\u201cMientras el cerebro sea un misterio, el universo continuar\u00e1 siendo un misterio\u201d<\/em>. (S. Ram\u00f3n y Cajal).<\/p>\nActualmente se est\u00e1n llevando a cabo muchos estudios sobre el reconocimiento e interpretaci\u00f3n de ondas cerebrales con diferentes resultados. Uno de los \u00e1mbitos m\u00e1s prometedores es el de la denominada \u201chabla imaginada\u201d, palabras que se piensan, pero no se dicen. En esta l\u00ednea, se est\u00e1n alcanzando buenos resultados utilizando un vocabulario reducido (5 palabras), consiguiendo incluso que una persona pueda comunicarse con un ordenador a trav\u00e9s de su pensamiento, con la \u00fanica ayuda de un hardware de adquisici\u00f3n de ondas cerebrales superficial (Gonz\u00e1lez-Casta\u00f1eda, Torres-Garc\u00eda, y Reyes-Garc\u00eda, 2016).<\/p>\n
Pero \u00bfc\u00f3mo se descifran las palabras a partir de un EEG? Para llevar a cabo esta tarea, es necesario extraer de las ondas cerebrales ciertas caracter\u00edsticas, clasificarlas y posteriormente reconocerlas.<\/p>\n
El primer paso consiste en el registro de la actividad el\u00e9ctrica cerebral como consecuencia de la activaci\u00f3n de grupos de neuronas, lo que habitualmente se denomina un EEG. Ello requiere el uso de un hardware de uso espec\u00edfico que registre tal actividad. Est\u00e1n proliferando muchas empresas dedicadas al desarrollo de este tipo de hardware (Emotiv – emotiv.com, Neurosky – neurosky.com, GTEC – gtec.at). Un aspecto primordial en estos sistemas es la cantidad y la posici\u00f3n de los electrodos. Dependiendo de ello, el hardware podr\u00e1 ser utilizado para registrar la actividad el\u00e9ctrica de unas \u00e1reas del cerebro u otras. De este modo, si lo que pretendemos es analizar el habla imaginada, el hardware necesariamente deber\u00e1 tener electrodos localizados sobre el \u00e1rea del cerebro relacionada con esa tarea.<\/p>\n
Una vez finalizada la adquisici\u00f3n de datos en forma de un EEG, se pasa a la etapa de preprocesado de la onda cerebral, que consiste b\u00e1sicamente en la eliminaci\u00f3n de ciertos artefactos (ruidos, interferencias\u2026) con el fin de evitar cualquier tipo de injerencia no deseada en la se\u00f1al de inter\u00e9s. Los artefactos m\u00e1s t\u00edpicos suelen ser de origen biol\u00f3gico (latidos de coraz\u00f3n, parpadeo\u2026) y est\u00e1n localizados en el mismo cuerpo del sujeto a estudiar, aunque debido a la naturaleza de estas ondas y a su rango de amplitudes, no es raro encontrar artefactos procedentes de otros lugares.<\/p>\n
Adem\u00e1s de la eliminaci\u00f3n de artefactos, en la etapa de preprocesado, podemos aplicar diferentes t\u00e9cnicas que facilitan la manipulaci\u00f3n de los datos obtenidos mediante el EEG. Los EEG son, en definitiva, el registro de se\u00f1ales cuyo valor var\u00eda en cada instante temporal. De este modo es posible, por ejemplo, filtrar la se\u00f1al original qued\u00e1ndonos solamente con las bandas de frecuencia que tienen una carga informativa mayor o que caen dentro de la frecuencia que deseamos estudiar.<\/p>\n
Por \u00faltimo, para discriminar ondas cerebrales, se aplican t\u00e9cnicas de aprendizaje autom\u00e1tico. Estas t\u00e9cnicas son capaces de aprender reglas o patrones asociados a las categor\u00edas que queremos reconocer. Por ejemplo, una categor\u00eda puede corresponderse con una palabra, un movimiento o la evocaci\u00f3n de una imagen. Esto depende de cada tarea concreta, del pensamiento o proceso cognitivo que deseamos identificar. De esta forma, una vez entrenado un sistema, \u00e9ste ser\u00e1 capaz de identificar con una alta probabilidad ciertos pensamientos o procesos.<\/p>\n
Las conclusiones obtenidas en distintos experimentos arrojan resultados esperanzadores, aunque dependientes en gran medida del tipo de sistema que se est\u00e9 desarrollando (qu\u00e9 categor\u00edas queremos identificar), los tipos de sensores cerebrales usados (internos o superficiales), las condiciones en las que se capturan los EEG y la parte del cerebro que se pretenda estudiar. Incluso entre individuos, se experimentan variaciones de hasta un 20% en la precisi\u00f3n del sistema a la hora de clasificar los datos.<\/p>\n
Uno de los \u00e1mbitos mejor estudiados y donde se han conseguido algunos de los mejores resultados es en el reconocimiento del movimiento imaginado. Se sabe que cuando \u201cimaginamos\u201d un movimiento, se genera en el cerebro el fen\u00f3meno de desincronizaci\u00f3n (ERD y ERS). Este fen\u00f3meno consiste en una alteraci\u00f3n de la onda cerebral en el \u00e1rea del cerebro donde se localiza el movimiento de las articulaciones (Norman y col., 2016). Tal efecto es sabido que puede apreciarse en el EEG hasta 2 segundos antes de realizarse f\u00edsicamente el movimiento (Pfurtscheller y col., 1997).<\/p>\n
Este tipo de sistemas, aunque en fase de desarrollo, est\u00e1n empezando a aplicarse al mundo de la medicina y rehabilitaci\u00f3n de pacientes con problemas de movilidad reducida. Tambi\u00e9n el mundo del videojuego se muestra interesado en las posibilidades que ofrece el reconocimiento de ondas cerebrales. Otros campos, como el de la seguridad, comienzan a mirar hacia el cerebro como una forma inequ\u00edvoca de reconocer a una persona.<\/p>\n
Aunque en este \u00e1mbito se est\u00e1 avanzando, todav\u00eda queda mucho por hacer. Los pr\u00f3ximos retos pasan por la mejora de los sistemas de adquisici\u00f3n de ondas cerebrales, haci\u00e9ndolos si cabe, m\u00e1s asequibles y aumentando la calidad en la adquisici\u00f3n de los datos, eliminando al m\u00e1ximo la gran cantidad de interferencias que sufren y que obligan a su utilizaci\u00f3n en entornos muy controlados. Adem\u00e1s, existen otros problemas relacionados con los cambios que experimenta la se\u00f1al cerebral cuando un individuo entrena continuamente la pronunciaci\u00f3n imaginada de una palabra, obligando a desarrollar sistemas que evolucionen conjuntamente. Estas son las principales barreras a las que se debe enfrentar un investigador que pretenda iniciarse en este entorno en el que todav\u00eda queda mucho por descubrir.<\/p>\n
Referencias<\/strong><\/p>\nGonz\u00e1lez-Casta\u00f1eda, E. F., Torres-Garc\u00eda, A. A., Reyes-Garc\u00eda, C. A., y Villase\u00f1or-Pineda, L. (2016). Sonification and textification: Proposing methods for classifying unspoken words from EEG signals. Biomedical Signal Processing and Control<\/em>, 37, 82-91.<\/p>\nPfurtscheller, G., Neuper, C., Flotzinger, D., y Pregenzer, M. (1997). EEG-based discrimination between imagination of right and left hand movement. Electroencephalography and Clinical Neurophysiology<\/em>, 103, 642-651.<\/p>\nNorman, S. L., Dennison, M., Wolbrecht, E., Cramer, S. C., Srinivasan, R., y Reinkensmeyer, D. J. (2016). Movement Anticipation and EEG: Implications for BCI-Contingent Robot Therapy. IEEE Transactions on Neural Systems and Rehabilitation Engineering<\/em>, 24, 911-919.<\/p>\nManuscrito recibido el 25 de abril de 2017.
\nAceptado el 14 de julio de 2017.<\/p>\n
Guardar<\/span><\/p>\nGuardar<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"Alberto Andreu Mar\u00edn, Fernando Javier Mart\u00ednez Santiago, Lu\u00eds Alfonso Ure\u00f1a L\u00f3pez y Pilar L\u00f3pez \u00dabeda Sistemas Inteligentes de Acceso a …<\/span> Read More →<\/span><\/a><\/span><\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[16,5,4,3],"tags":[55,56,584,308,49,583],"class_list":["post-1502","post","type-post","status-publish","format-standard","hentry","category-actualidad","category-inteligenciaartificial","category-neurociencia","category-psicologia","tag-eeg","tag-electroencefalograma","tag-habla-imaginada","tag-interfaz-cerebro-ordenador","tag-lenguaje","tag-pensamiento"],"_links":{"self":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1502","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1502"}],"version-history":[{"count":4,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1502\/revisions"}],"predecessor-version":[{"id":1505,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1502\/revisions\/1505"}],"wp:attachment":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1502"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1502"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1502"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"(cc)](\"https:\/\/www.cienciacognitiva.org\/files\/2017-11-cc-BryanJones.jpg\")