Internet de próxima generación: surfear con cerebro y máquina, humanos en la cadena 🧠
La IA está en auge actualmente, sin embargo, los avances tecnológicos no son significativos, con aplicaciones floreciendo, encabezadas por robots de ventana de interacción LLM, pero el campo de la IA ha entrado en una etapa de ingeniería y expansión comercial a gran escala, y a nivel teórico ha entrado en un estancamiento. Los activos y puntos de innovación del futuro seguramente se dirigirán hacia interfaces cerebro-máquina, materiales de sustitución de nueva energía y economía espacial.
La interfaz cerebro-máquina (Brain-Computer Interface, BCI) es una tecnología que permite la interacción directa entre el cerebro humano y computadoras u otros dispositivos externos mediante el registro y la decodificación de la actividad cerebral. Su objetivo principal es proporcionar comunicación y capacidad de control a pacientes con discapacidades de función motora, y también se extiende a aplicaciones en personas sanas (como control de juegos, monitoreo de atención, etc.).
Componentes principales de BCI:
🧠 Adquisición de señales
Invasiva: mediante la implantación quirúrgica de electrodos (como matrices de microelectrodos, ECoG), la calidad de la señal es alta pero existe riesgo de infección.
No invasiva: EEG (electroencefalograma): registra la actividad eléctrica a través de electrodos en el cuero cabelludo, bajo costo pero con resolución espacial pobre. MEG (magnetoencefalograma): registra señales de campo magnético, alta resolución pero equipos costosos. fMRI (imágenes por resonancia magnética funcional): mide indirectamente la actividad neuronal a través de señales dependientes del nivel de oxígeno en sangre (BOLD). fNIRS (espectroscopía de infrarrojo cercano): utiliza señales de luz para detectar cambios en el oxígeno en sangre, portátil pero con resolución temporal baja.
🧠 Tipos de señales Potenciales evocados por eventos (ERP): como P300 (onda positiva que aparece después de 300 ms), utilizado para sistemas de deletreo. Potenciales evocados sensoriales: como potenciales evocados visuales (VEP), potenciales evocados auditivos (AEP). Señales de imaginación motora (SMR): producidas al imaginar movimientos corporales, utilizadas para controlar prótesis o cursor.
🧠 Procesamiento de señales Extracción de características: eliminar ruido y extraer información útil, los métodos comunes incluyen: Modelos espaciales comunes (CSP): maximizar la diferencia de varianza entre dos clases de señales (fórmula a continuación). Análisis de componentes independientes (ICA): separar fuentes de señal, eliminar artefactos (como interferencia por parpadeo). Transformada wavelet (WT): extraer características en el tiempo-frecuencia. Algoritmos de clasificación: mapear características a instrucciones de control, los métodos comunes incluyen: Máquinas de soporte vectorial (SVM): separar diferentes clases mediante un hiperplano. Redes neuronales (NN): como perceptrones multicapa (MLP), redes neuronales convolucionales (CNN). Sistemas de inferencia difusa (FIS): manejar señales de incertidumbre.
Direcciones de investigación futura
1. Desarrollar dispositivos no invasivos de bajo costo y alta resolución (como EEG de baja densidad);
2. Combinar algoritmos de aprendizaje profundo de alto rendimiento (como LSTM, Transformer) para mejorar la precisión de clasificación.
3. Optimizar algoritmos de procesamiento de señales en tiempo real para reducir la latencia;
4. Ampliar escenarios de aplicación (como reconocimiento de emociones, control de realidad virtual).