Lectura cerebral

La identificación de imágenes naturales complejas es posible utilizando vóxeles de áreas de la corteza visual temprana y anterior (áreas visuales V3A, V3B, V4 y la occipital lateral) junto con inferencia bayesiana . Este enfoque de lectura cerebral utiliza tres componentes: ^{[ 2 ]} un modelo de codificación estructural que caracteriza las respuestas en áreas visuales tempranas; un modelo de codificación semántica que caracteriza las respuestas en áreas visuales anteriores; y una distribución a priori bayesiana que describe la distribución de las estadísticas estructurales y semánticas de la escena . ^{[ 2 ]}

Experimentalmente, el procedimiento consiste en que los sujetos visualicen 1750 imágenes naturales en blanco y negro que se correlacionan con la activación de vóxeles en sus cerebros. Luego, los sujetos visualizan otras 120 imágenes objetivo novedosas, y la información de los escaneos anteriores se utiliza para reconstruirlas. Las imágenes naturales utilizadas incluyen fotografías de un café y un puerto junto al mar, artistas en un escenario y vegetación densa. ^{[ 2 ]}

En 2008, IBM solicitó una patente sobre cómo extraer imágenes mentales de rostros humanos del cerebro humano. Utiliza un bucle de retroalimentación basado en mediciones cerebrales del área del giro fusiforme en el cerebro, que se activa proporcionalmente al grado de reconocimiento facial. ^{[ 3 ]}

En 2011, un equipo liderado por Shinji Nishimoto utilizó únicamente registros cerebrales para reconstruir parcialmente lo que veían los voluntarios. Los investigadores aplicaron un nuevo modelo sobre cómo se procesa la información de objetos en movimiento en el cerebro humano, mientras los voluntarios veían fragmentos de varios vídeos. Un algoritmo buscó entre miles de horas de grabaciones de vídeo externas de YouTube (ninguno de los vídeos era igual a los que veían los voluntarios) para seleccionar los fragmentos más similares. ^{[ 4 ] [ 5 ]} Los autores han subido demostraciones que comparan los vídeos vistos con los vídeos estimados por el ordenador. ^{[ 6 ] [ 7 ]}

En 2017, un estudio sobre la percepción facial en monos informó sobre la reconstrucción de rostros humanos mediante el análisis de la actividad eléctrica de 205 neuronas. ^{[ 8 ] [ 9 ]}

En 2023, Takagi y Nishimoto informaron sobre la reconstrucción de imágenes de alta resolución a partir de la actividad cerebral fMRI utilizando un modelo de difusión latente y difusión estable . ^{[ 10 ] [ 11 ]}

En 2024, un estudio demostró que las imágenes imaginadas en la mente, sin estimulación visual, pueden reconstruirse a partir de señales cerebrales de fMRI utilizando aprendizaje automático y tecnología de IA generativa. ^{[ 12 ] [ 13 ] [ 14 ]} Otro estudio de 2024 informó sobre la reconstrucción de imágenes a partir de EEG. ^{[ 15 ]}

Se ha sugerido la lectura cerebral como una alternativa a los polígrafos para la detección de mentiras . ^{[ 16 ]} Otra alternativa a los polígrafos es la tecnología de resonancia magnética funcional dependiente del nivel de oxigenación sanguínea . Esta técnica implica la interpretación del cambio local en la concentración de hemoglobina oxigenada en el cerebro, aunque la relación entre este flujo sanguíneo y la actividad neuronal aún no se comprende completamente. ^{[ 16 ]} Otra técnica para encontrar información oculta es la huella cerebral , que utiliza el EEG para determinar si una persona tiene un recuerdo o información específicos mediante la identificación de potenciales relacionados con eventos P300 . ^{[ 17 ]}

Se han planteado varias preocupaciones sobre la precisión y las implicaciones éticas de la lectura cerebral para este propósito. Los estudios de laboratorio han encontrado tasas de precisión de hasta el 85%; sin embargo, existen preocupaciones sobre lo que esto significa para los resultados falsos positivos: "Si la prevalencia de "mentirosos" en el grupo examinado es baja, la prueba arrojará muchos más resultados falsos positivos que verdaderos positivos; aproximadamente una de cada cinco personas será identificada incorrectamente por la prueba". ^{[ 16 ]} Los problemas éticos involucrados en el uso de la lectura cerebral como detección de mentiras incluyen aplicaciones indebidas debido a la adopción de la tecnología antes de que su confiabilidad y validez puedan evaluarse adecuadamente y debido a la mala comprensión de la tecnología, y preocupaciones de privacidad debido al acceso sin precedentes a los pensamientos privados de los individuos. ^{[ 16 ]} Sin embargo, se ha observado que el uso de la detección de mentiras mediante polígrafo conlleva preocupaciones similares sobre la confiabilidad de los resultados ^{[ 16 ]} y la violación de la privacidad. ^{[ 18 ]}

También se ha propuesto la lectura cerebral como método para mejorar las interfaces hombre-máquina , mediante el uso de EEG para detectar estados cerebrales relevantes de una persona. ^{[ 19 ]} En los últimos años, ha habido un rápido aumento en las patentes de tecnología relacionada con la lectura de ondas cerebrales, pasando de menos de 400 entre 2009 y 2012 a 1600 en 2014. ^{[ 20 ]} Estas incluyen formas propuestas de controlar videojuegos a través de ondas cerebrales y " neuromarketing " para determinar los pensamientos de una persona sobre un nuevo producto o anuncio.

Emotiv Systems , una empresa australiana de electrónica, ha presentado unos auriculares que pueden entrenarse para reconocer los patrones de pensamiento del usuario ante diferentes comandos. Tan Le demostró la capacidad de los auriculares para manipular objetos virtuales en pantalla y analizó diversas aplicaciones futuras para este tipo de dispositivos de interfaz cerebro-computadora , desde el control de sillas de ruedas hasta la sustitución del ratón y el teclado. ^{[ 21 ]}

Es posible rastrear cuál de las dos formas de ilusiones binoculares rivales experimentaba subjetivamente una persona a partir de señales de resonancia magnética funcional. ^{[ 22 ]}

Cuando los humanos piensan en un objeto, como un destornillador, se activan muchas áreas diferentes del cerebro. Marcel Just y su colega, Tom Mitchell, han utilizado resonancia magnética funcional (RMf) para enseñar a una computadora a identificar las distintas partes del cerebro asociadas con pensamientos específicos. ^{[ 23 ]} Esta tecnología también arrojó un descubrimiento: pensamientos similares en diferentes cerebros humanos son sorprendentemente similares a nivel neurológico. Para ilustrar esto, Just y Mitchell utilizaron su computadora para predecir, basándose únicamente en datos de RMf, en cuál de varias imágenes estaba pensando un voluntario. La computadora tuvo una precisión del 100%, pero hasta ahora la máquina solo distingue entre 10 imágenes. ^{[ 23 ]}

La categoría de evento que una persona recuerda libremente puede identificarse mediante fMRI antes de que diga lo que recordó. ^{[ 24 ]}

El 16 de diciembre de 2015, un estudio realizado por Toshimasa Yamazaki en el Instituto Tecnológico de Kyushu descubrió que, durante un juego de piedra, papel o tijera, una computadora podía determinar la elección de los participantes antes de que movieran la mano. Se utilizó un electroencefalograma (EEG) para medir la actividad en el área de Broca y detectar las palabras dos segundos antes de que fueran pronunciadas. ^{[ 25 ] [ 26 ] [ 27 ]}

En 2023, la Universidad de Texas en Austin entrenó un decodificador cerebral no invasivo para traducir las ondas cerebrales de voluntarios al modelo de lenguaje GPT-1 . Tras un extenso entrenamiento con cada voluntario, el decodificador generalmente no lograba reconstruir las palabras exactas, pero sí podía reconstruir significados lo suficientemente cercanos como para, en la mayoría de los casos, identificar la marca de tiempo de un libro determinado que el sujeto estaba escuchando. ^{[ 28 ] [ 29 ]}

Se ha afirmado que el análisis estadístico de las ondas cerebrales EEG permite el reconocimiento de fonemas , ^{[ 30 ]} y (en 1999) a un nivel del 60% al 75% palabras de color y forma visual. ^{[ 31 ]}

El 31 de enero de 2012, Brian Pasley y sus colegas de la Universidad de California Berkeley publicaron su artículo en PLoS Biology, donde el procesamiento neuronal interno de la información auditiva de los sujetos fue decodificado y reconstruido como sonido en una computadora mediante la recopilación y el análisis de señales eléctricas directamente de los cerebros de los sujetos. ^{[ 32 ]} El equipo de investigación realizó sus estudios en el giro temporal superior, una región del cerebro que está involucrada en el procesamiento neuronal de orden superior para dar sentido semántico a la información auditiva. ^{[ 33 ]} El equipo de investigación utilizó un modelo computacional para analizar varias partes del cerebro que podrían estar involucradas en la activación neuronal durante el procesamiento de señales auditivas. Utilizando el modelo computacional, los científicos pudieron identificar la actividad cerebral involucrada en el procesamiento de información auditiva cuando a los sujetos se les presentaban grabaciones de palabras individuales. ^{[ 34 ]} Posteriormente, el modelo computacional de procesamiento de información auditiva se utilizó para reconstruir algunas de las palabras nuevamente en sonido basándose en el procesamiento neuronal de los sujetos. Sin embargo, los sonidos reconstruidos no eran de buena calidad y solo podían reconocerse cuando los patrones de ondas de audio del sonido reconstruido se comparaban visualmente con los patrones de ondas de audio del sonido original presentado a los sujetos. ^{[ 34 ]} No obstante, esta investigación marca un camino hacia una identificación más precisa de la actividad neuronal en la cognición.

En 2008, algunos investigadores lograron predecir, con un 60 % de precisión, si un sujeto iba a presionar un botón con la mano izquierda o la derecha. Esto es notable, no solo porque la precisión es mayor que el azar, sino también porque los científicos pudieron realizar estas predicciones hasta 10 segundos antes de que el sujeto actuara, mucho antes de que el sujeto sintiera que había tomado una decisión. ^{[ 35 ]} Estos datos son aún más sorprendentes a la luz de otras investigaciones que sugieren que la decisión de moverse, y posiblemente la capacidad de cancelar ese movimiento en el último segundo, ^{[ 36 ]} pueden ser el resultado de un procesamiento inconsciente. ^{[ 37 ]}

John Dylan-Haynes también ha demostrado que la resonancia magnética funcional (fMRI) puede utilizarse para identificar si un voluntario está a punto de sumar o restar dos números mentalmente. ^{[ 23 ]}

Las técnicas de decodificación neuronal se han utilizado para poner a prueba teorías sobre el cerebro predictivo y para investigar cómo las predicciones descendentes afectan áreas cerebrales como la corteza visual . Estudios que utilizan técnicas de decodificación por resonancia magnética funcional (fMRI) han descubierto que los eventos sensoriales predecibles ^{[ 38 ]} y las consecuencias esperadas de nuestras acciones ^{[ 39 ]} se decodifican mejor en las áreas visuales del cerebro, lo que sugiere que la predicción "afina" las representaciones de acuerdo con las expectativas.

También se ha demostrado que la lectura cerebral se puede lograr en un entorno virtual complejo . ^{[ 40 ]}

Just y Mitchell también afirman que están empezando a poder identificar la bondad, la hipocresía y el amor en el cerebro. ^{[ 23 ]}

En 2013, un proyecto liderado por el profesor John Chuang de la Universidad de California en Berkeley publicó hallazgos sobre la viabilidad de la autenticación informática basada en ondas cerebrales como sustituto de las contraseñas. Si bien el uso de la biometría para la autenticación informática ha mejorado continuamente desde la década de 1980, este equipo de investigación buscaba un método más rápido y menos intrusivo que los escáneres de retina, las huellas dactilares y el reconocimiento de voz actuales. La tecnología elegida para mejorar las medidas de seguridad es un electroencefalograma (EEG), o medidor de ondas cerebrales, para transformar las contraseñas en "pensamientos de contraseña". Mediante este método, Chuang y su equipo lograron personalizar las tareas y sus umbrales de autenticación hasta reducir las tasas de error a menos del 1%, un resultado significativamente mejor que otros métodos recientes. Para atraer a más usuarios a esta nueva forma de seguridad, el equipo continúa investigando tareas mentales que resulten agradables para el usuario mientras se identifican sus ondas cerebrales. Los investigadores creen que en el futuro este método podría ser tan económico, accesible y sencillo como el pensamiento mismo. ^{[ 41 ]}

John-Dylan Haynes afirma que la resonancia magnética funcional (fMRI) también puede utilizarse para identificar el reconocimiento en el cerebro. Proporciona el ejemplo de un criminal al que se le pregunta si reconoce la escena del crimen o las armas homicidas. ^{[ 23 ]}

En la clasificación, se utiliza un patrón de actividad en múltiples vóxeles para determinar la clase particular de la que se extrajo el estímulo. ^{[ 42 ]}

En la reconstrucción de imágenes cerebrales, el objetivo es crear una imagen literal de la imagen presentada. Los primeros estudios utilizaron vóxeles de las áreas tempranas de la corteza visual (V1, V2 y V3) para reconstruir estímulos geométricos compuestos por patrones de tablero de ajedrez parpadeantes. ^{[ 43 ] [ 44 ]}

El EEG también se ha utilizado para identificar el reconocimiento de información o recuerdos específicos mediante el potencial evocado P300 , que se ha denominado " huella cerebral ". ^{[ 45 ]}