Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
[00:02:06]. Ento, do crebro para a mquina, a ideia a seguinte: a partir de uma regio do
crebro, que ns sabemos (por estudos anteriores) ser responsvel por um movimento, se ns
nos aproximarmos dessa regio, veremos redes neurais anatmicas com muitos neurnios. Voc
pode implantar um eletrodo muito fino para gravar uma clula especfica, e com essa gravao,
ns lemos a atividade neural dessa clula. Quando o paciente realiza um movimento
especfico, essa clula ativa menos ou mais. Com vrios eletrodos formando uma Matriz de
Eletrodos, possvel desenvolver um decodificador que l o cdigo dos neurnios para um
cdigo de movimento.
[00:02:47]. Uma diferenciao feita entre Brain Computer Interfaces (BCIs) e Brain Machine
Interfaces (BMIs). Chamamos de Brain Computer Interfaces, uma comunicao direta entre o
crebro e um dispositivo externo de forma no invasiva, como eletrodos superficiais. O exemplo
mais comum utilizando a Eletroencefalografia (EEG). Normalmente os BCIs so mais
complicados de se obter nveis mais finos de observao, pois no tem a capacidade de distinguir
individualmente as atividades dos neurnios.
logo os decodificadores, podem tambm classificar esses sinais em clusters, separando-os para
melhorar o controle.
[00:04:06]. Existem diversos mtodos de aprendizagem de mquina que podem ser utilizados
(anlise discriminatria linear, mquina de vetores de suporte, classificadores bayesianos, etc.).
Por exemplo, um decodificador linear apenas uma mdia ponderada dos histricos de taxas
de disparos dos neurnios gravados, com diferentes variveis de controle determinadas por
diferentes combinaes lineares de entradas. Ou seja, uma simples abordagem para construir
um decodificador colocar o paciente para realizar uma determinada tarefa por um tempo,
gravar essas informaes (spikes) da regio do crebro responsvel pela tarefa e ento aplicar
uma regresso de mnimos quadrados entre os sinais neurais e a cintica do membro,
encontrando os coeficientes dos pesos.
[00:09:15]. Quando algum toca uma garrafa, ela no apenas faz o movimento, mas tambm
recebe informaes de feedback de toque, presso, dor, temperatura, textura, de sensores na
mo. Ento, deve-se colocar nessas prteses sensores que podem medir essas informaes,
fechando a malha. Por fim, so os principais desafios da substituio e restaurao de funes
motoras.
[00:09:43]. Referncias
BENSMAIA, S. J.; MILLER, L. E., Restoring sensorimotor function through intracortical interfaces:
progress and looming challenges. Nature Reviews Neuroscience, Publicao Online, 15, 5, 31325, 2014.
BO, A. P. L., Sensorimotor function restoration & substitution, 20 de maio de 2015. Notas de
Aula. Neuro Engenharia.
SEGEV, I.; EYAL, G., Coursera course: Synapses, Neurons and Brains, Brain Excitements for the
21st Century, Lesson 1 - Brain Machine Interface BMI. Disponvel em:
<https://www.coursera.org/learn/synapses/outline?module=uv6zY>.