Fundamentos de la RMN en la investigación de la interfaz de la computación cerebral

Imaging de resonancia magnética (RM) proporciona imágenes no invasivas y de alta resolución de la estructura y función del cerebro. Para la investigación de la interfaz de computador cerebral (BCI), esta capacidad es fundamental. Los BCI decodifican señales neuronales para controlar dispositivos externos, y es esencial una cartografía espacial exacta de la actividad cerebral. La RM ofrece esa cartografía con precisión milímetro, permitiendo a los investigadores definir las regiones corticales involucradas en movimientos cognitivos.

Cómo funciona la RMN en imágenes neuronales

La IRM explota las propiedades magnéticas de los átomos de hidrógeno en las moléculas de agua. Cuando se coloca en un campo magnético fuerte y se expone a pulsos de radiofrecuencia, estos átomos emiten señales que se reconstruyen en imágenes detalladas. Para la investigación de la IRM se utilizan dos modalidades principales de IRM: IRM estructural y IRM funcional.

RM funcional vs.: Herramientas complementarias

La RMN estructural revela la anatomía del cerebro — materia gris, materia blanca y límites de fluido cefalorraquídeo. Esto es crítico para diseñar las ICBs que apuntan a sulci o giro específico. La RM funcional, por contraste, rastrea la señal BOLD (blood-oxygen-level-dependiente), que se eleva en regiones cerebrales activas. Juntos, ofrecen una imagen completa: un mapa de alta definición

El papel de la RMN en el desarrollo de la BCI

Los sistemas de BCI dependen de saber preciso de qué áreas cerebrales generan las señales para decodificarlas. La RM informa directamente de este proceso mediante la asignación de correlaciones neuronales de intención y acción. Esta sección explora cómo la RM estructural y funcional contribuye al diseño y optimización de BCI.

Mapping Brain Activity with fMRI

La RM funcional permite a los investigadores observar la actividad cerebral mientras un sujeto realiza tareas, como imaginar mover una mano o hablar una palabra. Al identificar las regiones que activan constantemente, los desarrolladores de BCI pueden seleccionar colocaciones óptimas de electrodo o protocolos de entrenamiento. Por ejemplo, los estudios de FMRI han localizado la corteza motora y la zona motora complementaria para las BCIs de imagen de movimiento, y el gur de inferior izquierda para la BCI espacial reducir drásticamente.

RMN estructural para ICBs personalizados

Cada cerebro tiene una anatomía única. La RRM estructural proporciona la hoja de ruta individualizada necesaria para alinear el hardware BCI, como electrodos o optrodes, con los puntos de referencia corticales del usuario. Esta personalización mejora la calidad de la señal y la comodidad del usuario. También permite modelos computacionales que predicen cómo un BCI realizará un 15% en una persona determinada.

Principales avances habilitados por la RMN

Los recientes avances en la tecnología de RM han acelerado la investigación de BCI en tres esferas principales: la atención a la precisión, la retroalimentación en tiempo real y la integración con el aprendizaje automático.

Mejora de la orientación neuronal

La RM estructural de alta resolución, especialmente en 7 Tesla y más arriba, puede resolver columnas corticales y núcleos subcorticales críticos para aplicaciones BCI. Esto permite a los investigadores apuntar las capas exactas de la corteza motora que proyectan a circuitos de espina dorsal, o los voxels exactos en los giros fusiformes utilizados para prótesis visuales. El resultado es BCIs que requieren menos ensayos para entrenar y operar con mayor consistencia.

FMRI en tiempo real para comentarios de BCI

La RMN en tiempo real (rtfMRI) permite a los participantes ver su propia actividad cerebral como sucede. Esto se ha utilizado para enseñar a las personas autorregulación de regiones como la corteza amygdala o cingular anterior, creando un BCI cerrado que modula estados emocionales o cognitivos. Más recientemente, los sistemas combinados de RtfMRI y EEG ofrecen tanto el control espacial alto (fMRI) como el control temporal (EEG resolución.

Integración con el aprendizaje automático

Los datos de la RMN producen conjuntos de características de alta dimensión. Los modelos de aprendizaje automático —en particular las redes convolutivas profundas— pueden aprender patrones que correlacionan la actividad de vóxel de la RMN con salidas previstas.Por ejemplo, los investigadores de Naturaleza Neurociencia (2023) demostraron que un modelo basado en transformadores entrenado en una FMRI de rendimiento total podría decodificar las frases con una precisión del 40% reduce la precisión del vocabulario limitado.

Desafíos y limitaciones

A pesar de sus fortalezas, la RMN tiene limitaciones que deben abordarse para el despliegue práctico de la BCI.

Resoluciones temporales Limitaciones

La RRM funcional captura la respuesta BOLD, que alcanza los 4-6 segundos después del disparo neuronal. Esto es mucho más lento que la dinámica de escala milisegunda de la EEG o las grabaciones intracorticales. Para las aplicaciones BCI que requieren un control rápido, como movimientos de cursor o síntesis de discursos en tiempo real, este retraso es un cuello de botella significativo.

Accesibilidad y Costo

Los escáneres de RM de alto nivel son caros y requieren habitaciones blindadas, refrigeración de helio líquido y operadores especializados. La mayoría de las instalaciones de investigación de BCI no pueden permitirse sistemas de RM dedicados. Los sistemas de RM portátiles de bajo nivel están surgiendo pero ofrecen una resolución espacial más baja. Esto limita la traducción de técnicas de IRM a configuraciones clínicas o de hogar.

Future Directions

La tecnología de RM sigue evolucionando, abriendo nuevas posibilidades para la investigación y las aplicaciones de BCI.

RM de campo ultra-alto (≥7 Tesla)

Los escáneres que operan en 7T o 9.4T proporcionan resolución de sub-millímetro y sensibilidad mejorada a las señales BOLD. Esto permite a los investigadores de BCI mapear la actividad en áreas pequeñas y funcionalmente distintas, como el núcleo intermedio ventral humano (VIM) para el control de temblores, o columnas individuales en la corteza visual primaria para prótesis visuales.

Sistemas híbridos de imágenes

La combinación de RMN con otras modalidades, como la tomografía de emisión de positrones (PET), la electroencefalografía (EEG), o la espectroscopia funcional de infrarrojos (fNIRS) — capitaliza las fortalezas de cada uno. PET-MRI, por ejemplo, puede medir simultáneamente el metabolismo y la hemodinámica, ofreciendo una visión más completa de los estados cerebrales relevantes para BCI.

BCI de próxima generación

A medida que se acumulan datos de RMN, se alimentan de atlas cerebrales a gran escala que sirven como antecedentes para la calibración individual de BCI. Los modelos de aprendizaje automático preentrenados en miles de escáneres de RMF podrían reducir el tiempo de entrenamiento para un nuevo usuario de BCI de horas a minutos. Además, se están explorando sistemas de neuromodulación de cierre cerrado que combinan la RMF en tiempo real con ultrasonido o optopogenética transcraneal.

Conclusión

La tecnología de RM no es simplemente una herramienta para visualizar el cerebro, es un activador de la investigación de interfaz de ordenador cerebral. Desde la asignación de actividad neuronal con RMN a la orientación de interfaces personalizadas con RMN estructural, proporciona la precisión espacial que requieren los BCI. Mientras que la resolución temporal y el costo siguen siendo desafíos, los avances continuos en la restauración de imágenes de campo ultra-alto, sistemas híbridos y la integración de aprendizaje automático prometen superar estas barreras.

Para más lectura, el Centro Nacional de Información Biotecnológica (NCBI) ] ofrece una visión general de los principios de la RMN, y ]IEEE Transacciones sobre Ingeniería Biomédica publica regularmente investigación sobre sistemas BCI guiados por RM.