El método de neuroretroalimentación basado en IA reduce la latencia en 50 veces, según un informe
- Investigadores de la Universidad HSE y del AIRI aprovechan la IA para reducir la latencia entre los cambios en la actividad cerebral y las señales de neurofeedback correspondientes en un asombroso 50 veces.
- El estudio abre nuevas vías para abordar condiciones como el trastorno por déficit de atención e epilepsia, ofreciendo perspectivas de mayor eficacia en la terapia de neurofeedback.
- Con la drástica reducción del retraso, la investigación impulsa una reevaluación de la efectividad del neurofeedback, aumentando potencialmente las respuestas positivas en pacientes con trastornos neurológicos.
En un desarrollo innovador, investigadores de la Universidad HSE y del Instituto de Investigación de Inteligencia Artificial (AIRI) han aprovechado el poder de la inteligencia artificial para revolucionar la neuroretroalimentación. El equipo, liderado por Alexei Ossadtchi, logró una reducción notable de 50 veces en la latencia entre los cambios en la actividad cerebral y la señal de neuroretroalimentación correspondiente.
Este logro tiene una promesa significativa para avanzar en los tratamientos relacionados con el trastorno por déficit de atención y la epilepsia. Publicado en el Journal of Neural Engineering, el estudio desafía las limitaciones existentes en la neuroretroalimentación e introduce un posible cambio de juego para los pacientes que se someten a terapias neurológicas.
Abordando el desafío del retraso con la neuroretroalimentación basada en IA
La eficacia de la neuroretroalimentación ha luchado persistentemente con un retraso temporal notable que existe entre los cambios sutiles en la actividad cerebral y la manifestación subsiguiente de las señales de retroalimentación. Aunque investigaciones anteriores mostraron éxito en la minimización de estas brechas temporales, superar el umbral de 500 milisegundos surgió como un impedimento pernicioso, comprometiendo perjudicialmente la congruencia entre la retroalimentación y los eventos cerebrales.
Enfrentando este desafío de frente, los investigadores, percibiendo la saliencia de la latencia, emprendieron un esfuerzo concertado para abordar las complejidades temporales, reconociéndolas como determinantes pivote en el despliegue eficaz de las terapias de neuroretroalimentación.
El desafío predominante residía en el principio de incertidumbre de Gabor, que exigía el escrutinio meticuloso de las magnitudes de la señal cerebral a lo largo de un período temporal de 200 a 300 milisegundos con el propósito de delinear patrones rítmicos particulares. Este procedimiento de filtrado, aunque indispensable, provocó retrasos temporales, complicando así el esfuerzo por forjar un nexo instantáneo entre las alteraciones en la actividad cerebral y las señales de retroalimentación correspondientes.
El avance de TCN en la reducción de la latencia
Para superar el desafío de la latencia, el equipo de investigación recurrió a la inteligencia artificial, entrenando redes neuronales con conjuntos de datos extensos de la actividad cerebral de individuos. El objetivo era crear un modelo capaz de acelerar la detección de señales objetivo en medio del espectro más amplio de la actividad cerebral. Se probaron varias arquitecturas de redes neuronales, con la Red de Convolución Temporal (TCN) emergiendo como la más efectiva.
La implementación de TCN permitió la construcción de un filtro que aislaba la actividad cerebral rítmica, lo que llevó a una reducción sin precedentes en la latencia. El retraso en la presentación de las señales de retroalimentación, que refleja la intensidad instantánea del ritmo alfa, se redujo a solo 10 ms. Esto representa un avance notable, reduciendo el retraso aproximadamente en cincuenta veces en comparación con los sistemas convencionales de neuroretroalimentación.
La Red de Convolución Temporal (TCN), además de evidenciar una competencia inigualable en la mitigación de la latencia, exhibió conspicuamente una capacidad para rastrear transiciones dentro de las poblaciones neuronales en un entorno verdaderamente en tiempo real, todo mientras mantenía un retraso nominalmente impresionante. Este modus operandi innovador no solo anuncia una época transformadora en el ámbito de la neuroretroalimentación, sino que también sienta las bases para una reconfiguración paradigmática, ofreciendo una metodología terapéutica que no solo es más receptiva, sino también notablemente más eficaz para abordar las complejidades de los trastornos neurológicos.
Los esfuerzos colaborativos de los investigadores de la Universidad HSE y AIRI han impulsado la neuroretroalimentación a una nueva era. Al aprovechar la IA, han abordado con éxito el problema de larga data de la latencia, abriendo posibilidades sin precedentes para el tratamiento de condiciones neurológicas. Los hallazgos del estudio no solo desafían los paradigmas existentes, sino que también proporcionan un posible avance en la mejora de la eficacia de las terapias de neuroretroalimentación. A medida que la comunidad de investigación explora las implicaciones más amplias de la neuroretroalimentación basada en IA, promete un futuro donde los trastornos neurológicos puedan entenderse y tratarse de manera más efectiva.
Las mentes más inteligentes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Únete a ellos.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Aamir Sheikh
Aamir es un periodista tecnológico con casi seis años de experiencia en los sectores de criptomonedas y tecnología. Se graduó de la Universidad MAJ con un MBA en Finanzas y Marketing. Ahora trabaja con Cryptopolitan, donde informa sobre los últimos desarrollos en los mercados de criptomonedas y predicciones de precios.
