En un avance prometedor para la neurociencia aplicada, un estudio liderado por investigadores de la Universidad de Rhode Island ha logrado avances significativos en el análisis de señales EEG no invasivas para diferenciar tipos complejos de agarre de manos. Esta investigación se enmarca en el desarrollo de neuroprótesis y aplicaciones de interfaz cerebro-computadora (BCI) enfocadas especialmente en pacientes con trastornos motores. Utilizando el análisis de señal wavelet y técnicas avanzadas de aprendizaje automático, los investigadores han alcanzado niveles de precisión notables en la clasificación de distintos tipos de agarre.
Para llevar a cabo este estudio, se utilizaron métodos como el análisis de señal wavelet complejo de Morlet, generando mapas de tiempo-frecuencia a partir de datos EEG capturados con el headset Unicorn Hybrid Black. Con esto, lograron un desempeño extraordinario de modelos de aprendizaje automático como XGBoost, que alcanzaron una precisión promedio del 85.16% en clasificación multicategoría y 95.40% en clasificaciones binarias como No-Movimiento vs. Precisión. Este rendimiento superó las expectativas y los límites tradicionales de precisión, marcando una mejora sobre las exploraciones previas en el campo.
Una innovación clave del estudio consistió en la implementación de un análisis de importancia de características mediante permutación, lo que permitió identificar los patrones neuronales más críticos para la clasificación de agarres. Este estudio destacó que las áreas motoras del cerebro, especialmente en las bandas de frecuencia alfa y beta, son vitales al momento de identificar y clasificar aquellos movimientos relativos al agarre de manos.
Los participantes del estudio, cinco individuos saludables entre 23 y 35 años, participaron en un experimento diseñado meticulosamente para capturar las señales EEG necesarias. El proceso incluía un dispositivo de plataforma motorizada, turnos rápidos entre condiciones de objeto y no objeto, y el uso de gafas inteligentes para evitar sesgos predictivos. Además, las características de los EEG fueron extraídas a partir de las amplitudes de los coeficientes de wavelet morlet continuo, seleccionando parámetros estadísticos como media, varianza, sesgo y curtosis entre las distintas bandas de frecuencia.
En términos de aplicaciones prácticas, este estudio se establece en la frontera de avanzar hacia una tecnología real de neuroprótesis y BCI. Los hallazgos subrayan la importancia de integrar características temporales y espectrales de las señales neuronales, lo que podría optimizar el diseño de dispositivos para individuos con discapacidad motora. El potencial de estos descubrimientos abre la puerta a nuevas aplicaciones médicas y a una mejor comprensión del sistema motor humano. Pero el camino hacia su implementación a gran escala requerirá una mayor variedad de pruebas y un estudio longitudinal más exhaustivo para asegurar la robustez de estas innovaciones en poblaciones diversas.
Con este hito científico, el campo de la neurociencia se aproxima a un futuro donde las interfaces cerebro-computadora sean elementos comunes de asistencia para quienes enfrentan limitaciones motoras, ofreciendo mayores grados de libertad y autonomía a través del poder del pensamiento.