‘¿Qué campos de estudio están involucrados en la investigación del encaje neural?’
A2A.
Supongo que la ‘investigación del encaje neural’ tiene que ver con el comentario de Elon sobre las interfaces cerebro-computadora durante la Conferencia de Código 2016.
- ¿Es científicamente posible cambiar de forma?
- ¿Cómo son la evaluación y la evaluación similares y diferentes?
- Educación de posgrado: ¿Los doctorados fuera de EE. UU. O Europa están en desventaja en comparación con los doctorados dentro de sus países? ¿Hay buenos postdoctorados / profesores para ingresar en los países occidentales?
- ¿Las subvenciones del gobierno promueven la innovación?
- Cómo investigar eficazmente temas altamente emotivos como la ética de la carne halal cuando todos los investigadores / comentaristas parecen tener un fuerte sesgo de una forma u otra
Estoy muy fascinado por la nueva aventura de Elon en las interfaces cerebro-computadora. A partir de hoy, no hay mucha información sobre la visión de su nueva empresa: neuralink. En la Conferencia de Código 2016, Elon Musk había nombrado su visión para BCI como ‘encaje neural’. Hasta donde sé, el encaje neural parece ser un BCI invasivo. Si ese es el caso, entonces la pregunta es si habrá implantes quirúrgicos de electrodos (matrices de microelectrodos o electrocorticografía) o nanobots futuristas a través de la sangre (los nanobots podrían convertirnos en DIOSES al conectar nuestros cerebros a Internet). Aunque soy muy escéptico con respecto a la BCI invasiva, tiene la ventaja de una alta relación señal / ruido. Ahora, volviendo a la pregunta, independientemente del tipo de BCI (no invasivo o invasivo), creo que la investigación del encaje neural requerirá experiencia en
- Neurociencia (duh!)
- Ciencia de los materiales (tipo de sensores utilizados)
- Procesamiento de señales para abordar los artefactos de ruido biológico.
- Aprendizaje automático para datos no estacionarios.
Para explicar más, uno necesita tener una comprensión básica del cerebro humano. Para comenzar, lea sobre las diferentes regiones del cerebro y sus funciones, seguido de la dinámica mesoscópica del cerebro. La dinámica cerebral mesoscópica le dirá cómo interactúan las neuronas con otras partes del cerebro. Para decodificar la información neuronal, se necesita una resolución espacio-temporal muy alta, que generalmente es muy difícil de obtener. Solo la matriz de microelectrodos (MEA) implantada y el ECoG colocados dentro del cráneo dentro de una región de interés limitada pueden proporcionar una resolución espacio-temporal muy alta. Además, las señales neuronales obtenidas de MEA y ECoG se limitan a un área pequeña en el cerebro (por ejemplo, PMc, M1, ACC, etc.) y no están en línea con lo que Elon Musk quiere lograr. Dichas modalidades invasivas tienen aplicaciones clínicas muy enfocadas, y no están destinadas a decodificar información del habla (o pensamientos). El EEG puede cubrir casi toda la cabeza humana con 128 canales, pero es un proceso tedioso para grabar señales de 128 canales y también la resolución espacial sigue siendo pobre (incluso con 128 canales). Además, la calidad de la señal se degrada a medida que las corrientes corticales atraviesan diferentes capas del cerebro, como la corteza, el cráneo, el cuero cabelludo y el cabello.
Dado que el EEG parece ser el mejor método actual para obtener la señal neural de toda la corteza, pero limitado por una baja relación señal / ruido para cualquier decodificación cerebral significativa, debe haber una mejora significativa en la investigación de la ciencia de los materiales en el sensor diseño. Necesitamos sensores de polímero seco que puedan captar las corrientes corticales con un valor de conductividad muy alto. Como no tengo experiencia en ciencia de materiales, no haría ningún comentario al respecto.
Con respecto al procesamiento de la señal, las señales de EEG (o cualquier otra modalidad) son propensas a los artefactos de ruido biológico (p. Ej., Movimiento muscular, parpadeo de ojos, etc.). etc.) que puede ayudar a minimizar estos artefactos. Una vez que las señales corticales son preprocesadas, podemos aplicar diferentes algoritmos de procesamiento de señales para obtener características relacionadas con la tarea de interés. Es necesario comprender que las señales cerebrales son altamente no estacionarias y, por lo tanto, se debe tener cuidado al aplicar algoritmos que asumen la distribución gaussiana. Los algoritmos de aprendizaje automático pueden ayudar en la selección y clasificación de funciones. Aunque el aprendizaje profundo se ha vuelto muy popular en estos días, no ha dado buenos resultados en el procesamiento de datos basado en EEG. El aprendizaje profundo requiere una gran cantidad de datos de capacitación que no están disponibles en este momento. Aunque existen datos de EEG de código abierto disponibles, no son suficientes para el aprendizaje profundo. Además, el principio en el aprendizaje automático: “Basura en la basura” significa que si los datos que están siendo entrenados por los modelos de aprendizaje profundo son basura (o muy mal preprocesados), el resultado también sería muy pobre. Aún así, soy optimista sobre la forma en que evoluciona el aprendizaje profundo, y espero que dentro de unos años, habrá una mejora sustancial en la decodificación de la señal cerebral.
Una vez que sepa más sobre cuál es el punto de vista de Elon Musk sobre la investigación del encaje neural, actualizaré mi respuesta.
