El Fin Del Conocimiento - Bóveda 3 - GTEC BCI & Neurotecnología Escuela de Primavera 2024 - Día 1

graph LR classDef meta fill:#f9d4d4,font-weight:bold,font-size:14px classDef emg fill:#d4f9d4,font-weight:bold,font-size:14px classDef models fill:#d4d4f9,font-weight:bold,font-size:14px classDef results fill:#f9f9d4,font-weight:bold,font-size:14px classDef future fill:#f9d4f9,font-weight:bold,font-size:14px A["Alexandre Gramfort"] --> B["EMG de Meta para HCI.
1"] A --> C["EMG: neuronas a computadora. 2"] C --> D["SNP: neuronas motoras a músculos. 3"] B --> E["EMG permite entrada sin dispositivos. 4"] B --> F["EMG difiere entre usuarios. 5"] F --> G["Los datos de un usuario no ayudan
a otros. 6"] B --> H["Datos de usuarios grandes permiten
modelos genéricos. 7"] B --> I["Colocación precisa de electrodos crucial. 8"] A --> J["Preimpresión evaluada en usuarios no vistos. 9"] J --> K["Más usuarios, modelos más grandes reducen
errores. 10"] B --> L["EMG más viable para HCI de alta
ancho de banda. 11"] B --> M["Diseño de hardware crucial con ML. 12"] B --> N["16 canales bipolares, muestreo de 2 kHz
utilizado. 13"] B --> O["Nuevos datos de usuarios ayudan más allá de
modelos genéricos. 14"] O --> P["Pequeño conjunto inicial, más ganancia de
personalización. 15"] A --> Q["Meta lanzará conjuntos de datos EMG. 16"] A --> R["Unidades motoras: neurona y fibras musculares. 17"] R --> S["Disparo de unidad motora da EMG
medible. 18"] B --> T["EMG más rápido que movimientos físicos. 19"] T --> U["EMG podría permitir mayor rendimiento
humano-computadora. 20"] B --> V["Variabilidad muscular dificulta la decodificación
de EMG. 21"] V --> W["Se necesitan datos de entrenamiento grandes y diversos
para robustez. 22"] J --> X["El documento se centró en modelos
independientes del usuario. 23"] B --> Y["Cambios de usuario más fáciles que diferencias
de usuario. 24"] A --> Z["Estándares EMG abiertos ayudarían a la investigación. 25"] B --> AA["Cambios musculares difíciles sin datos
de entrenamiento similares. 26"] B --> AB["EMG puede estimar fuerza precisa. 27"] B --> AC["Artefactos de movimiento desafiantes, pero
EMG domina. 28"] A --> AD["Movimientos imposibles una dirección de
investigación futura. 29"] A --> AE["Grandes conjuntos de datos y ML permiten EMG
HCI. 30"] class A,B,F,G,H,I,L,M,N,O,P,Q,V,W,Y,Z,AA,AB,AC,AD,AE meta class C,D,R,S,T,U emg class J,K,X results class E future

Resumen:

1.- Alexandre Gramfort de Meta Reality Labs presentó trabajo sobre electromiografía (EMG) para interfaces humano-computadora, con resultados detallados en una preimpresión de bioRxiv.

2.- EMG permite acceso directo desde neuronas y músculos a una computadora, potencialmente proporcionando una salida de mayor ancho de banda en comparación con dispositivos de entrada típicos.

3.- El sistema nervioso periférico conecta las neuronas motoras de la corteza motora a los músculos del cuerpo, lo cual puede ser detectado con EMG.

4.- Los ejemplos mostraron EMG permitiendo pulsaciones de botones virtuales, movimientos en 4D tipo joystick, escritura rápida en cualquier superficie y reconocimiento de escritura a mano, todo sin sostener dispositivos.

5.- Las señales de EMG difieren sustancialmente entre usuarios debido a diferencias anatómicas. Más datos de entrenamiento de un usuario mejoran la decodificación de EMG para ese individuo.

6.- Sin embargo, los datos de un usuario no ayudan a decodificar señales de EMG de un nuevo usuario no visto, debido a diferencias anatómicas individuales.

7.- Los modelos de aprendizaje profundo entrenados en datos de EMG de miles de usuarios (hasta 5000) permiten construir interfaces EMG genéricas independientes del usuario.

8.- La colocación precisa de electrodos sobre músculos relevantes es importante. El EMG del hombro no puede decodificar movimientos de los dedos. Los electrodos deben estar cerca de la fuente de la señal EMG.

9.- La preimpresión evaluó modelos de EMG en nuevos usuarios no vistos para la clasificación de gestos discretos, movimientos continuos de muñeca y escritura de letras.

10.- Los resultados mostraron que entrenar en más usuarios (hasta 5000) y usar modelos de aprendizaje profundo más grandes redujo sustancialmente los errores en nuevos usuarios.

11.- EMG parece ser el enfoque más viable actualmente para interfaces humano-computadora de alta ancho de banda y mínimamente invasivas basadas en la detección del sistema nervioso.

12.- El diseño de hardware, como la optimización de la colocación y el conteo de electrodos para una fuerte relación señal-ruido, es crucial junto con el aprendizaje automático para las interfaces EMG.

13.- Los datos brutos de EMG utilizaron un montaje bipolar de 16 canales y se muestrearon a 2 kHz. La variabilidad en la colocación de electrodos es mucho menor que la variabilidad del usuario.

14.- La personalización actualizando un modelo de EMG con algunos datos de un nuevo usuario todavía ayuda más allá de los mejores modelos genéricos independientes del usuario.

15.- La ganancia de la personalización es mayor cuando el conjunto de entrenamiento inicial es pequeño. Con miles de usuarios, son factibles buenos modelos independientes del usuario.

16.- Meta está trabajando para liberar públicamente algunos conjuntos de datos de EMG en el futuro para facilitar la investigación, como datos sobre escritura en superficie con ambas manos.

17.- Se proporcionó información sobre el sistema nervioso y las unidades motoras. Cada neurona motora inerva un grupo de fibras musculares llamado unidad motora.

18.- Cuando una neurona motora dispara, todas las fibras musculares en su unidad motora se contraen juntas, proporcionando una señal lo suficientemente fuerte para medir con EMG.

19.- Las señales de EMG reflejan la salida neural de la corteza motora y son mucho más rápidas que los movimientos físicos resultantes de músculos y articulaciones.

20.- Acceder a esta señal EMG más rápida y de mayor ancho de banda y evitar el movimiento físico podría permitir un mayor rendimiento de información de humano a computadora que las interfaces típicas.

21.- Sin embargo, los músculos exhiben una variabilidad sustancial entre personas en términos de tamaño, fuerza, anatomía e inervación neural, lo que hace que la decodificación de EMG sea desafiante.

22.- Tener datos de entrenamiento de EMG de un conjunto grande y diverso de individuos es crucial para construir robustez frente a esta variabilidad individual.

23.- Los resultados en el documento se centraron específicamente en modelos independientes del usuario sin calibración o actualización para cada nuevo usuario individual.

24.- Detectar no estacionariedades a lo largo del tiempo dentro de un usuario, como debido a fatiga o cambios de impedancia de electrodos por sudor, es más fácil que manejar la variabilidad del usuario.

25.- Los estándares de código abierto facilitarían el intercambio de datos y la investigación sobre EMG. Los desarrolladores han comenzado discusiones sobre la estandarización de un formato de archivo EMG.

26.- Los cambios en la señal EMG por debilidad muscular o lesión serían desafiantes a menos que se incluyan ejemplos similares en los datos de entrenamiento.

27.- La estimación precisa de la fuerza es posible con EMG, ya que la amplitud de la señal se correlaciona con la fuerza del reclutamiento y contracción muscular.

28.- Los artefactos de movimiento que afectan a los electrodos son un desafío, ya que la señal central de EMG es eléctrica. Pero la mayor parte de la información aún proviene del propio EMG.

29.- Ideas futuristas como interfaces para nuevos movimientos imposibles para los humanos requerirían avances más allá del trabajo actual, pero son direcciones de investigación interesantes a largo plazo.

30.- En resumen, las interfaces humano-computadora basadas en EMG de alta ancho de banda están siendo cada vez más factibles, impulsadas por el acceso a grandes conjuntos de datos diversos y enfoques modernos de aprendizaje automático.

Bóveda del Conocimiento construida por David Vivancos 2024