Interfaces Cerebro-Computador

Las interfaces cerebro-computador para la rehabilitación motora están desarrollados principalmente para pacientes que han sufrido un ictus o una lesión medular, causando parálisis de las extremidades superiores o inferiores. El objetivo típico es que los pacientes entrenen con una BCI durante cierto tiempo, después del cual lograrán mejoras en su función motora. Estas mejoras se facilitan al establecer un vínculo asociativo entre las áreas del cerebro responsables de realizar el movimiento y el feedback periférico, que promueve la reorganización de los circuitos corticales y corticoespinales. Los protocolos más comunes para el entrenamiento son solicitar a los pacientes que intenten mover su extremidad paralizada (motor attempt), o pedirles que simulen mentalmente el movimiento (motor imagery) y facilitar esa acción con un exoesqueleto robótico o la estimulación eléctrica de los músculos.

Los pacientes con lesión medular pueden sufrir parálisis permanente, lo que les impide realizar acciones cotidianas como agarrar un vaso. Las BCI se pueden usar para detectar cuándo el paciente está intentando realizar un movimiento (por ejemplo, decodificando intentos de movimiento o imaginación motora) y luego proporcionar estimulación eléctrica a los músculos para facilitar la acción deseada. Este tipo de neuroprótesis ofrece una forma natural de recuperar la función perdida, evitando la lesión y permitiendo que el paciente use su propia extremidad.

Dentro del proyecto MoreGrasp, Bitbrain desarrolló un sistema de monitorización EEG portátil diseñado específicamente para integrarse con neuroprótesis motoras. MoreGrasp fue un proyecto de la UE H2020 que tenía como objetivo desarrollar BCI no invasivas y neuroprótesis para apoyar la función de agarre en pacientes con tetraplejia debido a una lesión medular.

Los comandos cerebrales se pueden usar para controlar diferentes tipos de robots. Este nuevo tipo de interacción ha abierto un nuevo mundo de aplicaciones. Por ejemplo, las BCI no invasivas se han utilizado para controlar brazos y manos robóticos, robots de navegación autónomos, drones y sillas de ruedas. Los tipos de paradigmas mentales explotados para esto incluyen imaginación motora (motor imagery) y potenciales evocados, como P300 o SSVEPs.

En 2009, el equipo BCI de la Universidad de Zaragoza, fundadores de Bitbrain, presentó un prototipo de silla de ruedas controlada con una BCI basada en el paradigma P300.

Uno de los primeros usos propuestos de BCI fueron dispositivos de comunicación asistida, o speller, que son utilizados por personas que están completamente paralizadas o que tienen el síndrome del enclaustramiento (locked in syndrome). Por ejemplo, las personas con esclerosis lateral amiotrófica (ELA) pueden llegar a perder el control voluntario de sus músculos; la comunicación a través de las ondas cerebrales es la única forma de poder interactuar con ellos. Los primeros dispositivos BCI para esta aplicación se basaron en la modulación de potenciales corticales lentos (SCP), aunque el paradigma mental que ha permitido dispositivos más avanzados y más rápidos es el P300.

Las BCI pueden usarse no solo para el control activo de dispositivos, sino también como una herramienta para monitorizar pasivamente el cerebro del usuario mientras este está involucrado en otras actividades. Las BCI pasivas permiten una adaptación al entorno al considerar el estado mental o la percepción del usuario. Por ejemplo, los datos que estiman la carga de trabajo mental de los estudiantes mediante la monitorización de su EEG se pueden usar para optimizar el aprendizaje, ajustando el nivel de dificultad y repitiendo el contenido que puede no haberse entendido bien. En otro ejemplo, las respuestas cerebrales de un usuario se pueden medir mientras se monitorizan las acciones de un dispositivo (por ejemplo, un robot autónomo o un personaje virtual). El dispositivo puede ser guiado hacia acciones preferidas al proporcionar feedback negativo cuando se detectan potenciales de error en el usuario.

Las técnicas de neurofeedback crean un vínculo causal entre patrones cerebrales específicos y feedback positivo o negativo, facilitando la autorregulación de la actividad cerebral. Gracias a los mecanismos de plasticidad cerebral, el neurofeedback puede usarse para producir cambios neuroplásticos duraderos en la función cerebral. La investigación neurocientífica ha proporcionado evidencia de marcadores cerebrales específicos de la función cognitiva (como la actividad alfa parieto-occipital), y varios estudios de neurofeedback se han dirigido a esos marcadores para facilitar la mejora cognitiva.

Elevvo es una interfaz cerebro-computadora para la mejora cognitiva que utiliza las tecnologías y procedimientos de detección cerebral más avanzados para mejorar la memoria de trabajo, la velocidad de procesamiento y la atención sostenida.