demostrado ser muy efectivo, especialmente cuando se trabaja con un n\u00famero reducido de comandos. No obstante, al aumentar la cantidad de comandos, los patrones en la se\u00f1al EEG se vuelven m\u00e1s complejos, requiriendo clasificadores no lineales m\u00e1s sofisticados. Este problema se resolvi\u00f3 finalmente con la llegada de los algoritmos de Inteligencia Artificial (IA) basados en redes neuronales profundas, una disciplina conocida como Aprendizaje Profundo (Deep Learning<\/em>), que floreci\u00f3 a principios de este siglo. Para los lectores interesados en profundizar en los algoritmos de IA, su historia y su gran impacto en la tecnolog\u00eda moderna, recomiendo el art\u00edculo \u201c\u00bfQu\u00e9 es la Inteligencia Artificial?\u201d<\/a> publicado en el n\u00famero 69 (2020) de este Bolet\u00edn.<\/p>\n\n\n\n

En el a\u00f1o 2018, se propuso una arquitectura de Aprendizaje Profundo basada en redes neuronales convolucionales llamada EEGNet que marc\u00f3 un hito en la historia moderna de las interfaces Cerebro-M\u00e1quina (Lawhern et al., 2018). Este nuevo modelo entrenable, basado en IA, super\u00f3 ampliamente la performance de los m\u00e9todos cl\u00e1sicos y otros m\u00e9todos con redes neuronales propuestos anteriormente. Este clasificador fue testeado con diversos conjuntos de datos y para diferentes paradigmas BCI (Lawhern et al., 2018). La Fig. 5a muestra la arquitectura de este clasificador.<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 5: Clasificador de EEG para BCI basado en Aprendizaje Profundo. Arquitectura de la red neuronal EEGNet (Lawhern et al., 2018). El flujo del procesamiento de la se\u00f1al EEG es de izquierda a derecha siendo la entrada las se\u00f1ales EEG multicanal y devolviendo en la salida las probabilidades de cada uno de los comandos. La red est\u00e1 compuesta por 3 capas ocultas convolucionales y una capa de salida densa. La primera capa (Conv2D Temporal) realiza convoluciones en el dominio temporal, permitiendo que la red aprenda las caracter\u00edsticas temporales de la se\u00f1al EEG. La capa siguiente, es una convoluci\u00f3n en el dominio espacial, permitiendo que la red aprenda las relaciones entre distintos canales EEG. La tercera capa (SeparableConv2D) es una versi\u00f3n optimizada de una convoluci\u00f3n est\u00e1ndar y contiene, a su vez una convoluci\u00f3n profunda seguida por una convoluci\u00f3n puntal, lo que permite reducir significativamente el n\u00famero de par\u00e1metros del modelo.<\/p>\n\n\n\n

M\u00e1s recientemente, investigadores alemanes y chinos, tomaron de base la arquitectura EEGNet y, haciendo un estudio extensivo sobre numerosas bases de datos, optimizaron esa arquitectura hasta obtener un nuevo modelo de red neuronal, llamado EEGNeX, considerado como el estado-del-arte<\/em> en clasificadores de EEG para aplicaciones de BCI (Chen et al., 2024).<\/p>\n\n\n\n

Aplicaciones de las interfaces Cerebro-M\u00e1quina: avances recientes<\/strong><\/h3>\n\n\n\n

La tecnolog\u00eda de las interfaces cerebro-m\u00e1quina (BCIs) est\u00e1 en pleno florecimiento, con la participaci\u00f3n de miles de investigadores de todo el mundo y el apoyo de grandes inversiones privadas de compa\u00f1\u00edas como Meta<\/span>5<\/sup><\/a><\/span>,Neuralink<\/span>6<\/sup><\/a><\/span>, Synchron<\/span>7<\/sup><\/a><\/span>, Motif Neurotech<\/span>8<\/sup><\/a><\/span>, Paradromics<\/span>9<\/sup><\/a><\/span>, Blackrock Neurotech<\/span>10<\/sup><\/a><\/span> y otras. A continuaci\u00f3n, se describen algunos de los usos de las BCIs que han experimentado avances significativos en los \u00faltimos tiempos.<\/p>\n\n\n\n

T\u00e9cnicas invasivas para decodificaci\u00f3n de informaci\u00f3n motora<\/strong><\/h3>\n\n\n\n

En un art\u00edculo de 2006 en la revista Nature<\/em>, un grupo de investigadores de la compa\u00f1\u00eda Cyberkinetics<\/em> en EEUU presentaron BrainGate<\/em>, un sistema BCI para pacientes parapl\u00e9jicos que les permiti\u00f3, por primera vez, controlar un brazo rob\u00f3tico mediante su actividad neuronal registrada por una matriz de 10×10 microelectrodos (Fig. 6a) implantados en la corteza cerebral, espec\u00edficamente en el \u00e1rea motora primaria (Hochberg et al., 2006). Este tipo de microelectrodos intracorticales proporciona una gran resoluci\u00f3n espacial y temporal, logrando medir la actividad de neuronas individuales (single unit<\/em>), es decir, registrando secuencias de pulsos (spikes<\/em>) (Fig. 2c). <\/p>\n\n\n\n

Quiz\u00e1s el lector haya accedido por los medios de comunicaci\u00f3n a la noticia de marzo de 2024 sobre un paciente cuadripl\u00e9jico de 29 a\u00f1os que pudo jugar ajedrez en l\u00ednea gracias a un sistema BCI invasivo desarrollado por la compa\u00f1\u00eda Neuralink<\/em><\/span>11<\/sup><\/a><\/span>. En ese sistema se utiliz\u00f3 una matriz de 1024 microelectrodos.<\/p>\n\n\n\n

Aunque los resultados precl\u00ednicos obtenidos son muy prometedores, la t\u00e9cnica intracortical es extremadamente invasiva y requiere calibraciones continuas para mantener la precisi\u00f3n de los comandos a lo largo del tiempo. Por esta raz\u00f3n, investigadores del instituto RIKEN Brain Science<\/em> experimentaron con una t\u00e9cnica semi-invasiva en monos, utilizando un sistema BCI con electrodos de tipo ECoG (Fig. 6b-izq.) para predecir la posici\u00f3n del brazo de un animal durante un experimento (Fig. 6b-der.) (Chao et al., 2010). A diferencia de los electrodos intracorticales, que se insertan en la corteza, los electrodos ECoG se consideran semi-invasivos ya que se colocan sobre la superficie de la corteza, permitiendo el acceso a las se\u00f1ales provenientes de las neuronas cercanas.<\/p>\n\n\n\n

En el art\u00edculo de Chao et al. (2010), la predicci\u00f3n de las coordenadas espaciales del brazo se logr\u00f3 aplicando el m\u00e9todo estad\u00edstico cl\u00e1sico Partial Least Squares (PLS)<\/em>, utilizando como entrada una representaci\u00f3n en tiempo y frecuencias de la se\u00f1al ECoG obtenida mediante la transformada Wavelet. Posteriormente, en un trabajo en el que particip\u00f3 el autor del presente art\u00edculo, se desarroll\u00f3 una versi\u00f3n del algoritmo PLS adaptada para entradas con formato tensorial, llamada High-Order PLS (HOPLS)<\/em>. Esta adaptaci\u00f3n permiti\u00f3 obtener predictores con un menor n\u00famero de par\u00e1metros, lo que result\u00f3 en mejores resultados en t\u00e9rminos de precisi\u00f3n y costo computacional (Fig. 6c) (Zhao et al., 2013).<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 6: T\u00e9cnicas invasivas para la decodificaci\u00f3n de informaci\u00f3n motora. (a) Arreglo de 10×10 microeletrodos de silicio (Utah Electrode Array \u2013 UEA<\/em>, fuente (Fern\u00e1ndez et al., 2014)) utilizado en BrainGate<\/em> para el control de un brazo rob\u00f3tico por pacientes cuadripl\u00e9jicos. (b) <\/strong>Izquierda:<\/em>ubicaci\u00f3n de 64 electrodos ECoG en la superficie de la corteza cerebral de un mono; Derecha:<\/em> Ilustraci\u00f3n de una sesi\u00f3n de grabaci\u00f3n de actividad neuronal del animal durante un experimento donde se le ofrece alimento en distintas ubicaciones espaciales. (c) <\/strong>Izquierda:<\/em> Se\u00f1al ECoG multicanal; Centro:<\/em> Representaci\u00f3n de la se\u00f1al ECoG como un tensor 3D con dimensiones tiempo, frecuencia y canal, obtenido a trav\u00e9s de la transformada Wavelet; Derecha: <\/em>predicci\u00f3n de la trayectoria de la mano comparando el m\u00e9todo PLS (Chao et al., 2010) con el m\u00e9todo tensorial HOPLS propuesto en (Zhao et al., 2013) (imagen adaptada de (Cichocki et al., 2015)).<\/p>\n\n\n\n

Comunicaci\u00f3n del lenguaje mediante BCI invasivo<\/strong><\/h3>\n\n\n\n

Otra de las aplicaciones de las BCIs para pacientes paralizados es la de proveer un canal de comunicaci\u00f3n, como se ha demostrado desde hace varios a\u00f1os mediante paradigmas como el P300 (Fig. 4a) o el SSVEP (Fig. 4d) explicados anteriormente. Aunque la comunicaci\u00f3n es posible, estos paradigmas presentan largos tiempos de decodificaci\u00f3n del mensaje, ya que se construyen letra por letra, adem\u00e1s de ser muy agotadores para el usuario, quien debe concentrar su mirada en patrones que parpadean.  <\/p>\n\n\n\n

Con el objetivo de lograr una comunicaci\u00f3n m\u00e1s fluida, se han realizado avances significativos en la decodificaci\u00f3n de palabras imaginadas utilizando microelectrodos intracorticales (invasivos). Este a\u00f1o, un grupo de investigadores estadounidenses descubri\u00f3 que, con microelectrodos implantados en la corteza parietal posterior, espec\u00edficamente en la regi\u00f3n denominada Giro Supramarginal (SMG), es posible identificar palabras imaginadas o vocalizadas por los sujetos (Wandelt et al., 2024). Estudios previos con im\u00e1genes de resonancia magn\u00e9tica funcional (fMRI) hab\u00edan indicado que la regi\u00f3n SMG juega un rol importante en la representaci\u00f3n interna del lenguaje. Aunque en estos estudios se trabaj\u00f3 con pocos sujetos y vocabularios muy reducidos, estos resultados alientan futuros desarrollos para decodificar la representaci\u00f3n interna del lenguaje y desarrollar mejores interfaces cerebro-m\u00e1quina.<\/p>\n\n\n\n

Tecnolog\u00eda BCI no-invasiva basada en EEG<\/strong><\/h3>\n\n\n\n

Las BCIs que utilizan electrodos implantados dentro del cr\u00e1neo, ya sea dentro de la corteza o en su superficie, proporcionan se\u00f1ales neuronales limpias, con una gran resoluci\u00f3n temporal y espacial, siendo muy eficientes para decodificar la informaci\u00f3n neuronal. Sin embargo, tienen la gran desventaja de ser m\u00e9todos invasivos, ya que requieren una intervenci\u00f3n quir\u00fargica compleja en la que se perfora el cr\u00e1neo para acceder a la corteza cerebral, con todos los cuidados y riesgos que dicha operaci\u00f3n implica.<\/p>\n\n\n\n

Por otro lado, las se\u00f1ales EEG medidas en el cuero cabelludo capturan la actividad neuronal promedio de un gran n\u00famero de neuronas y est\u00e1n contaminadas con distintos tipos de ruido que dificultan la decodificaci\u00f3n de la informaci\u00f3n. Las fuentes de ruido presentes en EEG incluyen: (a) interferencias electromagn\u00e9ticas del entorno; (b) se\u00f1ales el\u00e9ctricas asociadas a la actividad muscular, como las producidas por los m\u00fasculos oculares al pesta\u00f1ear o mover los ojos; (c) se\u00f1al el\u00e9ctrica card\u00edaca; y (d) falsos contactos, desadaptaci\u00f3n de impedancia o desconexi\u00f3n de electrodos. A pesar de estas dificultades, se ha demostrado que, aplicando el procesamiento correcto de las se\u00f1ales, es posible decodificar la intenci\u00f3n motora a partir de se\u00f1ales EEG, con la gran ventaja de ser dispositivos no invasivos. En este caso, el usuario debe imaginar, por ejemplo, el movimiento de su mano derecha o izquierda, lo cual produce patrones EEG distintivos. Adem\u00e1s, a trav\u00e9s de un proceso de neurofeedback<\/em>, el usuario puede entrenarse para generar patrones cada vez m\u00e1s precisos. Este paradigma, denominado Imaginaci\u00f3n Motora, est\u00e1 ilustrado en la Fig. 4c y ha sido implementado y evaluado satisfactoriamente para controlar una silla de ruedas en siete sujetos en (Yu et al., 2018).<\/p>\n\n\n\n

Por otro lado, recientemente se investig\u00f3 la posibilidad de detectar no invasivamente, a trav\u00e9s de EEG, distintos tipos de movimientos en los miembros superiores en personas con da\u00f1o en la m\u00e9dula espinal (Ofner et al., 2019). En ese estudio, diez pacientes participaron en un experimento donde se registraron sus se\u00f1ales EEG mientras realizaban cinco tipos de movimientos: pronaci\u00f3n, supinaci\u00f3n, agarre palmar, agarre lateral y apertura de mano (Fig. 7a-b). Se demostr\u00f3 emp\u00edricamente que estos movimientos son detectables en las se\u00f1ales EEG. M\u00e1s recientemente, el autor de este art\u00edculo colabor\u00f3 en el desarrollo e implementaci\u00f3n de nuevos algoritmos de aprendizaje autom\u00e1tico para la clasificaci\u00f3n de diferentes movimientos de miembros superiores (Jia et al., 2023; Jia et al., 2024).<\/p>\n\n\n\n

\"Figura<\/a><\/figure>\n\n\n\n

Figura 7: Clasificaci\u00f3n de diferentes tipos de movimiento a trav\u00e9s de EEG (figura extra\u00edda de Ofner et al., 2019) (a) Protocolo del experimento: se registran las se\u00f1ales EEG de diez pacientes con lesi\u00f3n de m\u00e9dula espinal mientras imaginan cinco tipos de movimientos en uno de sus miembros superiores. (b) Los cinco tipos de movimiento evaluados son: pronaci\u00f3n, supinaci\u00f3n, agarre palmar, agarre lateral y apertura de mano.<\/p>\n\n\n\n

Neurorrehabilitaci\u00f3n de la funci\u00f3n motora  <\/strong><\/h3>\n\n\n\n

Una aplicaci\u00f3n m\u00e9dica de las BCIs que ha mostrado importantes avances recientemente es su utilizaci\u00f3n para acelerar la recuperaci\u00f3n de capacidades motoras en pacientes que han sufrido un Accidente Cerebrovascular (ACV). Es bien conocido que los pacientes con lesiones cerebrales, cuya consecuencia es la p\u00e9rdida de capacidades motoras, muchas veces pueden recuperarlas parcialmente gracias a la plasticidad del cerebro mediante una terapia de rehabilitaci\u00f3n, durante la cual nuevos circuitos cerebrales reemplazan las funciones de los circuitos da\u00f1ados. En una terapia de rehabilitaci\u00f3n t\u00edpica, el paciente debe imaginar movimientos espec\u00edficos y recibe asistencia externa para completar esos movimientos. Recientemente, se ha demostrado que, a trav\u00e9s del monitoreo de las se\u00f1ales EEG del paciente durante la terapia de rehabilitaci\u00f3n, el paciente logra una realimentaci\u00f3n positiva s\u00f3lo cuando genera los patrones cerebrales de movimiento correctos, reduciendo considerablemente la duraci\u00f3n de las terapias (Pichiorri et al., 2015). La compa\u00f1\u00eda europea g.tec<\/em>, l\u00edder mundial en tecnolog\u00eda EEG ha desarrollado su producto RecoveriX<\/em><\/span>12<\/sup><\/a><\/span> <\/em>para la asistencia por BCI a la rehabilitaci\u00f3n motora de miembros superiores e inferiores en pacientes que han sufrido ACVs.<\/p>\n\n\n\n

En el paradigma de Imaginaci\u00f3n Motora cl\u00e1sico (Fig. 4c), el patr\u00f3n EEG es detectado una vez que se produce el movimiento, sin embargo, existe una actividad cerebral previa al movimiento conocida como potencial cortical relacionado al movimiento (movement-related cortical potential – MRCP<\/em>) que puede detectarse y puede ayudar a fortalecer la retro-alimentaci\u00f3n en una terapia de rehabilitaci\u00f3n. Recientemente, se han hecho estudios y propuesto nuevos algoritmos para detectar estos patrones MRCP (pre-movimiento) (McFarland et al., 2015; Jia et al., 2022).<\/p>\n\n\n\n

Otras aplicaciones<\/strong><\/h3>\n\n\n\n

En las secciones anteriores, se han descrito los usos y aplicaciones m\u00e1s relevantes de las BCIs desarrolladas hasta el momento. Sin embargo, hay otras aplicaciones que podr\u00edan ganar popularidad en un futuro cercano. Un ejemplo de esto es el uso de interfaces cerebro-m\u00e1quina en juegos por computadora. Actualmente, existen productos comerciales como cascos con electrodos para uso dom\u00e9stico, que los usuarios pueden emplear con juegos cl\u00e1sicos como Pinball<\/em>, Spaceship<\/em> o Tetris<\/em>. Otro campo prometedor es el de los juegos inmersivos en realidad virtual. Aunque a\u00fan no se han logrado avances significativos en este \u00e1mbito, se espera que se produzcan desarrollos importantes en los pr\u00f3ximos a\u00f1os (Lotte et al., 2012).<\/p>\n\n\n\n

El uso de BCIs en juegos no se limita al \u00e1mbito recreativo. Se ha demostrado que esta tecnolog\u00eda, cuando se aplica a juegos conocidos como Serious Games<\/em>, puede ser beneficiosa para pacientes con des\u00f3rdenes neurol\u00f3gicos como la epilepsia o el d\u00e9ficit de atenci\u00f3n (Coenen et al., 2020).<\/p>\n\n\n\n

Desaf\u00edos tecnol\u00f3gicos<\/strong><\/h3>\n\n\n\n

A pesar de que la tecnolog\u00eda de las interfaces cerebro-m\u00e1quina ha avanzado r\u00e1pidamente en las \u00faltimas d\u00e9cadas, ofreciendo hoy en d\u00eda una amplia gama de sensores y paradigmas BCI, todav\u00eda existen limitaciones tecnol\u00f3gicas que han impedido su adopci\u00f3n masiva. En esta secci\u00f3n, se examinan algunos de los principales desaf\u00edos que enfrenta este campo y se exploran las direcciones de investigaci\u00f3n en las que se intenta avanzar.<\/p>\n\n\n\n

M\u00e9todos invasivos versus no-invasivos:<\/em> <\/p>\n\n\n\n

Los m\u00e9todos invasivos ofrecen la mejor alternativa para detectar patrones cerebrales con alta resoluci\u00f3n espacial y temporal, pero su uso conlleva riesgos significativos asociados a la intervenci\u00f3n quir\u00fargica, como infecciones, inflamaciones y da\u00f1os colaterales. Por otro lado, el m\u00e9todo no invasivo EEG es completamente inocuo para la salud, pero proporciona se\u00f1ales d\u00e9biles y contaminadas con ruido, lo que limita su aplicaci\u00f3n en tareas complejas de BCI. Un gran desaf\u00edo actual es mejorar los materiales utilizados en los sensores para facilitar su implantaci\u00f3n y reducir los riesgos para la salud. En este sentido, recientemente se ha propuesto un innovador tipo de electrodo que, en lugar de colocarse directamente en la corteza cerebral, se inserta en un vaso sangu\u00edneo del cerebro, similar a un stent, permitiendo capturar la actividad el\u00e9ctrica de las neuronas desde all\u00ed (Mitchell et al., 2023). <\/p>\n\n\n\n

Paradigmas BCI multimodales:<\/em> <\/p>\n\n\n\n

Por otro lado, se sigue trabajando en el desarrollo de nuevos paradigmas BCI que sean m\u00e1s efectivos al utilizar se\u00f1ales no invasivas de EEG. Un ejemplo reciente es un paradigma multimodal en el que, adem\u00e1s de imaginar movimientos, el usuario debe simult\u00e1neamente imaginar la lectura o escritura de un car\u00e1cter chino. Este enfoque ha demostrado ser m\u00e1s robusto que el uso exclusivo de la Imaginaci\u00f3n Motora (Tong et al., 2023). Otro m\u00e9todo multimodal, propuesto en el contexto de la comunicaci\u00f3n entre una persona y un robot (Tan et al., 2021), combina se\u00f1ales EEG con expresiones faciales del usuario. Esto permite al sistema BCI detectar el estado emocional del sujeto, identificando estados como miedo, felicidad, tristeza y neutralidad.<\/p>\n\n\n\n

Entrenamiento de sistemas BCI con datos ruidosos, incompletos o escasos:<\/em><\/p>\n\n\n\n

Como se mencion\u00f3 anteriormente, un problema com\u00fan en los sistemas BCI que utilizan EEG es la presencia de ruido, que dificulta la decodificaci\u00f3n precisa de los comandos. Se han desarrollado diversas t\u00e9cnicas para mitigar estos ruidos, que van desde m\u00e9todos cl\u00e1sicos de filtrado hasta el uso de An\u00e1lisis de Componentes Independientes (ICA) (Croft & Barry, 2000) y otros enfoques. Recientemente, se ha propuesto un algoritmo innovador para eliminar artefactos generados por la actividad muscular, basado en la descomposici\u00f3n en modos emp\u00edricos serializada (Serialization-Based Ensemble Empirical Mode Decomposition<\/em>) (Dai et al., 2021).<\/p>\n\n\n\n

Otro problema com\u00fan en aplicaciones de EEG es que los conjuntos de datos de entrenamiento a menudo est\u00e1n incompletos, ya sea debido a interferencias externas que inutilizan parte del registro o a la desconexi\u00f3n de algunos electrodos durante la captura de datos. En tales casos, es habitual descartar los datos incompletos. Sin embargo, dado que los datos suelen ser escasos y costosos de obtener, una alternativa m\u00e1s eficaz es intentar reparar los datos mediante un proceso conocido, en ingl\u00e9s, como \u201cdata completion\u201d<\/em>. En este contexto, las t\u00e9cnicas de procesamiento de se\u00f1ales tensoriales han demostrado ser especialmente \u00fatiles (Sol\u00e9-Casals et al., 2018; Duan et al., 2021).<\/p>\n\n\n\n

Una limitaci\u00f3n importante en los m\u00e9todos AI que en particular se aplica a los clasificadores modernos usados en BCI es que requieren de bases de datos voluminosas para poder ser entrenados correctamente. Este problema puede ser resuelto, o alivianado, generando datos artificiales en base a los pocos datos disponibles. La generaci\u00f3n de datos artificiales que conserven las caracter\u00edsticas de los originales es un gran desaf\u00edo que ha sido resuelto en aplicaciones de visi\u00f3n por computadora ya que las im\u00e1genes admiten transformaciones (rotaciones, cambio de escala, etc.) que logran conservar las propiedades del conjunto de datos. En este contexto, en nuestro trabajo reciente (Caiafa et al., 2021) se presentaron m\u00e9todos para la generaci\u00f3n de datos EEG artificiales destinados al entrenamiento de clasificadores BCI.<\/p>\n\n\n\n

Conclusiones<\/strong><\/h3>\n\n\n\n

Aunque las interfaces cerebro-m\u00e1quina (BCI) comenzaron a desarrollarse hace ya casi 50 a\u00f1os, su evoluci\u00f3n fue bastante lenta hasta hace unos 10 o 15 a\u00f1os. Recientemente, esta tecnolog\u00eda ha experimentado un gran impulso gracias a importantes inversiones privadas, avances en biotecnolog\u00eda y la mejora en los algoritmos de inteligencia artificial, que han permitido decodificar patrones complejos de la actividad neuronal.<\/p>\n\n\n\n

Actualmente, existe una intensa competencia comercial por ofrecer soluciones BCI a gran escala. Sin embargo, las opciones m\u00e1s eficientes disponibles son las que utilizan sensores implantados en la corteza cerebral. Estas soluciones, aunque efectivas, conllevan un alto costo y riesgos significativos para la salud debido a la necesidad de intervenciones quir\u00fargicas complejas, limitando su acceso a un segmento muy reducido del mercado.<\/p>\n\n\n\n

Para que las BCIs puedan alcanzar una adopci\u00f3n masiva, es esencial que se desarrollen sistemas no invasivos, como los basados en EEG. No obstante, estos sistemas en la actualidad enfrentan grandes limitaciones en t\u00e9rminos de calidad de las se\u00f1ales registradas, lo que dificulta la decodificaci\u00f3n de patrones complejos de una manera efectiva.<\/p>\n\n\n\n

Recientemente, la tecnolog\u00eda BCI ha captado la atenci\u00f3n de los medios de comunicaci\u00f3n, especialmente tras la publicaci\u00f3n de un video en la red social X por parte de Neuralink<\/em>, la compa\u00f1\u00eda dirigida por Elon Musk. En el video, se muestra a un paciente con par\u00e1lisis jugando al ajedrez mediante un implante cerebral. Aunque estos resultados han impactado en la opini\u00f3n p\u00fablica, son similares a resultados documentados con anterioridad en revistas cient\u00edficas revisadas por pares. Sin embargo, gracias a las grandes inversiones destinadas a estos desarrollos, seguramente seamos testigos de avances significativos en poco tiempo.<\/p>\n\n\n\n

El prop\u00f3sito de este art\u00edculo es ofrecer una visi\u00f3n integral sobre la evoluci\u00f3n y el estado actual de las tecnolog\u00edas de BCI, con el fin de comprender los desaf\u00edos tecnol\u00f3gicos asociados al desarrollo de futuras interfaces. Dado el dinamismo de este campo, seguramente seremos testigos de anuncios sensacionalistas sobre nuevos avances, y es fundamental tener una perspectiva clara para discernir entre progresos genuinos y promesas exageradas.<\/p>\n\n\n\n

Bibliograf\u00eda<\/strong><\/h3>\n\n\n\n
    \n
  1. Berger, H. (1929). Ueber das Elektroenkephalogramm des Menschen<\/em>, Archiv f\u00fcr Psychiatrie und Nervenkrankheiten<\/em>, 87, 527-570.<\/li>\n\n\n\n
  2. Brunner, P.; Ritaccio, A. L.; Emrich, J. F.; Bischof, H. & Schalk, G. (2011). Rapid communication with a \u201cP300\u201d matrix speller using electrocorticographic signals (ECoG)<\/em>, Frontiers in Neuroscience<\/em>, 5.<\/li>\n\n\n\n
  3. Caiafa, C. F. & Pestilli, F. (2017). Multidimensional encoding of brain connectomes, Scientific reports,<\/em> 7 (1), 11491.<\/li>\n\n\n\n
  4. Caiafa, C. F.; Sun, Z.; Tanaka, T.; Marti-Puig, P. & Sol\u00e9-Casals, J. (2020) Decomposition Methods for Machine Learning with Small, Incomplete or Noisy Datasets, Applied Sciences<\/em>, 10(23), 8481.<\/li>\n\n\n\n
  5. Chao, Z.; Nagasaka, Y. & Fujii, N. (2010). Long-Term Asynchronous Decoding of Arm Motion Using Electrocorticographic Signals in Monkeys, Frontiers in Neuroengineering<\/em>, 3 (3).<\/li>\n\n\n\n
  6. Chen, X.; Teng, X.; Chen, H.; Pan, Y. & Geyer, P. (2024). Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX. Biomedical Signal Processing and Control<\/em>, 87:105475.<\/li>\n\n\n\n
  7. Cichocki, A.; Mandic, D.; Caiafa, C. F.; Phan, A-H.; Zhou, G.; Zhao, Q. & De Lathauwer, L. (2015). Tensor Decompositions for Signal Processing Applications. From Two-way to Multiway Component Analysis, IEEE Signal Processing Magazine<\/em>, 32 (2) 145\u2013163.<\/li>\n\n\n\n
  8. Coenen, F.; Scheepers, F. E.; Palmen, S. J. M.; de Jonge, M. V. & Oranje, B. (2020). Serious Games as Potential Therapies: A Validation Study of a Neurofeedback Game, Clinical EEG and Neuroscience<\/em>, 51(2), 87-93.<\/li>\n\n\n\n
  9. Croft, R. J. & Barry, R. J. (2000). Removal of ocular artifact from the EEG: a review, Neurophysiologie Clinique\/Clinical Neurophysiology<\/em>, 30(1), 5\u201319.\u00a0<\/li>\n\n\n\n
  10. Dai, Y.; Duan, F.; Sun, A.; Zhang, Y.; Caiafa, C. F.; Marti-Puig, P. & Sol\u00e9-Casals, J. (2001). A Fast Approach to Removing Muscle Artifacts for EEG with Signal Serialization Based Ensemble Empirical Mode Decomposition, Entropy<\/em>, 23(1170).<\/li>\n\n\n\n
  11. Demir, A. F.; Arslan, H. & Uysal, I. (2019). Bio-Inspired Filter Banks for Frequency Recognition of SSVEP-Based Brain\u2013Computer Interfaces, IEEE Access<\/em>, 7, 160295-160303.<\/li>\n\n\n\n
  12. Duan, F.; Jia, H.; Zhang, Z.; Feng, F.; Tan, Y.; Dai, Y.; Cichocki, A.; Yang, Z.; Caiafa, C. F.; Zhe, S.; Sol\u00e9-Casals, J. (2021). On the Robustness of EEG Tensor Completion Methods, SCIENCE CHINA Technological Sciences<\/em>, 64.<\/li>\n\n\n\n
  13. Farwell, L. A. & Donchin, E. (1988). Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials, Electroencephalography and Clinical Neurophysiology<\/em>, 70, 510\u2013523.<\/li>\n\n\n\n
  14. Fern\u00e1ndez, E.; Greger, B.; House, P. A.; Aranda, I.; Botella, C.; Albisua, J.; Soto-S\u00e1nchez, C.; Alfaro, A. & Normann, R. A. (2014). Acute human brain responses to intracortical microelectrode arrays: challenges and future prospects, Front Neuroeng.<\/em>, 7:24.<\/li>\n\n\n\n
  15. Fields, R. D. (2008). White Matter Matters, Scientific American<\/em>, March 1.<\/li>\n\n\n\n
  16. Hawkins, J.; Ahmad S. (2016). Why Neurons Have Thousands of Synapses, a Theory of Sequence Memory in Neocortex, Frontiers in Neural Circuits,<\/em> 10.<\/li>\n\n\n\n
  17. Hochberg, L. R.; Serruya, M. D.; Friehs, G. M.; Mukand, J. A.; Saleh, M.; Caplan, A. H.; Branner, A.; Chen, D.; Penn, R. D. & Donoghue, J. P. (2006) Neuronal ensemble control of prosthetic devices by a human with tetraplegia, Nature<\/em>, 442(7099):164-71.<\/li>\n\n\n\n
  18. Jia, H.; Sun, Z.; Duan, F.; Zhang, Y.; Caiafa, C. F. & Sol\u00e9-Casals, J. (2022). Improving pre-movement pattern detection with filter bank selection, Journal of Neural Engineering<\/em>, 19 (6).<\/li>\n\n\n\n
  19. Jia, H.; Feng, F.; Caiafa, C. F.; Duan, F.; Zhang, Y.; Sun, Z. & Sol\u00e9-Casals, J. (2023) Multi-class Classification of Upper Limb Movements with Filter Bank Task-related Component Analysis, IEEE Journal of Biomedical and Health Informatics<\/em>, 27(8), 3867-3877.<\/li>\n\n\n\n
  20. Jia, H.; Han, S.; Caiafa, C. F. ; Duan, F.; Zhang, Y.; Sun, Z. & Sol\u00e9-Casals, J. (2024) Enabling temporal-spectral decoding in multi-class single-side upper limb classification; Engineering Applications of Artificial Intelligence,<\/em> 133(Part E), 108473.<\/li>\n\n\n\n
  21. Kamiya, J. (1968). Conscious control of brain waves, Psychology Today<\/em>, 1(11), 56\u201360.<\/li>\n\n\n\n
  22. Kawala-Sterniuk, A.; Browarska, N.; Al-Bakri, A.; Pelc, M.; Zygarlicki, J.; Sidikova, M.; Martinek, R. & Gorzelanczyk, E. J. (2021). Summary of over Fifty Years with Brain-Computer Interfaces\u2014A Review. Brain Sciences<\/em>, 11(1):43.<\/li>\n\n\n\n
  23. Lawhern, V. J.; Solon, A. J.; Waytowich,N. R.; Gordon, S. M.; Hung, Ch. P. & Lance, B. J. (2018). EEGNet: a compact convolutional neural network for EEG-based brain\u2013computer interfaces, Journal of Neural Engineering<\/em>, 15:056013.<\/li>\n\n\n\n
  24. Lotte, F.; Faller, J.; Guger, Ch.; Renard, Y.; Pfurtscheller, G.; L\u00e9cuyer, A. & Leeb, R. (2012). Combining BCI with Virtual Reality: Towards New Applications and Improved BCI. Practical Brain-Computer Interfaces, Biological and Medical Physics, Biomedical Engineering,<\/em> Springer.<\/li>\n\n\n\n
  25. McFarland, D. J.;\u00a0 Sarnacki, W. A.; Wolpaw, J. R. (2015). Effects of training pre-movement sensorimotor rhythms on behavioral performance, Journal of Neural Engineering<\/em>, 12(6).<\/li>\n\n\n\n
  26. Mitchell, P. et al. (2023). Assessment of Safety of a Fully Implanted Endovascular Brain-Computer Interface for Severe Paralysis in 4 Patients: The Stentrode With Thought-Controlled Digital Switch (SWITCH) Study, JAMA Neurology, 80(3), 270\u2013278.<\/li>\n\n\n\n
  27. Nam, C. S.; Nijholt, A. & Lotte, F. (2018). \u00a0Brain-Computer Interfaces Handbook: Technological and Theoretical Advances,<\/em> CRC Press.<\/li>\n\n\n\n
  28. Ofner, P.; Schwarz, A.; Pereira, J.; Wyss, D.; Wildburger, R. & M\u00fcller-Putz, G. R. (2019). Attempted Arm and Hand Movements can be Decoded from Low-Frequency EEG from Persons with Spinal Cord Injury. Scitific Reports<\/em>, 9 (7134).<\/li>\n\n\n\n
  29. Panigrahi, N.; Mohanty, S. P. (2022). Brain Computer Interface: EEG Signal Processing,<\/em> CRC Press.<\/li>\n\n\n\n
  30. Portillo-Lara, R.; Tahirbegi, B.; Chapman, C. A. R.; Goding, J. A. & Green, R. A. (2021). Mind the gap: State-of-the-art technologies and applications for EEG-based brain\u2013computer interfaces. APL Bioengineering,<\/em> 5 (3): 031507.<\/li>\n\n\n\n
  31. Pfurtscheller, G.; Flotzinger, D. & Kalcher, J. (1993). Brain\u2013computer interface \u2013 A new communication device for handicapped persons, Journal of Microcomputer Application<\/em>, 16, 293\u2013299.<\/li>\n\n\n\n
  32. Pichiorri, F.; Morone, G.; Petti, M.; Toppi, J.; Pisotta, I.; Molinari, M.; Paolucci, S.; Inghilleri, M.; Astolfi, L.; Cincotti, F. & Mattia, D. (2015) Brain\u2013computer interface boosts motor imagery practice during stroke recovery, Annals of Neurology<\/em>, 77(5), 851\u2013865.<\/li>\n\n\n\n
  33. Ramoser, H.; Muller-Gerking, J. & Pfurtscheller, G. (2000). Optimal spatial filtering of single trial EEG during imagined hand movement, IEEE Transactions on Rehabilitation Engineering<\/em>, 8 (4), 441\u2013446.<\/li>\n\n\n\n
  34. Silberstein, R. B.; Schier, M. A.; Pipingas, A.; Ciorciari, J.; Wood, S. R. & Simpson, D. G. (1990). Steady-State Visually Evoked Potential topography associated with a visual vigilance task, Brain Topography<\/em>, 3, 337\u2013347.<\/li>\n\n\n\n
  35. Sol\u00e9-Casals, J.; Caiafa, C. F.; Zhao, Q. & Cichocki, A. (2018) Brain-Computer Interface with Corrupted EEG Data: A Tensor Completion Approach, Cognitive Computation, <\/em>10, 1062\u20131074.\u00a0<\/li>\n\n\n\n
  36. Smith, E. E. (1934). Skylark of Valeron<\/em>. Old Earth Books.<\/li>\n\n\n\n
  37. Sporns, O. (2011). Networks of the brain.<\/em>\u00a0MIT Press.<\/li>\n\n\n\n
  38. Tan, Y.; Sun, Z.; Duan, F.; Sol\u00e9-Casals, J. & Caiafa, C. F. (2021). A multimodal emotion recognition method based on facial expressions and electroencephalography, Biomedical Signal Processing and Control<\/em>, 70.<\/li>\n\n\n\n
  39. Tong, J.; Xing, Z.; Wei, X.; Du, S.; Sun, Z.; Sol\u00e9-Casals, J. & Caiafa, C. F. (2023). Towards improving motor imagery brain-computer interface using multimodal speech imagery, Journal of Medical and Biological Engineering<\/em>, 43 216\u2013226.<\/li>\n\n\n\n
  40. Vidal, J. J. (1973). Toward direct brain\u2013computer communication\u201d, Annual Review of Biophysics and Bioengineering<\/em>, 2, 157\u2013180.<\/li>\n\n\n\n
  41. Wandelt, S. K.; Bj\u00e5nes, D. A.; Pejsa, K.; Lee, B.; Liu, C. & Andersen, R. A. (2024). Representation of internal speech by single neurons in human supramarginal gyrus, Natur Human Behaviour<\/em>, 8(6):1136\u20131149.<\/li>\n\n\n\n
  42. Wolpaw, J. R.; McFarland, D. J.; Neat, G. W. & Forneris, C. A. (1991). An EEG-based brain\u2013computer interface for cursor control, Electroencephalography and Clinical Neurophysiology<\/em>, 78, 252\u2013259.<\/li>\n\n\n\n
  43. Wolpaw, J. R.; Birbaumer, N.; McFarland, D. J.; Pfurtscheller, G. & Vaughan, T. M. (2002). Brain\u2013computer interfaces for communication and control, Electroencephalography and Clinical Neurophysiology<\/em>, 113, 767\u2013791.<\/li>\n\n\n\n
  44. Yu, Y.; Liu, Y.; Jiang, J.; Yin, E.; Zhou, Z. & Hu, D. (2018). An Asynchronous Control Paradigm Based on Sequential Motor Imagery and Its Application in Wheelchair Navigation, IEEE Transactions on Neural Systems and Rehabilitation Engineering<\/em>, 26(12), 2367-2375.<\/li>\n\n\n\n
  45. Zhang, Z.; Han, S.; Yi, H.; Duan, F.; Kang, F.; Sun, Z.; Sol\u00e9-Casals, J. & Caiafa, C. F. (2023). A Brain-Controlled Vehicle System Based on Steady State Visual Evoked Potentials, Cognitive Computation<\/em> 15, 159\u2013175.<\/li>\n\n\n\n
  46. Zhao, Q.; Caiafa, C. F.; Mandic, D. P.; Chao, Z. C.; Nagasaka, Y.; Fujii, N.; Zhang, L. & Cichocki, A. (2013). Higher-Order Partial Least Squares (HOPLS): A Generalized Multi-Linear Regression Method, IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI)<\/em>, 35 (7).<\/li>\n<\/ol>\n\n\n\n
    \n\n\n
    Volver<\/a><\/div>\n\n\n

    <\/p>\n","protected":false},"excerpt":{"rendered":"

    A\u00f1o 22 N\u00famero 86 \u2013 Septiembre 2024\ufeff Por Cesar F. Caiafa \u201cHe snapped out mental orders to the distant power room, the side of the vessel opened, and the scout ship …<\/p>\n","protected":false},"author":3,"featured_media":25435,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[224],"tags":[205,106,206],"class_list":["post-20389","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-boletin","tag-aprendizaje-automatico","tag-inteligencia-artificial","tag-interfaces-cerebro-maquina"],"_links":{"self":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/20389","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=20389"}],"version-history":[{"count":2,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/20389\/revisions"}],"predecessor-version":[{"id":26134,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/20389\/revisions\/26134"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/media\/25435"}],"wp:attachment":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=20389"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=20389"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=20389"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}