El Fin Del Conocimiento - Bóveda 3 - G.TEC BCI & Neurotecnología Escuela de Primavera 2024 - Día 3

graph LR classDef alimardani fill:#f9d4d4, font-weight:bold, font-size:14px classDef bci fill:#d4f9d4, font-weight:bold, font-size:14px classDef research fill:#d4d4f9, font-weight:bold, font-size:14px classDef challenges fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#f9d4f9, font-weight:bold, font-size:14px A["Maryam Alimardani"] --> B["Alimardani: investigadora de BCI, Ámsterdam.
1"] A --> C["BCIs: conexión cerebro-máquina,
IA. 2"] C --> D["Tipos de BCI: activos, reactivos,
pasivos. 4"] D --> E["BCIs activos: imaginación motora,
exigente. 5"] E --> F["Ineficiencia de BCI: los usuarios luchan.
6"] F --> G["¿Usuario o IA responsable?
No claro. 8"] A --> H["Enfoque de Alimardani: VR/robots, experiencia
del usuario. 3"] H --> I["Factores humanos afectan el
rendimiento de BCI. 9"] I --> J["Correlaciones cognitivas, de personalidad, demográficas.
10"] J --> K["No hay diferencias de género en la
supresión mu. 11"] H --> L["IA adaptativa mejora la
precisión de BCI. 12"] H --> M["Retroalimentación humana activa
áreas sensorimotoras. 13"] M --> N["Retroalimentación incorporada mejora el
aprendizaje de BCI. 14"] H --> O["Gamificación, VR involucran el
entrenamiento de BCI. 15"] O --> P["Elementos de juego necesitan más
pruebas. 16"] O --> Q["IA adaptativa + gamificación
prometedoras. 17"] Q --> R["Interacción social, juegos
motivan el entrenamiento. 18"] H --> S["Juegos de BCI permiten
neurorehabilitación. 19"] S --> T["Retroalimentación incorporada motiva
la rehabilitación de accidentes cerebrovasculares. 20"] S --> U["La gamificación mejora las aplicaciones
clínicas. 21"] A --> V["Desafíos de BCI: ética, datos,
privacidad. 22"] V --> W["Preocupaciones éticas: seguridad,
autonomía, responsabilidad. 23"] V --> X["Se necesita más investigación sobre la
ética de BCI. 24"] A --> Y["Ritmo mu detectable en 2-4
segundos. 25"] A --> Z["La gamificación involucra a los usuarios,
ayuda a la adaptación. 26"] A --> AA["Percepción de la luz, género no
estudiados. 27"] A --> AB["Rehabilitación de accidentes cerebrovasculares: BCI + estimulación
táctil. 28"] A --> AC["Clasificar emociones de EEG
desafiante. 29"] A --> AD["Gorros EEG estándar reducen
problemas de electrodos. 30"] class A,B alimardani class C,D,E,F,G,Y,AA,AB,AC,AD bci class H,I,J,K,L,M,N,O,P,Q,R,S,T,U research class V,W,X challenges class Z future

Resumen:

1.-Maryam Alimardani es investigadora en interfaces cerebro-computadora (BCIs) en la Universidad de Ámsterdam.

2.-Los BCIs conectan cerebros humanos a máquinas externas usando neuroimagen, IA, control de máquinas y componentes de retroalimentación.

3.-La investigación de Alimardani se centra en interfaces neuro-adaptativas para VR/robots sociales y experiencias de interacción del usuario.

4.-Los BCIs activos requieren esfuerzo activo del usuario, los BCIs reactivos dependen de reacciones cerebrales a estímulos, y los BCIs pasivos monitorean estados del usuario.

5.-La imaginación motora, imaginar movimiento sin ejecución, es una tarea común pero exigente para los BCIs activos.

6.-El 15-30% de los usuarios novatos luchan con los BCIs de imaginación motora, lo que antes se llamaba "analfabetismo de BCI" pero ahora es "ineficiencia de BCI".

7.-El problema de la ineficiencia de BCI ha persistido durante 14 años sin una solución clara.

8.-No está claro si el usuario, el sistema de IA, o ambos son responsables de la ineficiencia de BCI.

9.-La investigación de Alimardani examina factores humanos como habilidades cognitivas, personalidad, demografía y estados mentales relacionados con el rendimiento de BCI.

10.-Alta memoria visual-espacial, rasgos de baja autonomía e imágenes visuales vívidas se correlacionaron con un mejor rendimiento de BCI de imaginación motora.

11.-Un estudio con 248 participantes no encontró diferencias de género significativas en la supresión mu general de imaginación motora.

12.-Modelos de aprendizaje profundo que se adaptan a los patrones de cada usuario mejoraron la precisión de BCI, especialmente para los de bajo rendimiento.

13.-Proporcionar retroalimentación visual de robots similar a la humana activó áreas sensorimotoras más que la retroalimentación abstracta estándar de computadora.

14.-Los usuarios aprendieron mejor las habilidades de BCI de imaginación motora en múltiples sesiones con retroalimentación humana incorporada versus retroalimentación de pantalla no incorporada.

15.-La gamificación y los entornos inmersivos usando VR/agentes virtuales muestran potencial para involucrar el entrenamiento de BCI de imaginación motora.

16.-Una revisión encontró que los estudios principalmente manipularon la retroalimentación en BCIs gamificados, pero otros elementos de juego necesitan más pruebas empíricas.

17.-Combinar IA adaptativa con protocolos gamificados atractivos podría mejorar tanto el aprendizaje del usuario como el rendimiento del sistema juntos.

18.-La interacción social y los juegos multiusuario son áreas prometedoras para hacer el entrenamiento de BCI más motivador.

19.-Los juegos de BCI pueden ir más allá del entretenimiento para habilitar aplicaciones de neurorehabilitación.

20.-La retroalimentación incorporada de manos virtuales puede ayudar a motivar a los pacientes con accidentes cerebrovasculares en el entrenamiento de rehabilitación de BCI.

21.-La gamificación podría mejorar aún más la terapia de accidentes cerebrovasculares basada en BCI y otras aplicaciones clínicas.

22.-Los investigadores de BCI enfrentan desafíos para obtener autorizaciones éticas relacionadas con la recopilación de datos, almacenamiento y privacidad del usuario.

23.-Las preocupaciones éticas para los BCIs incluyen seguridad física, factores psicológicos, impacto social, experiencia del usuario, autonomía y responsabilidad.

24.-Se necesita más investigación sobre la ética de los sistemas BCI a medida que se mueven fuera del laboratorio.

25.-La supresión del ritmo mu para detectar imaginación motora puede extraerse dentro de 2-4 segundos de la tarea mental.

26.-La gamificación puede ayudar a los usuarios a adaptarse y mantenerse involucrados con los BCIs en comparación con los protocolos estándar monótonos.

27.-No se examinaron las diferencias de percepción de la luz entre géneros como un factor en el estudio de rendimiento de BCI de Alimardani.

28.-Para la rehabilitación de accidentes cerebrovasculares, combinar BCIs de imaginación motora con retroalimentación de estimulación muscular táctil puede ayudar a restaurar las conexiones cerebro-músculo.

29.-Clasificar emociones específicas de las señales EEG sigue siendo muy desafiante debido a las diferencias individuales y la complejidad de las representaciones neuronales de emociones.

30.-Los gorros EEG modernos que siguen sistemas de posicionamiento estándar han reducido las preocupaciones sobre colocaciones inconsistentes de electrodos entre sesiones.

Bóveda de Conocimiento construida porDavid Vivancos 2024