Una investigación, publicada en edición avanzada el 12 de abril en la revista Neuronal Computation, pone de relieve que los enfoques basados en descodificadores de memoria a corto y largo plazo (LSTM, siglas en inglés de Long-Short Term Memory) podrían proporcionar mejores algoritmos para las neuroprótesis que utilizan interfaces cerebro-máquina (BMC, siglas en inglés de Brain Machine Interface) para restablecer el movimiento en pacientes con discapacidades neuromotoras graves.

Los enfoques basados en LSTM podrían proporcionar una mejor estrategia de algoritmo para las neuroprótesis que utilizan interfaces cerebro-máquina en el restablecimiento del movimiento neuromotor en pacientes con discapacidades graves

Esta es una investigación llevada a cabo por científicos de la Duke University (EE.UU.) en la que ha participado Nuria Armengol, alumni del Grado en Ingeniería Biomédica de la UPF que inició este tema de investigación para su Trabajo Fin de Grado, bajo la supervisión de Ruben Moreno Bote, investigador del Centro de Cognición y Cerebro (CBC) del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF, y que desarrolló en la Universidad Duke (Durham, EE.UU). Actualmente, Armengol se encuentra cursando un máster en la Escuela Politécnica Federal de Zúrich (ETH, Suiza).

Redes neuronales artificiales recurrentes capaces de decodificar la actividad del conjunto de neuronas en tiempo real mejoran los descodificadores de actividad cerebral

Aunque a lo largo de los años se han propuesto muchos algoritmos de decodificación neuronal en tiempo real para aplicaciones de interfaz cerebro-máquina (IMC), avances recientes en algoritmos de aprendizaje profundo mejoran el diseño de los decodificadores de actividad cerebral con la participación de redes neuronales artificiales recurrentes capaces de decodificar la actividad del conjunto de neuronas en tiempo real.

LSTM modeló varios atributos fisiológicos clave de los circuitos corticales implicados en tareas motoras

Como explica Nuria Armengol, "para este estudio desarrollamos un descodificador de memoria a corto y largo plazo (LSTM) para extraer la cinemática del movimiento de la actividad de grandes poblaciones de neuronas (N = 134 a 402), muestreadas simultáneamente a partir de múltiples áreas corticales de monos rhesus mientras hacían tareas motoras.

"Las regiones cerebrales estudiadas incluyen áreas motoras primarias y áreas corticales somatosensoriales primarias. La capacidad del LSTM de retener información durante largos períodos de tiempo permitió una decodificación precisa para tareas que requerían movimientos y periodos de inmovilismo.

"Nuestro algoritmo de LSTM superó de manera significativa el filtro de Kalman (un método analítico que permite estimar variables de estado no observables a partir de variables observables), mientras los monos hacían diferentes tareas sobre una cinta de correr (levantar un brazo, levantar los dos brazos o caminar)", añade Armengol.

En particular, las unidades LSTM mostraron una variedad de rasgos fisiológicos bien conocidos de la actividad neuronal cortical, tales como el ajuste direccional y la dinámica neuronal durante la realización de tareas. LSTM modeló varios atributos fisiológicos clave de los circuitos corticales implicados en tareas motoras. Estos descubrimientos sugieren que los enfoques basados en LSTM podrían proporcionar una mejor estrategia de algoritmo para las neuroprótesis que utilizan interfaces cerebro-máquina en el restablecimiento del movimiento neuromotor en pacientes con discapacidades graves.

Trabajo de referencia:

Po-He Tseng, Núria Armengol Urpi, Mikhail Lebedev, Miguel Nicolelis (2019), “Decoding Movements from Cortical Ensemble Activity Using a Long Short-Term Memory Recurrent Network”, Neuronal Computation, publicado en línea el 12 de abril, https://doi.org/10.1162/neco_a_01189