Conocimiento Bóveda 3/42 - G.TEC BCI & Neurotecnología Escuela de Primavera 2024 - Día 4
BCIs en Essex
Reinhold Scherer, Universidad de Essex (Reino Unido) & Anfitrión del Hackathon
<Imagen del Resumen >

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Llama 3:

Reinhold Scherer
La condición del padre de Scherer
motiva la investigación de BCI. 1
BCIs: reconocimiento de patrones para
control de usuarios con discapacidad. 2
Scherer: BCIs endógenos
se adaptan a señales cambiantes. 3
BCIs detectan carga de trabajo,
somnolencia en interfaces. 4
EEG varía entre individuos,
requiere adaptación del usuario. 5
Entrenamiento estándar de BCI:
datos offline, retroalimentación online. 6
Solo el 50% de usuarios novatos
logran más del 70% de precisión. 7
Scherer: entrenamiento co-adaptativo
online mejora el rendimiento. 8
Co-adaptativo: 70-90% de precisión,
20-30 min, sin configuración experta. 9
Métodos avanzados como CSP,
bosques aleatorios aumentan precisión. 10
Aprendizaje por transferencia: 90%
de precisión, adaptación a nuevos usuarios. 11
Control concurrente de BCI
con movimiento manifiesto posible. 12
Adaptar la imaginación mental
mejora la precisión del usuario. 13
Ciertas combinaciones de tareas
altamente distinguibles para BCI. 14
Tareas personalizadas, co-adaptación
mejoran el rendimiento del paciente. 15
Retroalimentación motivadora, tareas optimizadas
permiten precisión del paciente. 16
Detener la adaptación post-entrenamiento
permite uso estable a largo plazo. 17
Juegos complejos controlables
con BCI de múltiples clases. 18
BCIs para usuarios discapacitados: considerar
desafíos como actividad muscular. 19
Colaboración cercana con el usuario final
crucial para diseño de BCI realista. 20
BCI permite a pacientes con parálisis cerebral
jugar juegos. 21
BCIs detectan cibernaúsea en VR,
algunos errores de entorno. 22
Pérdidas de seguimiento en VR
detectables desde EEG. 23
BCIs pueden mejorar el aprendizaje
adaptándose a estados mentales. 24
Carga de trabajo EEG, ansiedad aumentan
con dificultad de tareas matemáticas. 25
Alta ansiedad matemática vinculada a
niveles más altos de carga de trabajo EEG. 26
El aprendizaje neuro-adaptativo requiere
múltiples patrones de estado mental. 27
Avances clave: auto-calibración,
tareas específicas del usuario, retroalimentación motivadora. 28
Scherer: colaboración entre investigadores,
clínicos, usuarios impulsa el campo de BCI. 30

Resumen:

1.- La motivación de Reinhold Scherer para la investigación de BCI proviene de que su padre tiene una condición neurológica y quiere ayudar a las personas con discapacidades.

2.- Los BCIs pueden usarse como un sistema de reconocimiento de patrones para generar señales de control que permitan a los usuarios con discapacidades físicas moverse o comunicarse.

3.- Scherer se centra en los BCIs endógenos donde los usuarios generan patrones cerebrales por sí mismos, requiriendo que el BCI se adapte a las señales cerebrales cambiantes del usuario.

4.- Los BCIs también pueden usarse para detectar estados psicológicos como la carga de trabajo y la somnolencia en una interfaz neuro-adaptativa.

5.- Las señales EEG tienen una variabilidad inherente entre individuos, requiriendo que los BCIs se adapten a los patrones cerebrales únicos de cada usuario.

6.- El entrenamiento estándar de BCI tiene una fase de recopilación de datos offline seguida de un entrenamiento de retroalimentación online, que consume tiempo y tiene tasas de éxito mixtas.

7.- Un estudio encontró que solo el 50% de los usuarios novatos saludables de BCI lograron más del 70% de precisión, mostrando las limitaciones de los enfoques de entrenamiento existentes.

8.- Scherer desarrolló un enfoque de entrenamiento co-adaptativo online que proporciona retroalimentación en tiempo real y adapta los parámetros del BCI, mejorando el rendimiento en un tiempo de entrenamiento limitado.

9.- Este entrenamiento co-adaptativo logró una precisión del 70-90% para la mayoría de los usuarios saludables en 20-30 minutos sin necesidad de conocimientos expertos para configurarlo.

10.- Métodos de procesamiento de señales más avanzados como CSP y bosques aleatorios mejoraron aún más la precisión del entrenamiento co-adaptativo online a alrededor del 80% en promedio.

11.- El aprendizaje por transferencia, utilizando datos de sujetos anteriores para inicializar un modelo que se adapta a un nuevo usuario, logró alrededor del 90% de precisión.

12.- Los usuarios saludables pueden aprender a controlar un BCI concurrentemente con el control manual manifiesto, permitiendo el uso de BCI mientras se mueven normalmente.

13.- Adaptar la imaginación mental utilizada (por ejemplo, generación de palabras vs imaginación motora) puede mejorar significativamente la precisión de clasificación del BCI para usuarios individuales.

14.- Experimentos con diferentes tareas mentales encontraron que ciertas combinaciones de tareas (por ejemplo, generación de palabras vs movimiento de manos) eran altamente distinguibles para el control de BCI.

15.- Adaptar las tareas mentales a cada usuario, combinado con el entrenamiento co-adaptativo, mejoró el rendimiento del BCI en pacientes con discapacidades.

16.- Proporcionar retroalimentación motivadora y tareas optimizadas individualmente permitió que la mayoría de los pacientes lograran una buena precisión de BCI sin intervención experta.

17.- Detener la adaptación continua del BCI después del entrenamiento inicial no disminuyó significativamente el rendimiento, permitiendo un uso estable a largo plazo después de la auto-calibración.

18.- Juegos complejos como World of Warcraft podrían ser interfaseados con un BCI de múltiples clases detectando diferentes movimientos imaginados para controlar el avatar.

19.- Los BCIs para usuarios con discapacidades severas como la parálisis cerebral necesitan tener en cuenta desafíos como la actividad muscular incontrolada que contamina las señales EEG.

20.- Trabajar de cerca con los usuarios finales es crucial para diseñar BCIs que se ajusten a sus necesidades, habilidades y preferencias para aplicaciones útiles en el mundo real.

21.- Un BCI fue utilizado con éxito por individuos con parálisis cerebral para jugar juegos usando una interfaz de escaneo auto-calibrada con la que estaban familiarizados.

22.- Los BCIs pueden potencialmente detectar cibernaúsea inducida por VR y algunos tipos de errores de entorno VR basados en respuestas EEG sin tareas activas del usuario.

23.- Las pérdidas de seguimiento en VR podrían detectarse desde EEG con más del 80% de precisión, mientras que las anomalías de fondo no produjeron una respuesta significativa.

24.- Los BCIs podrían ayudar a mejorar el aprendizaje, por ejemplo, adaptándose a estados mentales como la carga de trabajo, la atención y la ansiedad durante una lección.

25.- Se encontró que la carga de trabajo EEG y el poder gamma occipital aumentaban junto con la ansiedad matemática durante una tarea de rompecabezas matemático similar a Sudoku.

26.- El nivel de carga de trabajo EEG aumentó a medida que los rompecabezas matemáticos se volvían más difíciles, y fue más alto en general en individuos con alta ansiedad matemática.

27.- Desarrollar sistemas de aprendizaje neuro-adaptativos prácticos requiere analizar patrones a través de múltiples estados mentales informativos, no solo una medida única como la carga de trabajo.

28.- En resumen, los avances clave incluyen la auto-calibración rápida, tareas mentales específicas del usuario, retroalimentación motivadora y diseño enfocado en el usuario final para hacer prácticos los BCIs.

29.- Las aplicaciones robustas de BCI en el mundo real requieren más investigación en la combinación de múltiples señales cerebrales y conductuales para interpretar con precisión los estados e intenciones del usuario.

30.- Scherer enfatizó la importancia de la colaboración entre investigadores, clínicos y usuarios finales para impulsar el campo hacia adelante y realizar todo el potencial de los BCIs.

Bóveda del Conocimiento construida porDavid Vivancos 2024