El estado de los modelos de IA en la investigación de EEG en neurociencia
Mehul Nayak
Actualizado el
13 mar 2023
El estado de los modelos de IA en la investigación de EEG en neurociencia
Mehul Nayak
Actualizado el
13 mar 2023
El estado de los modelos de IA en la investigación de EEG en neurociencia
Mehul Nayak
Actualizado el
13 mar 2023
Lo que se gana con el Machine Learning (ML) y el Deep Learning (DL)
Hemos entrado en la era del "big data", en la que las oportunidades de avance y descubrimiento científico están menos limitadas por las capacidades de almacenamiento y compartición de datos. En su lugar, las innovaciones tecnológicas y científicas están más limitadas por nuestra capacidad de utilizar de forma rápida y eficaz estos datos abundantemente disponibles. En este sentido, los sistemas de modelado de IA cada vez más robustos y sofisticados demuestran que incluso los conjuntos de datos más complejos pueden destilarse en algoritmos sofisticados mediante capacidades de procesamiento de datos en tiempo real.
Neurociencia e IA
Estos algoritmos y modelos están resultando especialmente útiles para los neurocientíficos y los investigadores que esperan comprender mejor los procesos mentales humanos y responder mejor ante ellos.
Las aplicaciones son infinitas. La usabilidad se extiende desde un mejor marketing y experiencias de usuario a través de tecnologías de reconocimiento facial hasta una mayor eficiencia para las personas al hacer malabares con sus cargas de trabajo cognitivas.
En particular, la empresa de investigación cerebral y EEG Emotiv ha demostrado el poder del ML y el DL al reducir los costos de realización de esta investigación cerebral, al tiempo que aumenta la eficiencia en la recopilación y el análisis de datos. A su vez, esto ha mejorado drásticamente la utilidad del EEG para personas, comunidades educativas y académicas, y empresas que exploran casos de uso para la investigación de consumidores, entre otros.
Inteligencia artificial, Machine Learning y Deep Learning
De manera lenta pero segura, la IA se está abriendo camino en aplicaciones que las generaciones anteriores no habrían podido imaginar, reduciendo las barreras de costo de la investigación y allanando un camino más rápido hacia las innovaciones tecnológicas del mañana.
En ningún lugar es esto más evidente que en el ámbito de la tecnología de EEG. Al integrar el modelado avanzado de ML y DL, los neurocientíficos están desbloqueando un enorme potencial en varias áreas, especialmente en los sistemas de interfaz cerebro-computadora y el reconocimiento emocional.
Para comprender el estado actual de los modelos de IA a la hora de dar sentido a los datos de EEG, se deben distinguir conceptualmente algunos elementos entre sí. Aunque términos como "inteligencia artificial", "machine learning" y "deep learning" se utilizan con frecuencia de forma intercambiable, existen matices importantes que los distinguen.
Inteligencia artificial
Cuando las mentes creativas comprendieron por primera vez que a las máquinas se les podía enseñar a pensar como a los humanos algún día, nació el término Inteligencia Artificial. La IA abarca varios subcampos, incluidos el machine learning y el deep learning.
Machine Learning
El machine learning es un subcampo, o rama, de la IA, entrenado mediante bancos de datos para desarrollar algoritmos complejos. Estos algoritmos se pueden utilizar luego para hacer predicciones precisas sobre datos nuevos o de muestra, desarrollar sistemas de clasificación de datos de alta precisión y, en el proceso, ayudar a descubrir patrones y conocimientos que no serían prácticos para los científicos sin el uso de estas máquinas.
Deep Learning
El deep learning va un paso más allá del machine learning al automatizar más aspectos del proceso de aprendizaje y entrenamiento. Los algoritmos de deep learning pueden decodificar conjuntos de datos no estructurados, como texto o imágenes, requiriendo así mucha menos intervención humana. Por esta razón, el deep learning se ha descrito como "machine learning escalable".
Limitaciones históricas y desafíos del EEG: la necesidad de la IA
El cerebro humano contiene aproximadamente 100 000 millones de neuronas. Comprender plenamente las complejas relaciones entre estas neuronas y sus respectivas conexiones sinápticas requiere la capacidad de observar grandes cantidades de datos cerebrales de forma holística. Durante décadas, la capacidad de aislar patrones a nivel meta de los circuitos neuronales a partir de los datos de EEG ha representado el principal paso limitante en la utilidad de las lecturas de EEG.
La tecnología de EEG en sí es económica. Los primeros registros de ondas cerebrales de EEG se generaron a finales de la década de 1800, y el proceso para recopilar lecturas de EEG es no invasivo y relativamente poco sofisticado.
Sin embargo, los costos inherentes a la recopilación y el análisis de datos de EEG se han atribuido principalmente al trabajo manual de extraer artefactos extraños captados por el EEG, que tiene una relación señal-ruido baja. Los datos de EEG son complejos y conllevan aspectos tanto no lineales como no estacionarios. También tiene factores que varían de manera única de una persona a otra.
Los investigadores se vieron obligados a preprocesar manualmente grandes cantidades de datos para eliminar el ruido innecesario y tener en cuenta todas las diferentes variables. Por lo tanto, durante bastante tiempo fue poco práctico e inviable utilizar el EEG en tareas más sofisticadas como el reconocimiento emocional. Aun así, los investigadores lo intentaron.
Con el fin de agilizar la recopilación y el análisis de datos cerebrales de EEG y reducir la barrera de costo-beneficio para los investigadores, los neurocientíficos desarrollaron un flujo de trabajo de procesamiento de clasificación de EEG para desglosar sus pasos, perfeccionar las estrategias y técnicas respectivas y potenciar las aplicaciones de EEG.
El flujo de trabajo general de clasificación de EEG de 5 pasos
Preprocesamiento de datos.
Inicialización del procedimiento de clasificación.
División del conjunto de datos para el clasificador.
Predicción de la clase de nuevos datos.
Evaluación del modelo de clasificación para el conjunto de datos de prueba.
Si bien el EEG sigue siendo actualmente uno de los métodos más rentables e informativos para capturar la actividad cerebral, la utilidad de los datos de EEG continúa estando limitada por la confiabilidad con la que los científicos pueden registrar los datos cerebrales y procesar de manera eficiente esos registros de EEG.
El futuro del EEG: el auge de la IA y las capacidades de Big Data
El término "big data" se refiere a los crecientes volúmenes, velocidades y variedades con los que la tecnología moderna nos permite recopilar y procesar datos. El big data está cambiando drásticamente el panorama neurocientífico. En pocas palabras, ahora estamos, más que nunca, mejor equipados para hacer uso de las grandes cantidades de datos que estamos recopilando.
Las tareas de clasificación, especialmente aquellas relacionadas con la detección de estados emocionales, se manejan cada vez más mediante procesos de clasificación binarios y de etiquetas múltiples. Los algoritmos de ML supervisados aprenden datos de entrenamiento, desarrollan modelos y parámetros aprendidos y luego los aplican a nuevos datos para asignar a cada conjunto de datos sus respectivas etiquetas de clase. Este proceso elimina la necesidad de que los humanos dediquen tiempo a tomar decisiones repetitivas e intensivas en tiempo.
Es fácil escuchar términos como "inteligencia artificial" o "machine learning" y pensar en mundos futuristas previstos en artefactos de la cultura pop como la película de 1984, Terminator. Podría asumir que estas tecnologías son demasiado complejas para ser entendidas o valiosas en las tareas ubicuas que subyacen a su vida diaria.
No caiga en esa trampa
La IA es mucho menos sofisticada de lo que se elaboró originalmente en éxitos de taquilla o clásicos de la ciencia ficción como la novela de 1950 de Isaac Asimov, Yo, robot. Incluso las personas ajenas al estudio de la IA pueden comprender el modelado de IA actual y utilizar los modelos disponibles en sus propias investigaciones.
Aplicaciones de ML y DL en tiempo real en la literatura de investigación de EEG
El uso de algoritmos de ML y DL para dar sentido a los datos cerebrales ha crecido sustancialmente en los últimos años, como lo demuestra una revisión sistemática publicada en 2021 que identificó investigaciones revisadas por pares destinadas a desarrollar y perfeccionar algoritmos de procesamiento de EEG. Aproximadamente el 63 % de los artículos cubiertos por esta revisión se publicaron en los últimos tres años, lo que sugiere que se puede esperar que crezca la utilización de estos modelos en futuros sistemas BCI e investigaciones de ER.
En el artículo publicado de Lukas Geimen, "Machine-learning-based diagnostics of EEG pathology", él y su equipo investigaron los métodos de ML y su capacidad para automatizar el análisis clínico de EEG. Al categorizar los modelos automatizados de EEG en enfoques basados en características o de extremo a extremo, "aplicaron el marco basado en características propuesto y las redes neuronales profundas a una red neuronal convolucional temporal (TCN) optimizada para EEG". Descubrieron que las precisiones en ambos enfoques eran sorprendentemente estrechas, oscilando entre el 81 % y el 86 %. Los resultados muestran que el marco de decodificación basado en características propuesto tiene una precisión similar a las redes neuronales profundas.
El artículo de Yannick Roy et al. en el Journal of Neuroengineering analiza cómo él y su equipo revisaron 154 artículos que aplican DL a EEG, publicados entre enero de 2010 y julio de 2018. Estos artículos abarcaban "diferentes dominios de aplicación como la epilepsia, el sueño, la interfaz cerebro-computadora y el monitoreo cognitivo y afectivo". Descubrieron que la cantidad de datos de EEG utilizados variaba en el tiempo desde unos pocos minutos hasta varias horas. Sin embargo, la cantidad de muestras vistas durante el entrenamiento del modelo de deep learning varió de unas pocas docenas a varios millones. Dentro de todos estos datos, descubrieron que los enfoques de deep learning eran más precisos que las líneas de base tradicionales en todos los estudios que los utilizaron.
Las visualizaciones y los análisis indicaron que ambos enfoques utilizaron aspectos similares de los datos, por ejemplo, la potencia de las bandas delta y theta en ubicaciones de electrodos temporales. Yannick Roy et al. sostienen que las precisiones de los decodificadores binarios de patología de EEG actuales podrían saturar casi el 90 % debido al acuerdo imperfecto entre evaluadores de las etiquetas clínicas, y que tales decodificadores ya son clínicamente útiles, como en áreas donde los expertos clínicos en EEG son escasos. Han propuesto que el marco basado en características esté disponible como código abierto, ofreciendo una nueva herramienta para la investigación de machine learning en EEG.
El DL ha experimentado un aumento exponencial en las publicaciones, lo que refleja un creciente interés en este tipo de procesamiento entre la comunidad científica.
¿Qué tienen de único los datos cerebrales y los dispositivos de EEG de Emotiv?
Los modelos de ML y DL están logrando avances innovadores en las tecnologías de EEG. Cuando se trata de los dispositivos de EEG de nueva generación más competitivos del mercado, ninguna empresa está superando los límites más que Emotiv.
Emotiv es una empresa de bioinformática y pionera en empoderar a la comunidad neurocientífica a través del uso de EEG. Las innovaciones de Emotiv caen bajo el paraguas de las BCI, también denominadas "interfaz mente-máquina", "interfaz neural directa" e "interfaz cerebro-máquina". Estas tecnologías se han utilizado durante más de una década para rastrear el rendimiento cognitivo, monitorear emociones y controlar objetos virtuales y físicos a través del machine learning y comandos mentales entrenados.
Los auriculares de EEG de Emotiv incluyen Emotiv Epoc Flex (EEG de 32 canales), Emotiv Insight 2.0 (EEG de 5 canales) y Epoc X (EEG de 14 canales). Sus algoritmos únicos detectan:
Frustración
Interés
Relajación
Entusiasmo
Compromiso
Estrés
Atención
Emotiv está avanzando mucho más allá de los auriculares de EEG. Han ayudado a fomentar un ecosistema de herramientas y funciones que pueden ser utilizadas por académicos, desarrolladores web e incluso personas curiosas sin formación neurocientífica.
EmotivLABS
EmotivLABS ayuda a reunir a usuarios individuales con investigadores, facilitando oportunidades para realizar crowdsourcing de datos cerebrales de Emotiv.
Emotiv Cortex
Con Emotiv Cortex, los investigadores pueden desarrollar aplicaciones personalizadas que ofrezcan a los usuarios las herramientas para crear experiencias y activaciones personalizadas utilizando datos cerebrales en tiempo real.
EmotivPRO
Los investigadores e instituciones pueden emparejar sus dispositivos Emotiv con EmotivPRO, que ayuda a crear, publicar, adquirir y analizar datos de EEG.
EmotivPRO ofrece un análisis integrado de datos posprocesados mediante el analizador interno basado en la nube de Emotiv, eliminando la necesidad de que los investigadores exporten sus registros.
Dado que el flujo de trabajo de procesamiento se realiza en los servidores en la nube de Emotiv, esto reduce las demandas en su sistema y le permite conservar recursos. Con esta tecnología de EEG con IA y ML, no solo conserva mejor los recursos, sino que se beneficia de un análisis de datos complejo y en tiempo real. Logre más con sus estudios aprovechando la utilidad de las tecnologías en la nube que condensan días de trabajo en cuestión de minutos y completan tareas que requieren mucho tiempo.
Con sus auriculares y aplicaciones de EEG, Emotiv ha impulsado la misión de la empresa al capacitar a las personas para desbloquear el funcionamiento interno de sus mentes y acelerar la investigación cerebral global.
Los institutos de investigación están descubriendo las tecnologías de EEG remotas y de bajo costo de Emotiv. Del mismo modo, los investigadores de neurociencia en empresas y corporaciones que exploran casos de uso para la investigación e innovación de los consumidores están descubriendo la utilidad de los auriculares y aplicaciones de EEG de Emotiv para varias aplicaciones críticas para el negocio.
¿Quiere saber más sobre Emotiv? Haga clic aquí para visitar el sitio web o solicitar una demostración.
Lo que se gana con el Machine Learning (ML) y el Deep Learning (DL)
Hemos entrado en la era del "big data", en la que las oportunidades de avance y descubrimiento científico están menos limitadas por las capacidades de almacenamiento y compartición de datos. En su lugar, las innovaciones tecnológicas y científicas están más limitadas por nuestra capacidad de utilizar de forma rápida y eficaz estos datos abundantemente disponibles. En este sentido, los sistemas de modelado de IA cada vez más robustos y sofisticados demuestran que incluso los conjuntos de datos más complejos pueden destilarse en algoritmos sofisticados mediante capacidades de procesamiento de datos en tiempo real.
Neurociencia e IA
Estos algoritmos y modelos están resultando especialmente útiles para los neurocientíficos y los investigadores que esperan comprender mejor los procesos mentales humanos y responder mejor ante ellos.
Las aplicaciones son infinitas. La usabilidad se extiende desde un mejor marketing y experiencias de usuario a través de tecnologías de reconocimiento facial hasta una mayor eficiencia para las personas al hacer malabares con sus cargas de trabajo cognitivas.
En particular, la empresa de investigación cerebral y EEG Emotiv ha demostrado el poder del ML y el DL al reducir los costos de realización de esta investigación cerebral, al tiempo que aumenta la eficiencia en la recopilación y el análisis de datos. A su vez, esto ha mejorado drásticamente la utilidad del EEG para personas, comunidades educativas y académicas, y empresas que exploran casos de uso para la investigación de consumidores, entre otros.
Inteligencia artificial, Machine Learning y Deep Learning
De manera lenta pero segura, la IA se está abriendo camino en aplicaciones que las generaciones anteriores no habrían podido imaginar, reduciendo las barreras de costo de la investigación y allanando un camino más rápido hacia las innovaciones tecnológicas del mañana.
En ningún lugar es esto más evidente que en el ámbito de la tecnología de EEG. Al integrar el modelado avanzado de ML y DL, los neurocientíficos están desbloqueando un enorme potencial en varias áreas, especialmente en los sistemas de interfaz cerebro-computadora y el reconocimiento emocional.
Para comprender el estado actual de los modelos de IA a la hora de dar sentido a los datos de EEG, se deben distinguir conceptualmente algunos elementos entre sí. Aunque términos como "inteligencia artificial", "machine learning" y "deep learning" se utilizan con frecuencia de forma intercambiable, existen matices importantes que los distinguen.
Inteligencia artificial
Cuando las mentes creativas comprendieron por primera vez que a las máquinas se les podía enseñar a pensar como a los humanos algún día, nació el término Inteligencia Artificial. La IA abarca varios subcampos, incluidos el machine learning y el deep learning.
Machine Learning
El machine learning es un subcampo, o rama, de la IA, entrenado mediante bancos de datos para desarrollar algoritmos complejos. Estos algoritmos se pueden utilizar luego para hacer predicciones precisas sobre datos nuevos o de muestra, desarrollar sistemas de clasificación de datos de alta precisión y, en el proceso, ayudar a descubrir patrones y conocimientos que no serían prácticos para los científicos sin el uso de estas máquinas.
Deep Learning
El deep learning va un paso más allá del machine learning al automatizar más aspectos del proceso de aprendizaje y entrenamiento. Los algoritmos de deep learning pueden decodificar conjuntos de datos no estructurados, como texto o imágenes, requiriendo así mucha menos intervención humana. Por esta razón, el deep learning se ha descrito como "machine learning escalable".
Limitaciones históricas y desafíos del EEG: la necesidad de la IA
El cerebro humano contiene aproximadamente 100 000 millones de neuronas. Comprender plenamente las complejas relaciones entre estas neuronas y sus respectivas conexiones sinápticas requiere la capacidad de observar grandes cantidades de datos cerebrales de forma holística. Durante décadas, la capacidad de aislar patrones a nivel meta de los circuitos neuronales a partir de los datos de EEG ha representado el principal paso limitante en la utilidad de las lecturas de EEG.
La tecnología de EEG en sí es económica. Los primeros registros de ondas cerebrales de EEG se generaron a finales de la década de 1800, y el proceso para recopilar lecturas de EEG es no invasivo y relativamente poco sofisticado.
Sin embargo, los costos inherentes a la recopilación y el análisis de datos de EEG se han atribuido principalmente al trabajo manual de extraer artefactos extraños captados por el EEG, que tiene una relación señal-ruido baja. Los datos de EEG son complejos y conllevan aspectos tanto no lineales como no estacionarios. También tiene factores que varían de manera única de una persona a otra.
Los investigadores se vieron obligados a preprocesar manualmente grandes cantidades de datos para eliminar el ruido innecesario y tener en cuenta todas las diferentes variables. Por lo tanto, durante bastante tiempo fue poco práctico e inviable utilizar el EEG en tareas más sofisticadas como el reconocimiento emocional. Aun así, los investigadores lo intentaron.
Con el fin de agilizar la recopilación y el análisis de datos cerebrales de EEG y reducir la barrera de costo-beneficio para los investigadores, los neurocientíficos desarrollaron un flujo de trabajo de procesamiento de clasificación de EEG para desglosar sus pasos, perfeccionar las estrategias y técnicas respectivas y potenciar las aplicaciones de EEG.
El flujo de trabajo general de clasificación de EEG de 5 pasos
Preprocesamiento de datos.
Inicialización del procedimiento de clasificación.
División del conjunto de datos para el clasificador.
Predicción de la clase de nuevos datos.
Evaluación del modelo de clasificación para el conjunto de datos de prueba.
Si bien el EEG sigue siendo actualmente uno de los métodos más rentables e informativos para capturar la actividad cerebral, la utilidad de los datos de EEG continúa estando limitada por la confiabilidad con la que los científicos pueden registrar los datos cerebrales y procesar de manera eficiente esos registros de EEG.
El futuro del EEG: el auge de la IA y las capacidades de Big Data
El término "big data" se refiere a los crecientes volúmenes, velocidades y variedades con los que la tecnología moderna nos permite recopilar y procesar datos. El big data está cambiando drásticamente el panorama neurocientífico. En pocas palabras, ahora estamos, más que nunca, mejor equipados para hacer uso de las grandes cantidades de datos que estamos recopilando.
Las tareas de clasificación, especialmente aquellas relacionadas con la detección de estados emocionales, se manejan cada vez más mediante procesos de clasificación binarios y de etiquetas múltiples. Los algoritmos de ML supervisados aprenden datos de entrenamiento, desarrollan modelos y parámetros aprendidos y luego los aplican a nuevos datos para asignar a cada conjunto de datos sus respectivas etiquetas de clase. Este proceso elimina la necesidad de que los humanos dediquen tiempo a tomar decisiones repetitivas e intensivas en tiempo.
Es fácil escuchar términos como "inteligencia artificial" o "machine learning" y pensar en mundos futuristas previstos en artefactos de la cultura pop como la película de 1984, Terminator. Podría asumir que estas tecnologías son demasiado complejas para ser entendidas o valiosas en las tareas ubicuas que subyacen a su vida diaria.
No caiga en esa trampa
La IA es mucho menos sofisticada de lo que se elaboró originalmente en éxitos de taquilla o clásicos de la ciencia ficción como la novela de 1950 de Isaac Asimov, Yo, robot. Incluso las personas ajenas al estudio de la IA pueden comprender el modelado de IA actual y utilizar los modelos disponibles en sus propias investigaciones.
Aplicaciones de ML y DL en tiempo real en la literatura de investigación de EEG
El uso de algoritmos de ML y DL para dar sentido a los datos cerebrales ha crecido sustancialmente en los últimos años, como lo demuestra una revisión sistemática publicada en 2021 que identificó investigaciones revisadas por pares destinadas a desarrollar y perfeccionar algoritmos de procesamiento de EEG. Aproximadamente el 63 % de los artículos cubiertos por esta revisión se publicaron en los últimos tres años, lo que sugiere que se puede esperar que crezca la utilización de estos modelos en futuros sistemas BCI e investigaciones de ER.
En el artículo publicado de Lukas Geimen, "Machine-learning-based diagnostics of EEG pathology", él y su equipo investigaron los métodos de ML y su capacidad para automatizar el análisis clínico de EEG. Al categorizar los modelos automatizados de EEG en enfoques basados en características o de extremo a extremo, "aplicaron el marco basado en características propuesto y las redes neuronales profundas a una red neuronal convolucional temporal (TCN) optimizada para EEG". Descubrieron que las precisiones en ambos enfoques eran sorprendentemente estrechas, oscilando entre el 81 % y el 86 %. Los resultados muestran que el marco de decodificación basado en características propuesto tiene una precisión similar a las redes neuronales profundas.
El artículo de Yannick Roy et al. en el Journal of Neuroengineering analiza cómo él y su equipo revisaron 154 artículos que aplican DL a EEG, publicados entre enero de 2010 y julio de 2018. Estos artículos abarcaban "diferentes dominios de aplicación como la epilepsia, el sueño, la interfaz cerebro-computadora y el monitoreo cognitivo y afectivo". Descubrieron que la cantidad de datos de EEG utilizados variaba en el tiempo desde unos pocos minutos hasta varias horas. Sin embargo, la cantidad de muestras vistas durante el entrenamiento del modelo de deep learning varió de unas pocas docenas a varios millones. Dentro de todos estos datos, descubrieron que los enfoques de deep learning eran más precisos que las líneas de base tradicionales en todos los estudios que los utilizaron.
Las visualizaciones y los análisis indicaron que ambos enfoques utilizaron aspectos similares de los datos, por ejemplo, la potencia de las bandas delta y theta en ubicaciones de electrodos temporales. Yannick Roy et al. sostienen que las precisiones de los decodificadores binarios de patología de EEG actuales podrían saturar casi el 90 % debido al acuerdo imperfecto entre evaluadores de las etiquetas clínicas, y que tales decodificadores ya son clínicamente útiles, como en áreas donde los expertos clínicos en EEG son escasos. Han propuesto que el marco basado en características esté disponible como código abierto, ofreciendo una nueva herramienta para la investigación de machine learning en EEG.
El DL ha experimentado un aumento exponencial en las publicaciones, lo que refleja un creciente interés en este tipo de procesamiento entre la comunidad científica.
¿Qué tienen de único los datos cerebrales y los dispositivos de EEG de Emotiv?
Los modelos de ML y DL están logrando avances innovadores en las tecnologías de EEG. Cuando se trata de los dispositivos de EEG de nueva generación más competitivos del mercado, ninguna empresa está superando los límites más que Emotiv.
Emotiv es una empresa de bioinformática y pionera en empoderar a la comunidad neurocientífica a través del uso de EEG. Las innovaciones de Emotiv caen bajo el paraguas de las BCI, también denominadas "interfaz mente-máquina", "interfaz neural directa" e "interfaz cerebro-máquina". Estas tecnologías se han utilizado durante más de una década para rastrear el rendimiento cognitivo, monitorear emociones y controlar objetos virtuales y físicos a través del machine learning y comandos mentales entrenados.
Los auriculares de EEG de Emotiv incluyen Emotiv Epoc Flex (EEG de 32 canales), Emotiv Insight 2.0 (EEG de 5 canales) y Epoc X (EEG de 14 canales). Sus algoritmos únicos detectan:
Frustración
Interés
Relajación
Entusiasmo
Compromiso
Estrés
Atención
Emotiv está avanzando mucho más allá de los auriculares de EEG. Han ayudado a fomentar un ecosistema de herramientas y funciones que pueden ser utilizadas por académicos, desarrolladores web e incluso personas curiosas sin formación neurocientífica.
EmotivLABS
EmotivLABS ayuda a reunir a usuarios individuales con investigadores, facilitando oportunidades para realizar crowdsourcing de datos cerebrales de Emotiv.
Emotiv Cortex
Con Emotiv Cortex, los investigadores pueden desarrollar aplicaciones personalizadas que ofrezcan a los usuarios las herramientas para crear experiencias y activaciones personalizadas utilizando datos cerebrales en tiempo real.
EmotivPRO
Los investigadores e instituciones pueden emparejar sus dispositivos Emotiv con EmotivPRO, que ayuda a crear, publicar, adquirir y analizar datos de EEG.
EmotivPRO ofrece un análisis integrado de datos posprocesados mediante el analizador interno basado en la nube de Emotiv, eliminando la necesidad de que los investigadores exporten sus registros.
Dado que el flujo de trabajo de procesamiento se realiza en los servidores en la nube de Emotiv, esto reduce las demandas en su sistema y le permite conservar recursos. Con esta tecnología de EEG con IA y ML, no solo conserva mejor los recursos, sino que se beneficia de un análisis de datos complejo y en tiempo real. Logre más con sus estudios aprovechando la utilidad de las tecnologías en la nube que condensan días de trabajo en cuestión de minutos y completan tareas que requieren mucho tiempo.
Con sus auriculares y aplicaciones de EEG, Emotiv ha impulsado la misión de la empresa al capacitar a las personas para desbloquear el funcionamiento interno de sus mentes y acelerar la investigación cerebral global.
Los institutos de investigación están descubriendo las tecnologías de EEG remotas y de bajo costo de Emotiv. Del mismo modo, los investigadores de neurociencia en empresas y corporaciones que exploran casos de uso para la investigación e innovación de los consumidores están descubriendo la utilidad de los auriculares y aplicaciones de EEG de Emotiv para varias aplicaciones críticas para el negocio.
¿Quiere saber más sobre Emotiv? Haga clic aquí para visitar el sitio web o solicitar una demostración.
Lo que se gana con el Machine Learning (ML) y el Deep Learning (DL)
Hemos entrado en la era del "big data", en la que las oportunidades de avance y descubrimiento científico están menos limitadas por las capacidades de almacenamiento y compartición de datos. En su lugar, las innovaciones tecnológicas y científicas están más limitadas por nuestra capacidad de utilizar de forma rápida y eficaz estos datos abundantemente disponibles. En este sentido, los sistemas de modelado de IA cada vez más robustos y sofisticados demuestran que incluso los conjuntos de datos más complejos pueden destilarse en algoritmos sofisticados mediante capacidades de procesamiento de datos en tiempo real.
Neurociencia e IA
Estos algoritmos y modelos están resultando especialmente útiles para los neurocientíficos y los investigadores que esperan comprender mejor los procesos mentales humanos y responder mejor ante ellos.
Las aplicaciones son infinitas. La usabilidad se extiende desde un mejor marketing y experiencias de usuario a través de tecnologías de reconocimiento facial hasta una mayor eficiencia para las personas al hacer malabares con sus cargas de trabajo cognitivas.
En particular, la empresa de investigación cerebral y EEG Emotiv ha demostrado el poder del ML y el DL al reducir los costos de realización de esta investigación cerebral, al tiempo que aumenta la eficiencia en la recopilación y el análisis de datos. A su vez, esto ha mejorado drásticamente la utilidad del EEG para personas, comunidades educativas y académicas, y empresas que exploran casos de uso para la investigación de consumidores, entre otros.
Inteligencia artificial, Machine Learning y Deep Learning
De manera lenta pero segura, la IA se está abriendo camino en aplicaciones que las generaciones anteriores no habrían podido imaginar, reduciendo las barreras de costo de la investigación y allanando un camino más rápido hacia las innovaciones tecnológicas del mañana.
En ningún lugar es esto más evidente que en el ámbito de la tecnología de EEG. Al integrar el modelado avanzado de ML y DL, los neurocientíficos están desbloqueando un enorme potencial en varias áreas, especialmente en los sistemas de interfaz cerebro-computadora y el reconocimiento emocional.
Para comprender el estado actual de los modelos de IA a la hora de dar sentido a los datos de EEG, se deben distinguir conceptualmente algunos elementos entre sí. Aunque términos como "inteligencia artificial", "machine learning" y "deep learning" se utilizan con frecuencia de forma intercambiable, existen matices importantes que los distinguen.
Inteligencia artificial
Cuando las mentes creativas comprendieron por primera vez que a las máquinas se les podía enseñar a pensar como a los humanos algún día, nació el término Inteligencia Artificial. La IA abarca varios subcampos, incluidos el machine learning y el deep learning.
Machine Learning
El machine learning es un subcampo, o rama, de la IA, entrenado mediante bancos de datos para desarrollar algoritmos complejos. Estos algoritmos se pueden utilizar luego para hacer predicciones precisas sobre datos nuevos o de muestra, desarrollar sistemas de clasificación de datos de alta precisión y, en el proceso, ayudar a descubrir patrones y conocimientos que no serían prácticos para los científicos sin el uso de estas máquinas.
Deep Learning
El deep learning va un paso más allá del machine learning al automatizar más aspectos del proceso de aprendizaje y entrenamiento. Los algoritmos de deep learning pueden decodificar conjuntos de datos no estructurados, como texto o imágenes, requiriendo así mucha menos intervención humana. Por esta razón, el deep learning se ha descrito como "machine learning escalable".
Limitaciones históricas y desafíos del EEG: la necesidad de la IA
El cerebro humano contiene aproximadamente 100 000 millones de neuronas. Comprender plenamente las complejas relaciones entre estas neuronas y sus respectivas conexiones sinápticas requiere la capacidad de observar grandes cantidades de datos cerebrales de forma holística. Durante décadas, la capacidad de aislar patrones a nivel meta de los circuitos neuronales a partir de los datos de EEG ha representado el principal paso limitante en la utilidad de las lecturas de EEG.
La tecnología de EEG en sí es económica. Los primeros registros de ondas cerebrales de EEG se generaron a finales de la década de 1800, y el proceso para recopilar lecturas de EEG es no invasivo y relativamente poco sofisticado.
Sin embargo, los costos inherentes a la recopilación y el análisis de datos de EEG se han atribuido principalmente al trabajo manual de extraer artefactos extraños captados por el EEG, que tiene una relación señal-ruido baja. Los datos de EEG son complejos y conllevan aspectos tanto no lineales como no estacionarios. También tiene factores que varían de manera única de una persona a otra.
Los investigadores se vieron obligados a preprocesar manualmente grandes cantidades de datos para eliminar el ruido innecesario y tener en cuenta todas las diferentes variables. Por lo tanto, durante bastante tiempo fue poco práctico e inviable utilizar el EEG en tareas más sofisticadas como el reconocimiento emocional. Aun así, los investigadores lo intentaron.
Con el fin de agilizar la recopilación y el análisis de datos cerebrales de EEG y reducir la barrera de costo-beneficio para los investigadores, los neurocientíficos desarrollaron un flujo de trabajo de procesamiento de clasificación de EEG para desglosar sus pasos, perfeccionar las estrategias y técnicas respectivas y potenciar las aplicaciones de EEG.
El flujo de trabajo general de clasificación de EEG de 5 pasos
Preprocesamiento de datos.
Inicialización del procedimiento de clasificación.
División del conjunto de datos para el clasificador.
Predicción de la clase de nuevos datos.
Evaluación del modelo de clasificación para el conjunto de datos de prueba.
Si bien el EEG sigue siendo actualmente uno de los métodos más rentables e informativos para capturar la actividad cerebral, la utilidad de los datos de EEG continúa estando limitada por la confiabilidad con la que los científicos pueden registrar los datos cerebrales y procesar de manera eficiente esos registros de EEG.
El futuro del EEG: el auge de la IA y las capacidades de Big Data
El término "big data" se refiere a los crecientes volúmenes, velocidades y variedades con los que la tecnología moderna nos permite recopilar y procesar datos. El big data está cambiando drásticamente el panorama neurocientífico. En pocas palabras, ahora estamos, más que nunca, mejor equipados para hacer uso de las grandes cantidades de datos que estamos recopilando.
Las tareas de clasificación, especialmente aquellas relacionadas con la detección de estados emocionales, se manejan cada vez más mediante procesos de clasificación binarios y de etiquetas múltiples. Los algoritmos de ML supervisados aprenden datos de entrenamiento, desarrollan modelos y parámetros aprendidos y luego los aplican a nuevos datos para asignar a cada conjunto de datos sus respectivas etiquetas de clase. Este proceso elimina la necesidad de que los humanos dediquen tiempo a tomar decisiones repetitivas e intensivas en tiempo.
Es fácil escuchar términos como "inteligencia artificial" o "machine learning" y pensar en mundos futuristas previstos en artefactos de la cultura pop como la película de 1984, Terminator. Podría asumir que estas tecnologías son demasiado complejas para ser entendidas o valiosas en las tareas ubicuas que subyacen a su vida diaria.
No caiga en esa trampa
La IA es mucho menos sofisticada de lo que se elaboró originalmente en éxitos de taquilla o clásicos de la ciencia ficción como la novela de 1950 de Isaac Asimov, Yo, robot. Incluso las personas ajenas al estudio de la IA pueden comprender el modelado de IA actual y utilizar los modelos disponibles en sus propias investigaciones.
Aplicaciones de ML y DL en tiempo real en la literatura de investigación de EEG
El uso de algoritmos de ML y DL para dar sentido a los datos cerebrales ha crecido sustancialmente en los últimos años, como lo demuestra una revisión sistemática publicada en 2021 que identificó investigaciones revisadas por pares destinadas a desarrollar y perfeccionar algoritmos de procesamiento de EEG. Aproximadamente el 63 % de los artículos cubiertos por esta revisión se publicaron en los últimos tres años, lo que sugiere que se puede esperar que crezca la utilización de estos modelos en futuros sistemas BCI e investigaciones de ER.
En el artículo publicado de Lukas Geimen, "Machine-learning-based diagnostics of EEG pathology", él y su equipo investigaron los métodos de ML y su capacidad para automatizar el análisis clínico de EEG. Al categorizar los modelos automatizados de EEG en enfoques basados en características o de extremo a extremo, "aplicaron el marco basado en características propuesto y las redes neuronales profundas a una red neuronal convolucional temporal (TCN) optimizada para EEG". Descubrieron que las precisiones en ambos enfoques eran sorprendentemente estrechas, oscilando entre el 81 % y el 86 %. Los resultados muestran que el marco de decodificación basado en características propuesto tiene una precisión similar a las redes neuronales profundas.
El artículo de Yannick Roy et al. en el Journal of Neuroengineering analiza cómo él y su equipo revisaron 154 artículos que aplican DL a EEG, publicados entre enero de 2010 y julio de 2018. Estos artículos abarcaban "diferentes dominios de aplicación como la epilepsia, el sueño, la interfaz cerebro-computadora y el monitoreo cognitivo y afectivo". Descubrieron que la cantidad de datos de EEG utilizados variaba en el tiempo desde unos pocos minutos hasta varias horas. Sin embargo, la cantidad de muestras vistas durante el entrenamiento del modelo de deep learning varió de unas pocas docenas a varios millones. Dentro de todos estos datos, descubrieron que los enfoques de deep learning eran más precisos que las líneas de base tradicionales en todos los estudios que los utilizaron.
Las visualizaciones y los análisis indicaron que ambos enfoques utilizaron aspectos similares de los datos, por ejemplo, la potencia de las bandas delta y theta en ubicaciones de electrodos temporales. Yannick Roy et al. sostienen que las precisiones de los decodificadores binarios de patología de EEG actuales podrían saturar casi el 90 % debido al acuerdo imperfecto entre evaluadores de las etiquetas clínicas, y que tales decodificadores ya son clínicamente útiles, como en áreas donde los expertos clínicos en EEG son escasos. Han propuesto que el marco basado en características esté disponible como código abierto, ofreciendo una nueva herramienta para la investigación de machine learning en EEG.
El DL ha experimentado un aumento exponencial en las publicaciones, lo que refleja un creciente interés en este tipo de procesamiento entre la comunidad científica.
¿Qué tienen de único los datos cerebrales y los dispositivos de EEG de Emotiv?
Los modelos de ML y DL están logrando avances innovadores en las tecnologías de EEG. Cuando se trata de los dispositivos de EEG de nueva generación más competitivos del mercado, ninguna empresa está superando los límites más que Emotiv.
Emotiv es una empresa de bioinformática y pionera en empoderar a la comunidad neurocientífica a través del uso de EEG. Las innovaciones de Emotiv caen bajo el paraguas de las BCI, también denominadas "interfaz mente-máquina", "interfaz neural directa" e "interfaz cerebro-máquina". Estas tecnologías se han utilizado durante más de una década para rastrear el rendimiento cognitivo, monitorear emociones y controlar objetos virtuales y físicos a través del machine learning y comandos mentales entrenados.
Los auriculares de EEG de Emotiv incluyen Emotiv Epoc Flex (EEG de 32 canales), Emotiv Insight 2.0 (EEG de 5 canales) y Epoc X (EEG de 14 canales). Sus algoritmos únicos detectan:
Frustración
Interés
Relajación
Entusiasmo
Compromiso
Estrés
Atención
Emotiv está avanzando mucho más allá de los auriculares de EEG. Han ayudado a fomentar un ecosistema de herramientas y funciones que pueden ser utilizadas por académicos, desarrolladores web e incluso personas curiosas sin formación neurocientífica.
EmotivLABS
EmotivLABS ayuda a reunir a usuarios individuales con investigadores, facilitando oportunidades para realizar crowdsourcing de datos cerebrales de Emotiv.
Emotiv Cortex
Con Emotiv Cortex, los investigadores pueden desarrollar aplicaciones personalizadas que ofrezcan a los usuarios las herramientas para crear experiencias y activaciones personalizadas utilizando datos cerebrales en tiempo real.
EmotivPRO
Los investigadores e instituciones pueden emparejar sus dispositivos Emotiv con EmotivPRO, que ayuda a crear, publicar, adquirir y analizar datos de EEG.
EmotivPRO ofrece un análisis integrado de datos posprocesados mediante el analizador interno basado en la nube de Emotiv, eliminando la necesidad de que los investigadores exporten sus registros.
Dado que el flujo de trabajo de procesamiento se realiza en los servidores en la nube de Emotiv, esto reduce las demandas en su sistema y le permite conservar recursos. Con esta tecnología de EEG con IA y ML, no solo conserva mejor los recursos, sino que se beneficia de un análisis de datos complejo y en tiempo real. Logre más con sus estudios aprovechando la utilidad de las tecnologías en la nube que condensan días de trabajo en cuestión de minutos y completan tareas que requieren mucho tiempo.
Con sus auriculares y aplicaciones de EEG, Emotiv ha impulsado la misión de la empresa al capacitar a las personas para desbloquear el funcionamiento interno de sus mentes y acelerar la investigación cerebral global.
Los institutos de investigación están descubriendo las tecnologías de EEG remotas y de bajo costo de Emotiv. Del mismo modo, los investigadores de neurociencia en empresas y corporaciones que exploran casos de uso para la investigación e innovación de los consumidores están descubriendo la utilidad de los auriculares y aplicaciones de EEG de Emotiv para varias aplicaciones críticas para el negocio.
¿Quiere saber más sobre Emotiv? Haga clic aquí para visitar el sitio web o solicitar una demostración.
Continúa leyendo