En la actualidad no es posible la recuperación motora en pacientes con enfermedades neurodegenerativas, como la esclerosis lateral amiotrófica (ELA), la esclerosis múltiple o la enfermedad de Parkinson, ni tampoco en pacientes con traumatismo grave por accidente cerebrovascular, parálisis cerebral o lesión en la médula espinal. Aunque se han propuesto nuevas estrategias de rehabilitación con resultados prometedores en ensayos controlados aleatorios, los métodos disponibles hoy día no logran restaurar la función motora normal en la mayoría de los pacientes. Por lo tanto, es importante desarrollar métodos alternativos más eficaces.

Recientemente se ha prestado atención al desarrollo de la tecnología de interfaz cerebro-máquina (BMI) para restaurar la función motora en personas con graves limitaciones de movimiento con vistas a mejorar su calidad de vida. Hay dos formas en que los sistemas BMI pueden facilitar dicha rehabilitación. La primera estrategia consiste en sustituir la pérdida de salidas neuromusculares normales haciendo que las personas puedan interactuar con su entorno mediante señales cerebrales. Así, por ejemplo, una persona podría usar señales electrofisiológicas como la actividad electroencefalográfica (EEG) o la actividad neuronal cortical para mover un cursor en una pantalla de ordenador, para controlar un brazo neuroprotésico o para restaurar el movimiento en extremidades mediante estimulación eléctrica funcional. El segundo uso de la tecnología BMI es más complejo y pretende restaurar la función motora influyendo en los procesos de plasticidad cerebral de acuerdo con la actividad deseada. En este caso el sistema BMI promovería un proceso de aprendizaje mediante el que las señales neuronales serían progresivamente más funcionales.

De acuerdo con lo anterior, los sistemas BMI permitirían una nueva forma de interacción en tiempo real entre el usuario y el mundo exterior. Las señales que indican la actividad cerebral del usuario se traducen en una salida. El usuario recibe retroalimentación de dicha salida, lo que a su vez afecta a su actividad cerebral e influye en la salida posterior. Por lo tanto, si una persona usa un BMI para controlar un brazo neuroprotésico, la posición del brazo después de cada movimiento influirá en la intención de la persona para el siguiente movimiento y afectará a las señales cerebrales que codifican dicha intención. Un sistema que simplemente registra y analiza las señales cerebrales y no proporciona los resultados del análisis al usuario de una manera interactiva en tiempo real no es un BMI.

Todo BMI consta de tres elementos principales, ilustrados en la Figura 1: una interfaz neuronal que captura la actividad cerebral del individuo, un decodificador que interpreta dicha actividad y un dispositivo convenientemente instrumentado que actúa de acuerdo con las instrucciones procedentes del decodificador.

Aunque, en principio, cualquier mecanismo para registrar señales cerebrales podría servir como interfaz neuronal en un sistema BMI, en la práctica, por motivos de coste y portabilidad, solo la medición de campos eléctricos y, potencialmente, la obtención de imágenes funcionales en el infrarrojo cercano (fNIR), resultan adecuadas para uso diario. Existen distintas modalidades de interfaz neuronal basadas en campo eléctrico que se diferencian en la profundidad a la que se captura la actividad cerebral. Así, las señales neuronales se pueden registrar con electrodos en el cuero cabelludo (actividad EEG), en la superficie cortical (actividad electrocorticográfica, ECoG) o dentro del cerebro (potenciales de campo local y potenciales de acción neuronal).

Cada método tiene sus ventajas e inconvenientes. El registro EEG es simple y no invasivo, pero tiene una resolución espacio-temporal muy limitada. Además, las capturas EEG son susceptibles de contaminación por actividad electro-oculográfica o electromiográfica de los músculos craneales. Los métodos ECoG ofrecen mejor resolución espacial y rangos de frecuencia más amplios, pero implica la implantación de mallas de electrodos en la superficie cortical del cerebro y, por tanto, la necesidad de una intervención quirúrgica. Por último, las técnicas intracorticales permiten registros de alta calidad y resolución aunque, dado que los electrodos deben penetrar en el cerebro, son las que comportan mayor riesgo de reacción tisular y la estabilidad a largo plazo puede verse más comprometida.

El valor práctico último de cada uno de estos métodos depende en gran medida de la aplicación de comunicación y/o control que se pretende soportar. A grandes rasgos, cuanto más invasivo es el método de captura, retos más complejos, con mayores demandas de velocidad y precisión, serían abordables. En todo caso, se están dedicando importantes esfuerzos al desarrollo de procedimientos, con prestaciones similares a las obtenibles con técnicas intracorticales, pero menos invasivos y potencialmente más estables y seguros para el registro a largo plazo de señales neuronales.

El decodificador es el encargado de traducir las señales cerebrales registradas por la interfaz neuronal a órdenes interpretables por un dispositivo de salida, tal como un editor de textos, una silla de ruedas o una extremidad neuroprotésica. El procesamiento de señal en el decodificador tiene dos fases. La primera fase consiste en la extracción de características de las señales capturadas. Dichas características pueden ser medidas simples, tales como las amplitudes de potenciales evocados en EEGs, o las tasas de disparo de potenciales de acción en neuronas corticales individuales; o pueden ser más complejas como el cálculo de coherencias espectrales. En cualquier caso, las características extraídas deben ser relevantes para codificar con precisión la salida deseada por el usuario.

La segunda fase del procesamiento de señal consiste en la obtención de comandos utilizando un algoritmo de traducción. La complejidad de dicho algoritmo varía según los casos; pueden ser simples (por ejemplo, ecuaciones lineales) o sofisticados (por ejemplo, redes neuronales o máquinas vectoriales de apoyo, SVM). Para que un algoritmo de traducción sea eficaz debe cumplir dos requisitos básicos. Por un lado, debe garantizar que el rango de control del usuario sobre las características elegidas permita seleccionar todo el rango de comandos del dispositivo. Por otro, el algoritmo debe ser capaz de acomodar variaciones espontáneas en la gama de control del usuario y, por tanto, adaptarse a posibles cambios en las características de la señal.

Aunque se han producido importantes avances hacia el desarrollo de BMIs clínicamente viables, aún son muchos los retos que quedan por afrontar desde muy diversas disciplinas (neurología, ingeniería biomédica, ciencia de materiales, procesado de señal,…). Así, por ejemplo, son necesarios nuevos electrodos biocompatibles para la captura de señal neuronal que permitan BMIs de mayor longevidad, estabilidad y seguridad. También se debe avanzar significativamente en el desarrollo de métodos más eficaces de inducción de plasticidad cerebral dependiente de actividad. Del mismo modo, resulta imprescindible diseñar interfaces neuronales y decodificadores con menor factor de forma y consumo de potencia, operados inalámbricamente y esencialmente autónomos, que ofrezcan suficiente capacidad de cómputo y de adaptabilidad al usuario. En esta última línea, el grupo de biosensores inteligentes del Instituto de Microelectrónica de Sevilla ha desarrollado recientemente un prototipo en el estado-del-arte de interfaz neuronal inalámbrica para ECoG y medidas intracorticales que incluye mecanismos para extracción de características y que ya se ha verificado con éxito en modelos de animal. En la actualidad, dicho grupo está trabajando en el diseño de un sistema de microestimulación neuronal mediante técnicas optogenéticas, cuyo objetivo es permitir que el usuario de BMI no solo tenga la capacidad de controlar un dispositivo neuroprotésico sino también de sentirlo.