Representaciones latentes compartidas de la producción del habla para la decodificación del habla entre pacientes

Área de la Ciencia:

• La neurociencia
• Ingeniería biomédica
• Tecnología de rehabilitación

Sus antecedentes:

• Las interfaces cerebro-computadora del habla (BCI) ofrecen la restauración de la comunicación para las personas con trastornos neuromotores.
• Los BCI actuales requieren extensos datos específicos del paciente, lo que limita la usabilidad y la velocidad de despliegue.
• Los desafíos en la combinación de datos entre pacientes incluyen diferencias neuroanatómicas y colocación variada de electrodos.

Objetivo del estudio:

• Desarrollar un método para entrenar los BCI del habla utilizando datos combinados de múltiples pacientes.
• Superar las limitaciones de los requisitos de datos específicos del paciente y acelerar el despliegue de BCI.
• Mejorar la precisión y la usabilidad de los BCI del habla para las personas con discapacidades de comunicación.

Principales métodos:

• Se utilizó el análisis de correlación canónica (CCA) para alinear los datos neuronales específicos del paciente en un espacio latente compartido.
• Se empleó micro-electrocorticografía de alta densidad (μECoG) para la captura detallada de señales neuronales.
• Desarrolló modelos de decodificación entre pacientes entrenados en datos neuronales agregados y alineados.

Principales resultados:

• Descubrió con éxito la dinámica neural latente compartida entre los pacientes que usan CCA.
• Demostró que los datos neuronales alineados preservaron la información del habla a microescala.
• Se obtuvieron mejores precisiones de decodificación con modelos de pacientes cruzados en comparación con modelos específicos de pacientes.
• Destacó las ventajas de la alta resolución y amplia cobertura de μECoG.

Conclusiones:

• Alinear los datos neuronales con un espacio latente compartido permite un entrenamiento efectivo de los BCI del habla con datos de múltiples pacientes.
• Este enfoque mejora significativamente la precisión del BCI y facilita el despliegue rápido.
• Los futuros BCI del habla pueden ser más efectivos, mejorando la calidad de vida de las personas con trastornos de la comunicación.