Mejora de la neuroretroalimentación decodificada por resonancia magnética funcional con entrenamiento coadaptativo:...

Área de la Ciencia:

• Neurociencia; Aprendizaje automático; Ingeniería biomédica

Sus antecedentes:

• El entrenamiento de neuroretroalimentación, particularmente la neuroretroalimentación decodificada basada en resonancia magnética funcional (DecNef), enfrenta desafíos en el aprendizaje de los participantes para controlar patrones cerebrales específicos.
• Las discrepancias entre los datos de entrenamiento del decodificador y los datos de neuroretroalimentación en tiempo real, incluido el ruido y los diferentes contextos, contribuyen a las dificultades de aprendizaje.

Objetivo del estudio:

• Desarrollar y validar un procedimiento de coadaptación para mejorar el rendimiento del participante en el entrenamiento DecNef.
• Mejorar la precisión y fiabilidad de los protocolos DecNef para dirigirse a representaciones cerebrales específicas.

Principales métodos:

• Se desarrolló un procedimiento de coadaptación utilizando algoritmos estándar de aprendizaje automático con un decodificador adaptativo en tiempo real.
• Se probó el procedimiento utilizando simulaciones en un conjunto de datos DecNef anterior.
• Se validó el enfoque de coadaptación con datos de resonancia magnética funcional en tiempo real de sesiones de entrenamiento DecNef.

Principales resultados:

• Las simulaciones demostraron que la coadaptación del decodificador mejora significativamente el rendimiento durante el entrenamiento de neuroretroalimentación.
• El análisis de deriva confirmó la estabilidad del decodificador coadaptado durante las sesiones de entrenamiento.
• Los datos de resonancia magnética funcional en tiempo real proporcionaron evidencia de prueba de concepto de que la coadaptación mejora la capacidad de los participantes para inducir estados cerebrales objetivo.

Conclusiones:

• Los decodificadores personalizados creados a través de la coadaptación pueden mejorar la eficacia de los protocolos de entrenamiento DecNef.
• Este enfoque ofrece una mayor precisión y fiabilidad para dirigirse a representaciones cerebrales específicas, con posibles aplicaciones en investigación traslacional.
• Las herramientas desarrolladas están disponibles gratuitamente para la comunidad científica.