HemCNN: Una red neuronal convolucional para la detección de diferencias hemodinámicas entre hemisferios durante el control de fuerzas manuales fatigantes

A espectroscopia no infravermelho próximo (EIC) tem sido muito útil no estudo do papel do cérebro no controle motor, graças à sua portabilidade e alta resolução espacial. No entanto, a maioria desses estudos enfocou tarefas motoras que requerem esforço moderado. Por outro lado, estudos voltados para a produção de altas forças (> 50% da contração voluntária máxima) indicam que a resposta hemodinâmica (FC) medida com ICS não dá origem à contralateralização hemisférica clássica. Consideramos que esta contralateralização está por trás do sinal. Apesar disso, a velocidade e o esforço da força gerada e a dependência não linear entre ela e a UR dão origem a respostas não estacionárias de difícil análise. Consequentemente, desenvolvemos o hemCNN, uma arquitetura de rede convolucional adaptada para a análise da UR medida por EIC que leva em consideração as dimensões topológica, hemoglobina e temporal do sinal. Essa arquitetura é totalmente interpretável e revela atividades bilaterais que têm um padrão de ativação hemisférica específico para cada mão.

La espectroscopia de infrarrojo cercano (EIC) ha sido muy útil en el estudio del papel cerebral en el control motor gracias a su portabilidad y su alta resolución espacial. Sin embargo, la mayoría de estos estudios se ha centrado en tareas motoras que requieren esfuerzo moderado. Por otra parte, los estudios enfocados a la producción de altas fuerzas (>50% de la contracción máxima voluntaria) indican que la respuesta hemodinámica (RH) medida con EIC no da lugar a la clásica contralateralización hemisférica. Nosotros consideramos que esa contralateralización subyace en la señal. A pesar de ello, la rapidez y esfuerzo de la fuerza generada y la dependencia no linear entre ésta y la RH dan lugar a respuestas no estacionarias que son difíciles de analizar. En consecuencia, desarrollamos hemCNN, una arquitectura de redes convolucionales adaptada para el análisis de RH medidas por EIC que tiene en cuenta las dimensiones topológicas, de hemoglobina y temporales de la señal. Esta arquitectura es totalmente interpretable y desvela actividades bilaterales que tienen un patrón de activación hemisférica específico para cada mano.

PABLO ORTEGA
Após uma breve passagem pela Faculdade de Medicina da Universidade Nacional Autônoma do México (UNAM), Pablo Ortega continuou a perseguir seu interesse pelo cérebro do ponto de vista da engenharia. Depois de se especializar como engenheiro em automação e eletrônica na Universidade Politécnica de Madrid (UPM), ele continuou a fazer o mestrado em neurotecnologia no Imperial College de Londres. Pablo concluiu recentemente seu doutorado na mesma instituição onde desenvolveu técnicas de aprendizado de máquina aplicadas a sinais cerebrais não invasivos sob a supervisão do Dr. Aldo Faisal. Hoje, ele continua a aplicar e pesquisar o aprendizado de máquina e a fotônica na indústria privada para desenvolver a próxima geração de interfaces cérebro-computador.

Tras un breve paso por la Facultad de Medicina de Universidad Nacional Autónoma de México (UNAM), Pablo Ortega siguió persiguiendo su interés por el cerebro desde un punto de vista ingenieril. Después de especializarse como ingeniero en automática y electrónica por la Universidad Politécnica de Madrid (UPM), continuó haciendo una maestría en neurotecnología en el Colegio Imperial de Londres. Pablo se ha doctorado recientemente por la misma institución donde ha desarrollado técnicas de aprendizaje automático aplicadas a señales cerebrales no invasivas bajo la supervisión del Dr Aldo Faisal. Actualmente sigue aplicando e investigando sobre aprendizaje automático y fotónica en la industria privada para desarrollar la siguiente generación de interfaces cerebro-ordenador.