ES2838682T3 - Sistema de elaboración de perfiles sensoriales y cognitivos - Google Patents

Abstract

Un sistema (100) para proporcionar una evaluación cognitiva o sensorial, que comprende: un dispositivo sensor (130) interconectado con un sujeto para detectar señales fisiológicas presentadas por el sujeto antes, durante y después de una presentación de una secuencia de estímulos al sujeto, la secuencia de estímulos en base a una categoría de perfil cognitivo-sensorial que incluye un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial; un sistema de procesamiento de datos en comunicación con el dispositivo sensor (130) y estructurado para incluir una o más unidades de memoria y uno o más procesadores configurados para procesar las señales fisiológicas como datos fisiológicos para generar un conjunto de información a partir solo de los datos fisiológicos, en donde el conjunto de información incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial; en donde el sistema de procesamiento de datos incluye: un ordenador local (140) situado próximo y en comunicación con el dispositivo sensor (130) para recibir las señales fisiológicas detectadas desde el dispositivo sensor (130), el ordenador local (140) configurado para dirigir el procesamiento inicial de las señales fisiológicas detectadas para producir datos de señal fisiológica inicial, y un ordenador remoto (150) en comunicación con el ordenador local (140) a través de una red o enlace de comunicación para recibir los datos de señal fisiológica inicial del ordenador local (140) y para procesar los datos de señal fisiológica inicial para generar el conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial; en donde los datos de señal fisiológica inicial incluyen un intervalo de tiempo asociado con las señales fisiológicas (171, 181, 191), y en donde el ordenador remoto proporciona una medida estadística de la relación a través de uno o más conjuntos de datos agrupados (173, 183, 193), agrupados según el intervalo de tiempo (172, 182, 192), para generar uno o más valores cuantitativos, en donde el ordenador local (140) está configurado para producir datos de señal fisiológica inicial como datos individuales específicos para el sujeto, y el ordenador remoto (150) está configurado para procesar los datos de señal fisiológica inicial para producir el conjunto de información que está individualizada para el sujeto, en donde el conjunto de información se genera por el sistema de procesamiento de datos sin requerir la conformidad del sujeto o una respuesta de comportamiento por el sujeto a la secuencia de estímulos; un dispositivo de entrega de estímulos en una ubicación del sujeto y configurado para producir la secuencia de estímulos que se presenta al sujeto, en donde los estímulos incluyen al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo; y un módulo de interfaz cerebro-máquina en comunicación con el sistema de procesamiento de datos y el dispositivo de entrega de estímulos configurado para producir una secuencia modificada de estímulos modificando de manera adaptativa la secuencia de estímulos durante una presentación en curso de los estímulos al sujeto, en donde la secuencia modificada de estímulos se basa en datos asociados con, o derivados de, el conjunto de información generado.

Description

DESCRIPCIÓN

Sistema de elaboración de perfiles sensoriales y cognitivos

REFERENCIA CRUZADA A APLICACIONES RELACIONADAS

Este documento de patente reivindica el beneficio de prioridad de la Solicitud de Patente Provisional de EE.UU. N° 61/707.613, titulada “METHOD AND APPARATUS FOR ACQUISITION, ANALYSIS AND EVALUATION OF BRAIN SIGNALS AND CORRELATED INDIVIDUAL KNOWLEDGE AND/OR STATE OF AWARENESS PROFILE” presentada el 28 de septiembre de 2012. Todo el contenido de la solicitud de patente antes mencionada se incorpora por referencia como parte de la descripción de esta solicitud.

CAMPO TÉCNICO

Este documento de patente se refiere a sistemas, dispositivos y procesos para analizar la función cerebral.

ANTECEDENTES

La electroencefalografía (EEG) es el registro de la actividad eléctrica presentada por el cerebro usando electrodos colocados en el cuero cabelludo de un sujeto, formando un contenido espectral de oscilaciones de señales neuronales que comprenden un conjunto de datos de EEG. Por ejemplo, la actividad eléctrica del cerebro que se detecta mediante técnicas de EEG puede incluir fluctuaciones de voltaje, por ejemplo, resultantes de los flujos de corriente iónica dentro de las neuronas del cerebro. En algunos contextos, la EEG se refiere al registro de la actividad eléctrica espontánea del cerebro durante un corto período de tiempo, por ejemplo, menos de una hora. La EEG se puede usar en aplicaciones de diagnóstico clínico que incluyen la epilepsia, el coma, las encefalopatías, la muerte cerebral y otras enfermedades y defectos, así como en estudios del sueño y de los trastornos del sueño. En algunos casos, la EEG se ha usado para el diagnóstico de tumores, de derrames cerebrales y de otros trastornos cerebrales focales.

Un ejemplo de una técnica de EEG incluye el registro de potenciales relacionados con eventos (ERP), que se refieren a respuestas cerebrales registradas con EEG que están correlacionadas con un evento dado (por ejemplo, estimulación simple y procesos complejos). Por ejemplo, un ERP incluye una respuesta eléctrica del cerebro - una onda cerebral - relacionada con el procesamiento sensorial, motor y/o cognitivo. Los ERP están asociados con medidas cerebrales de percepción (por ejemplo, visual, auditiva, etc.) y de cognición (por ejemplo, atención, lenguaje, toma de decisiones, etc.). Una forma de onda típica de un ERP incluye una evolución temporal de deflexiones de voltaje positivas y negativas, denominadas componentes. Por ejemplo, los componentes típicos se clasifican usando una letra (N/P: negativo/positivo) y un número (que indica la latencia, en milisegundos, desde el evento de estímulo), para los que surge este componente.

El documento US 2012/150545 A1 describe una batería de tres o más tareas de desafío sensorial y cognitivo que desafían activa o dinámicamente al cerebro para monitorizar su estado para la evaluación de lesiones, enfermedades o efectos compuestos, entre otros. El sistema analiza y evalúa una firma biométrica personalizada de la salud cerebral integrando el uso de electroencefalografía (EEG), estimulación somatosensorial, neuropsicológica y/o cognitiva, y el procesamiento y la visualización de señales novedosas.

El documento US 2011/109879 A1 describe un sistema para elaboración de perfiles de un aspecto personal de un sujeto, el sistema que comprende un procesador adaptado para seleccionar al menos un estímulo visual de una base de datos que comprende una multiplicidad de estímulos visuales y al menos un estímulo evocador de una base de datos que comprende una multiplicidad de estímulos evocadores; y al menos un sensor adaptado para adquirir al menos una respuesta ocular de un sujeto a dicho estímulo visual; en donde dicho procesador está adaptado además para realizar el procesamiento y el análisis de dicho estímulo visual, dicho estímulo evocador y dicha respuesta ocular, para elaboración de perfiles de al menos un aspecto personal de dicho sujeto.

De este modo, según un aspecto, el problema se refiere a proporcionar un sistema de evaluación cognitiva o sensorial que se pueda usar de manera más eficiente.

Este problema se resuelve mediante un sistema que tiene las características descritas en la reivindicación 1. Las realizaciones preferidas se definen en las reivindicaciones dependientes.

COMPENDIO

Se describen métodos, sistemas y dispositivos para usar estructuras de presentación de estímulos especializadas (por ejemplo, que incluyen imágenes y sonidos) para obtener datos fisiológicos (por ejemplo, señales cerebrales) y/o datos de comportamiento para inferir y generar un conjunto único de información que atañe a las habilidades mentales individuales y/o de grupo (por ejemplo, rendimiento cognitivo y/o sensorial), los estados psicológicos (por ejemplo, niveles de conciencia) y las preferencias de comportamiento.

En un aspecto, un método para proporcionar una evaluación cognitiva o sensorial de un sujeto incluye seleccionar una categoría de perfil de entre un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial, presentar una secuencia de estímulos a un sujeto, la secuencia de estímulos en base a la categoría de perfil seleccionada, adquirir señales fisiológicas del sujeto antes, durante y después de la presentación de la secuencia de estímulos para producir datos fisiológicos, y procesar los datos fisiológicos para generar un conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil seleccionada.

Las implementaciones del método pueden incluir opcionalmente una o más de las siguientes características ejemplares. En algunos ejemplos, la adquisición se puede implementar sin una respuesta de comportamiento realizada por el sujeto. Por ejemplo, la secuencia de estímulos puede incluir al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo en base a la categoría de perfil seleccionada. Por ejemplo, el uno o más valores cuantitativos pueden incluir una puntuación cuantitativa que represente un nivel de uno o ambos de rendimiento cognitivo y sensorial en base a al menos una de las características de atención, memoria, capacidad de aprendizaje, confabulación, la capacidad de integración de patrones, la capacidad de integración semántica, la capacidad de detección de objetivos, la valencia emocional, o la preferencia del sujeto, en las que la puntuación cuantitativa representa el nivel en un momento particular. Por ejemplo, el uno o más valores cuantitativos pueden incluir una puntuación cuantitativa que represente un nivel o estado de conciencia del sujeto en un momento particular. En algunas implementaciones del método, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de una relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. Por ejemplo, en algunas implementaciones, el método puede incluir además procesar los datos fisiológicos para aumentar una relación señal a ruido de los conjuntos de datos agrupados. Por ejemplo, la agrupación se puede determinar en base a al menos una de las categorías asignadas previamente del estímulo individual o a una relación asociativa de estímulos consecutivos. En algunas implementaciones del método, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de una relación a través o dentro de los conjuntos de datos agrupados usando datos fisiológicos previos adquiridos del sujeto o de otros sujetos para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. En algunas implementaciones del método, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados iniciales, clasificar cada estímulo de la secuencia de estímulos presentados al sujeto usando una prueba estadística que implica los conjuntos de datos agrupados iniciales, en base a los estímulos clasificados, reagrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de una relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. Por ejemplo, en algunas implementaciones, el método puede incluir además la formación de una secuencia modificada de estímulos usando el conjunto de información generado para el sujeto y la presentación de la secuencia modificada de estímulos al sujeto. Por ejemplo, en algunas implementaciones, el método puede incluir además la adquisición de señales fisiológicas del sujeto antes, durante y después de la presentación de la secuencia modificada de estímulos para producir nuevos datos fisiológicos, y procesar los nuevos datos fisiológicos para generar un conjunto de información aumentada que incluye uno o más valores cuantitativos aumentados asociados con la categoría de perfil seleccionada. Por ejemplo, en algunas implementaciones, el método puede incluir además la creación de una secuencia inicial de estímulos para cada una de las categorías de perfil. En algunos ejemplos, la adquisición de señales fisiológicas puede incluir registrar señales de electroencefalograma (EEG) generadas por el sujeto. Por ejemplo, el registro de las señales de EEG puede incluir el uso de uno o más dispositivos sensores de electrodos de EEG flexibles que se llevan puestos en el cuero cabelludo del sujeto para medir y transmitir las señales de EEG registradas a una unidad de procesamiento remota. En algunos ejemplos, la adquisición de señales fisiológicas puede incluir registrar señales de electromiograma (EMG) generadas por el sujeto. Por ejemplo, en algunas implementaciones, el método puede incluir además, antes del procesamiento, filtrar las señales fisiológicas para aumentar una relación señal a ruido de las señales fisiológicas. Por ejemplo, en algunas implementaciones, el método puede incluir, además, antes del procesamiento, el procesamiento previo de los datos fisiológicos que incluye uno o más de segmentar los datos fisiológicos o identificar las características de los datos fisiológicos. Por ejemplo, en algunas implementaciones, el método puede incluir además, en base al conjunto de información generado para el sujeto, generar una interacción entre una máquina y el sujeto. Por ejemplo, en algunas implementaciones, el método puede incluir además adquirir señales fisiológicas de referencia del sujeto antes de la presentación de la secuencia de estímulos para producir datos fisiológicos de referencia. En algunos ejemplos, la secuencia de estímulos presentados al sujeto puede incluir estímulos ambientales para estimular pasivamente una respuesta cerebral de un sujeto. Por ejemplo, en algunas implementaciones, el método puede incluir además adquirir señales de comportamiento del sujeto antes, durante y después de la presentación de la secuencia de estímulos para producir datos fisiológicos, y procesar los datos de comportamiento con los datos fisiológicos para generar el conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil seleccionada.

En otro aspecto, un programa informático que comprende un medio de almacenamiento legible por ordenador que tiene un código almacenado en el mismo, el código, cuando se ejecuta, que hace que el procesador de un ordenador o de un sistema informático en una red de comunicación implemente un método para proporcionar una evaluación cognitiva o sensorial de un sujeto, en la que el producto de programa de ordenador se opera por el ordenador o sistema informático para implementar el método. El método implementado por ordenador incluye proporcionar una sugerencia a un sujeto para que seleccione una categoría de perfil que incluye un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial, controlar una secuencia de estímulos presentados al sujeto a través de un dispositivo, la secuencia de estímulos en base a la categoría de perfil seleccionada, recibir datos fisiológicos que representan las señales fisiológicas adquiridas del sujeto antes, durante y después de la presentación de la secuencia de estímulos, y procesar los datos fisiológicos para generar un conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil seleccionada.

Las implementaciones del producto de programa de ordenador pueden incluir opcionalmente una o más de las siguientes características ejemplares. Por ejemplo, en el producto de programa de ordenador, el paso de procesamiento del método puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. En algunas implementaciones, el método implementado por ordenador del producto de programa de ordenador puede incluir además el procesamiento de los datos fisiológicos para aumentar una relación señal a ruido de los conjuntos de datos agrupados. Por ejemplo, la agrupación se determina en base a al menos una de una categoría asignada previamente del estímulo individual o a una relación asociativa de estímulos consecutivos. Por ejemplo, en el producto de programa de ordenador, el paso de procesamiento del método puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de una relación a través o dentro de los conjuntos de datos agrupados usando datos fisiológicos previos adquiridos del sujeto o de otros sujetos para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. Por ejemplo, en el producto de programa de ordenador, el paso de procesamiento del método puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados iniciales, clasificar cada estímulo de la secuencia de estímulos presentados al sujeto usando una prueba estadística que implica los conjuntos de datos agrupados iniciales, en base a los estímulos clasificados, reagrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. En algunas implementaciones, el método implementado por ordenador del producto de programa de ordenador puede incluir además formar una secuencia modificada de estímulos usando el conjunto de información generado para el sujeto, y controlar la secuencia modificada de estímulos presentados al sujeto a través del dispositivo. En algunas implementaciones, el método implementado por ordenador del producto de programa de ordenador puede incluir además recibir nuevos datos fisiológicos que representan señales fisiológicas adquiridas del sujeto antes, durante y después de la presentación de la secuencia modificada de estímulos y procesar los nuevos datos fisiológicos para generar un conjunto de información aumentada que incluye uno o más valores cuantitativos aumentados asociados con la categoría de perfil seleccionada.

Según la invención, un sistema para proporcionar una evaluación cognitiva o sensorial incluye un dispositivo sensor interconectado a un sujeto para detectar señales fisiológicas presentadas por el sujeto antes, durante y después de la presentación de una secuencia de estímulos al sujeto, la secuencia de estímulos en base a una categoría de perfil cognitivo-sensorial que incluye un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial, y un sistema de procesamiento de datos en comunicación con el dispositivo sensor y estructurado para incluir una o más unidades de memoria y uno o más procesadores configurados para procesar las señales fisiológicas como datos fisiológicos para generar un conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial.

Las implementaciones del sistema pueden incluir opcionalmente una o más de las siguientes características ejemplares. En algunos ejemplos, las señales fisiológicas detectadas por el dispositivo sensor no implican una respuesta de comportamiento por parte del sujeto. En algunas implementaciones, por ejemplo, el sistema puede incluir además un dispositivo de entrega de estímulos para producir la secuencia de estímulos que se presenta al sujeto, en la que los estímulos pueden incluir al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo. Por ejemplo, el dispositivo de entrega de estímulos puede incluir una pantalla de visualización para generar una secuencia de imágenes. Por ejemplo, el dispositivo de entrega de estímulos puede incluir un altavoz para generar una secuencia de sonidos. Por ejemplo, el dispositivo de entrega de estímulos puede incluir un actuador para generar una secuencia de al menos uno de los estímulos olfativos, táctiles o gustativos. En algunas implementaciones, el dispositivo de entrega de estímulos se puede configurar para estar en comunicación con el sistema de procesamiento de datos, en el que el sistema de procesamiento de datos está configurado para producir un procedimiento de máquina en base al conjunto de información generado, y en el que el procedimiento de máquina producido por la unidad de procesamiento de datos hace que el dispositivo de entrega de estímulos modifique la secuencia de estímulos para una siguiente presentación al sujeto. Por ejemplo, el dispositivo de entrega de estímulos puede incluir un ordenador de sobremesa, un ordenador portátil o un dispositivo de comunicaciones móviles, por ejemplo, tal como un teléfono inteligente o una tableta. Por ejemplo, el sistema de procesamiento de datos se puede configurar en el dispositivo de comunicaciones móviles. Por ejemplo, el sistema de procesamiento de datos se puede configurar para producir un procedimiento de máquina en base al conjunto de información generado, en el que el procedimiento de máquina acciona otro dispositivo o sistema para realizar una función derivada a partir de la información contenida dentro del conjunto de información generado. Por ejemplo, el uno o más valores cuantitativos pueden incluir una puntuación cuantitativa que represente un nivel de uno o ambos de rendimiento cognitivo y sensorial en base a al menos una de las características de atención, memoria, capacidad de aprendizaje, confabulación, capacidad de integración de patrones, capacidad de integración semántica, capacidad de detección de objetivos, valencia emocional, preferencia o conciencia del sujeto, y en las que la puntuación cuantitativa representa el nivel en un momento determinado. En algunas implementaciones del sistema, por ejemplo, el dispositivo sensor puede incluir un sustrato flexible, electrodos sensores sobre el sustrato flexible y una unidad transmisora en comunicación eléctrica con los electrodos y sobre el sustrato flexible, en el que el dispositivo sensor está configurado como uno o más parches que se pueden llevar puestos en el cuero cabelludo del sujeto para registrar señales de electroencefalograma (EEG) y transmitir las señales de EEG registradas a al menos uno de la unidad de procesamiento de datos o un sistema informático remoto. En algunas implementaciones del sistema, por ejemplo, el dispositivo sensor puede incluir electrodos que se pueden unir al sujeto para recibir señales eléctricas del sujeto. Por ejemplo, el dispositivo sensor puede incluir un dispositivo de formación de imágenes que captura imágenes del sujeto que indican un movimiento del sujeto. En algunos ejemplos, el dispositivo de formación de imágenes captura el movimiento ocular del sujeto. Por ejemplo, en algunas implementaciones del sistema, el sistema de procesamiento de datos puede incluir un ordenador local situado próximo y en comunicación con el dispositivo sensor para recibir las señales fisiológicas detectadas desde el dispositivo sensor, el ordenador local configurado para dirigir el procesamiento inicial de las señales fisiológicas detectadas para producir datos de señales fisiológicas iniciales, y un ordenador remoto en comunicación con el ordenador local a través de una red o un enlace de comunicación para recibir los datos de señales fisiológicas iniciales desde el ordenador local y para procesar los datos de señales fisiológicas iniciales para generar el conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial. Por ejemplo, el ordenador local se puede configurar para producir datos de señales fisiológicas iniciales como datos individuales específicos del sujeto, y el ordenador remoto se puede configurar para procesar los datos de señales fisiológicas iniciales para producir el conjunto de información que está individualizada para el sujeto. En algunas implementaciones, por ejemplo, el sistema puede incluir además un dispositivo de entrega de estímulos en una ubicación del sujeto y está configurado para producir la secuencia de estímulos que se presenta al sujeto, en la que los estímulos incluyen al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo, así como un ordenador de presentación de estímulos en comunicación con el ordenador remoto para recibir datos asociados con, o derivados de, el conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial para modificar la secuencia de estímulos al sujeto para producir una secuencia modificada de estímulos que está individualizada con respecto al sujeto, el ordenador de presentación de estímulos está acoplado al dispositivo de entrega de estímulos para hacer que la secuencia modificada de estímulos se aplique al sujeto. En algunas implementaciones, por ejemplo, el ordenador remoto se puede configurar para acceder a los datos de señales fisiológicas de otros sujetos en uno o más grupos de sujetos y usar los datos de señales fisiológicas de otros sujetos en el procesamiento de los datos de señales fisiológicas iniciales para producir el conjunto de información que está individualizado para el sujeto. Por ejemplo, en algunas implementaciones, el sistema puede incluir además un módulo de interfaz cerebro-máquina configurado entre el ordenador remoto y el ordenador de presentación de estímulos y configurado para convertir el conjunto de información que está individualizado para el sujeto en un cambio o ajuste adaptativo que se usa por el ordenador de presentación de estímulos para modificar la secuencia de estímulos para el sujeto al producir la secuencia modificada de estímulos que está individualizada con respecto al sujeto.

En otro aspecto, un método para proporcionar una evaluación cognitiva o sensorial de un sujeto incluye procesar uno o ambos de datos fisiológico y datos de comportamiento de un individuo en respuesta a la presentación de una secuencia de estímulos creados en base a una categoría de perfil cognitivo-sensorial, en la que el procesamiento genera un conjunto de información que incluye uno o más valores cuantitativos que caracterizan un nivel de rendimiento cognitivo, un nivel de rendimiento sensorial o un nivel de rendimiento cognitivo y sensorial del individuo. El procesamiento incluye seleccionar intervalos de tiempo de interés dentro de los datos fisiológicos y/o los datos de comportamiento en base a los estímulos presentados y a la categoría de perfil seleccionada, agrupar, en uno o más conjuntos de datos agrupados, los datos fisiológicos y/o los datos de comportamiento correspondientes a los intervalos de tiempo de interés seleccionados, y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos.

Las implementaciones del método pueden incluir opcionalmente una o más de las siguientes características ejemplares. En algunas implementaciones del método, por ejemplo, la provisión de la medida estadística puede incluir usar datos fisiológicos y/o datos de comportamiento previos adquiridos del individuo o de otros individuos en uno o más grupos para generar el uno o más valores cuantitativos. En algunas implementaciones, por ejemplo, el método puede incluir además la formación de una secuencia modificada de estímulos usando el conjunto de información generado para el individuo.

En otro aspecto, un sistema para proporcionar una evaluación cognitiva o sensorial de un sujeto incluye uno o más ordenadores en comunicación con un dispositivo informático remoto a través de una red o enlace de comunicación. El uno o más ordenadores están configurados para generar un conjunto de información que incluye uno o más valores cuantitativos que caracterizan un nivel de rendimiento cognitivo, un nivel de rendimiento sensorial o un nivel de rendimiento cognitivo y sensorial de un individuo procesando uno o ambos datos fisiológicos y datos de comportamiento adquiridos del individuo en respuesta a la presentación de una secuencia de estímulos creados en base a una categoría de perfil cognitivo-sensorial. El uno o más ordenadores están configurados para proporcionar el conjunto de información generado al dispositivo informático remoto.

Las implementaciones del sistema pueden incluir opcionalmente una o más de las siguientes características ejemplares. Por ejemplo, el uno o más ordenadores pueden procesar el uno o ambos de datos fisiológicos y de comportamiento para generar un conjunto de información, en el que el procesamiento incluye seleccionar intervalos de tiempo de interés dentro de los datos fisiológicos y/o los datos de comportamiento en base a los estímulos presentados y a la categoría de perfil seleccionada, agrupar, en uno o más conjuntos de datos agrupados, los datos fisiológicos y/o los datos de comportamiento correspondientes a los intervalos de tiempo de interés seleccionados, y proporcionar una medida estadística de una relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos.

En otro aspecto, un método para proporcionar una evaluación cognitiva o sensorial de un sujeto incluye seleccionar una categoría de perfil cognitivo-sensorial indicativa de uno o más aspectos de las funciones cognitivas o sensoriales, presentar una secuencia de estímulos a un sujeto, la secuencia de estímulos en base a la categoría de perfil cognitivo-sensorial seleccionada, adquirir señales fisiológicas del sujeto antes, durante y después de la presentación de la secuencia de estímulos para producir datos fisiológicos, y procesar los datos fisiológicos para generar un conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial seleccionada.

Las implementaciones del método pueden incluir opcionalmente una o más de las siguientes características ejemplares. Por ejemplo, la secuencia de estímulos puede incluir al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo en base a la categoría de perfil cognitivo-sensorial seleccionada. Por ejemplo, el uno o más valores cuantitativos incluye una puntuación cuantitativa que representa un nivel de rendimiento cognitivo y/o sensorial en base a al menos una de las características de atención, memoria, capacidad de aprendizaje, confabulación, capacidad de integración de patrones, capacidad de integración semántica, capacidad de detección de objetivos, valencia emocional, preferencia o estado de conciencia del sujeto, en las que la puntuación cuantitativa representa el nivel en un momento determinado. En algunas implementaciones del método, por ejemplo, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil cognitivo-sensorial seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil cognitivo-sensorial seleccionada. En algunas implementaciones, por ejemplo, el método puede incluir además procesar los datos fisiológicos para aumentar una relación señal a ruido de los conjuntos de datos agrupados. Por ejemplo, la agrupación se puede determinar en base a al menos una de las categorías asignadas previamente del estímulo individual o a una relación asociativa de estímulos consecutivos. En algunas implementaciones del método, por ejemplo, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y la categoría de perfil cognitivo-sensorial seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados usando datos fisiológicos previos adquiridos del sujeto o de otros sujetos para generar el uno o más valores cuantitativos para la categoría de perfil cognitivo-sensorial seleccionada. En algunas implementaciones del método, por ejemplo, el procesamiento puede incluir identificar un intervalo de tiempo asociado con las señales fisiológicas en base a los estímulos presentados y a la categoría de perfil cognitivo-sensorial seleccionada, agrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados iniciales, clasificar cada estímulo de la secuencia de estímulos presentados al sujeto usando una prueba estadística que implica los conjuntos de datos agrupados iniciales, en base a los estímulos clasificados, reagrupar los datos fisiológicos correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados, y proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil cognitivo-sensorial seleccionada. En algunas implementaciones, por ejemplo, el método puede incluir además formar una secuencia modificada de estímulos usando el conjunto de información generado para el sujeto y presentar la secuencia modificada de estímulos al sujeto. En algunas implementaciones, por ejemplo, el método puede incluir además adquirir señales fisiológicas del sujeto antes, durante y después de la presentación de la secuencia modificada de estímulos para producir nuevos datos fisiológicos y procesar los nuevos datos fisiológicos para generar un conjunto de información aumentada que incluye uno o más valores cuantitativos aumentados asociados con la categoría de perfil cognitivo-sensorial seleccionada. En algunas implementaciones, por ejemplo, el método puede incluir además crear una secuencia inicial de estímulos para cada una de las categorías de perfil cognitivo-sensorial. En algunas implementaciones, por ejemplo, el método puede incluir, además, en base al conjunto de información generado para el sujeto, generar una interacción entre una máquina y el sujeto.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

La FIGURA 1A muestra un diagrama de un sistema ejemplar de la tecnología descrita para la adquisición, el análisis y la evaluación de señales fisiológicas para producir un perfil de conocimiento y/o estado de conciencia individual o de grupo.

Las FIGURAS 1B-1D muestran diagramas de proceso de métodos ejemplares para generar un conjunto de información cuantitativa de un perfil cognitivo y/o sensorial ejemplar.

La FIGURA 2 muestra un diagrama de una secuencia ejemplar de estímulos visuales presentados.

La FIGURA 3 muestra gráficos de datos que proporcionan resultados ejemplares a partir de un análisis estadístico de grupo que muestra patrones de discriminación cerebrales entre cambios de categoría conceptual usando estímulos visuales.

La FIGURA 4 muestra un gráfico tridimensional que muestra datos de EEG en un eje que representa la ventana de tiempo de 350 ms a 450 ms recopilada a través de múltiples ensayos usando estímulos visuales. Las FIGURAS 5A y 5B muestran gráficos de datos que muestran las medias y las desviaciones estándar de un sujeto ejemplar individual a partir de dos canales de electrodo ejemplares bajo dos condiciones de estímulo visual diferentes.

La FIGURA 6 muestra un gráfico de datos y una tabla correspondiente que representa el rendimiento ejemplar del clasificador supervisado por el sujeto para el paradigma de estímulo visual.

La FIGURA 7 muestra un diagrama ilustrativo que representa una implementación ejemplar de los algoritmos de clasificación guiada y sus estadísticas de resumen posteriores para proporcionar un conocimiento individualizado y/o un perfil de conciencia.

La FIGURA 8 muestra características ejemplares para el clasificador supervisado que atañe a un canal de electrodo ejemplar a partir de un sujeto ejemplar.

La FIGURA 9 muestra un diagrama de un ejemplo de Perfil de Evaluación de Conocimientos Individual (IKEP) para el sujeto.

La FIGURA 10 muestra un diagrama que ilustra un procedimiento no paramétrico para estimar los valores p para una prueba de hipótesis ejemplar que atañe a especificar si los datos de la clase A y los datos de la clase B provienen o no de la misma distribución estadística.

La FIGURA 11 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis rANOVA ejemplar de AA frente a B usando estímulos visuales.

La FIGURA 12 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis paramétrico NML ejemplar de AA frente a B usando estímulos visuales.

La FIGURA 13 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis no paramétrico NML ejemplar de AA frente a B usando estímulos visuales.

La FIGURA 14 muestra diagramas de ejemplos de Perfil de Evaluación de Conocimientos Individual para un sujeto individual y de Perfil de Evaluación de Conocimientos de Grupo para un sujeto basado en un grupo. La FIGURA 15 muestra diagramas de una secuencia ejemplar de estímulos auditivos presentados.

La FIGURA 16 muestra gráficos de datos que proporcionan resultados ejemplares a partir de un análisis estadístico de grupo que muestra patrones de discriminación cerebrales entre cambios contextuales en estímulos auditivos.

La FIGURA 17 muestra un gráfico tridimensional que muestra datos de EEG en un eje que representa la ventana de tiempo de 350 ms a 450 ms recopilada a través de múltiples ensayos usando estímulos auditivos. Las FIGURAS 18A y 18B muestran gráficos de datos que muestran las medias y las desviaciones estándar de un sujeto ejemplar individual a partir de dos canales de electrodo ejemplares en dos condiciones de estímulos auditivos diferentes.

La FIGURA 19 muestra un diagrama de datos y una tabla correspondiente que representa el rendimiento ejemplar del clasificador supervisado por el sujeto para el paradigma de estímulo auditivo.

La FIGURA 20 muestra un diagrama ilustrativo que representa una implementación ejemplar de los algoritmos de clasificación guiada y sus estadísticas de resumen posteriores para proporcionar un perfil de conocimiento y/o de conciencia individualizado.

La FIGURA 21 muestra características ejemplares para el clasificador supervisado que atañe a un canal de electrodo ejemplar de un sujeto ejemplar.

La FIGURA 22 muestra un diagrama de un ejemplo de Perfil de Estado de Conciencia Individual (ISAP) para el sujeto.

La FIGURA 23 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis rANOVA ejemplar de I frente a C usando estímulos auditivos.

La FIGURA 24 muestra una gráfica de datos y una tabla de datos correspondiente para un análisis paramétrico NML ejemplar de I frente a C usando estímulos auditivos.

La FIGURA 25 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis no paramétrico NML ejemplar de I frente a C usando estímulos auditivos.

La FIGURA 26 muestra diagramas de ejemplos de Perfil de Estado de Conciencia Individual para un sujeto individual y de Perfil de Estado de Conciencia de Grupo para un sujeto basado en un grupo.

La FIGURA 27 muestra un diagrama de una secuencia ejemplar de estímulos visuales presentados.

Las FIGURAS 28A y 28B muestran imágenes y gráficos de datos de resultados ejemplares de la implementación del método ejemplar usando un sistema de EEG de electrodo rígido ejemplar.

Las FIGURAS 29A y 29B muestran imágenes y gráficos de datos de resultados ejemplares de la implementación del método ejemplar usando un sistema de EEG de sensores electrónicos flexibles ejemplar. Las FIGURAS 30-33 muestran diagramas que representan resultados ejemplares de análisis cuantitativos IKEP usando un sistema de EEG de electrodos rígidos y un sistema de EEG de sensores electrónicos epidérmicos flexibles.

La FIGURA 34A muestra un diagrama de bloques de un modelo ejemplar para usar una interfaz cerebromáquina en los métodos descritos para refinar los perfiles cognitivos y/o sensoriales.

La FIGURA 34B muestra un diagrama de proceso de un método ejemplar para diseñar de manera adaptativa paradigmas de estímulos que extraen de manera óptima la información deseada.

La FIGURA 35 muestra una correspondencia de la línea de intervalo unitario [0,1] con el conjunto de todas las secuencias de caracteres posibles.

La FIGURA 36 muestra una correspondencia después del cálculo de un mapa óptimo ejemplar, por ejemplo, en el que un sistema lo aplica y vuelve a dibujar todas las frases posibles.

La FIGURA 37 muestra un diagrama ilustrativo de un ejemplo para representar el conocimiento o la conciencia (W) individual como un gráfico, por ejemplo, que refleja la categorización y las relaciones.

La FIGURA 38 muestra imágenes ejemplares que representan una situación ejemplar donde el conocimiento W interno es un punto en dos dimensiones, por ejemplo, que refleja un punto en una imagen.

DESCRIPCIÓN DETALLADA

El establecimiento de una correlación fiable entre las señales cerebrales de uno y sus estados cognitivos/psicológicos (por ejemplo, pensamientos) es una meta valiosa y deseada para una amplia variedad de aplicaciones. Estas correlaciones, ampliamente exploradas en las ciencias fundamentales, han sido el foco de diversos intentos transaccionales en aplicaciones especializadas, tales como la evaluación del deterioro cognitivo y permitir que el físicamente deteriorado se comunique.

Algunos sistemas para caracterizar estados cognitivos y psicológicos se han basado en diversas técnicas de formación de imágenes del comportamiento y del cerebro, por ejemplo, tales como la formación de imágenes por resonancia magnética funcional (fMRI) y la electroencefalografía (EEG). Por ejemplo, la fMRI es una medida indirecta de la función cerebral mediante la función metabólica correlacionada (por ejemplo, el consumo de oxígeno en el flujo sanguíneo), mientras que la EEG es una medida directa de la actividad cerebral registrando los cambios de los campos eléctricos presentes en el cuero cabelludo, derivados de la actividad eléctrica producida por las células neuronales. Las técnicas existentes típicamente se enfocan en un tipo de “lectura del cerebro” y, como tal, están diseñadas solamente para ese propósito.

Independiente del sistema de formación de imágenes cerebrales específico usado, las técnicas actuales infieren información cognitiva individual principalmente usando un marco metodológico que se basa en el “comportamiento operante” del sujeto a prueba (por ejemplo, se solicita que el sujeto produzca una respuesta de comportamiento a los estímulos presentados) e inferir el conocimiento en base a, y limitado a, categorías de conocimiento específicas probadas a priori para las cuales se crean “plantillas de respuesta cerebral” mediante un algoritmo matemático. Tales técnicas son limitantes de varias formas, incluyendo el requerimiento de una participación activa y la colaboración del sujeto, la evaluación del conocimiento por los tipos y el número de categorías en las que se “entrenó” el algoritmo matemático y el uso de una plantilla específica del sujeto (es decir, solamente aplicable a un único sujeto).

Para determinar la información sensorial y/o cognitiva acerca de un sujeto, la metodología debería considerar el tipo de estímulos usados para evocar la respuesta del sujeto (por ejemplo, para estímulos visuales: imágenes, palabras escritas, etc.; para estímulos auditivos: palabras habladas, vocalizaciones de animales, sonidos sintetizados, etc.), duración, intervalo entre estímulos, número de repeticiones de cada presentación, niveles de sonido o brillo o contraste, marcador digital asociado al comienzo de la presentación de cada estímulo, sensores y sistemas de registro. También, el parámetro o los parámetros fisiológicos de uso (por ejemplo, voltaje, potencia, frecuencia, etc.), la ventana de tiempo relacionada para el análisis y la estructura del análisis pueden afectar los registros de las señales cerebrales y la evaluación cognitiva correlacionada. Las desviaciones o errores de uno o de múltiples de estos parámetros pueden marcar la diferencia entre un método útil o inútil, accionado por artefactos.

Se describen métodos, sistemas y dispositivos para usar información fisiológica (por ejemplo, señales cerebrales) y/o de comportamiento para generar perfiles cognitivos y/o sensoriales que atañen al rendimiento cognitivo y/o sensorial individual y/o de grupo, a los estados psicológicos y a las preferencias de comportamiento.

Por ejemplo, los métodos y sistemas descritos se pueden usar para evaluar e inferir el conocimiento conceptual individual (por ejemplo, cómo alguien clasifica información diferente y qué conocimiento puede tener sobre un tema específico), el estado de conciencia (por ejemplo, cómo de consciente o no podría estar un individuo sin mostrar ningún comportamiento manifiesto) y las preferencias psicológicas y de comportamiento (por ejemplo, aumento de atención personal individual y/o preferencias por ciertos artículos, tales como zapatos, coches, libros, etc., entre otros). Por ejemplo, la tecnología descrita se puede usar en una variedad de aplicaciones de educación, salud, entretenimiento y marketing.

En algunas implementaciones, por ejemplo, los datos de la señal de electroencefalografía (EEG) obtenida por estímulos y los datos de respuesta de comportamiento se usan juntos para generar un conjunto novedoso y especializado de métodos de prueba y análisis (por ejemplo, que incluyen, pero no se limitan a, estimulación visual y auditiva, aprendizaje automático y otros algoritmos estadísticos, etc.) para correlacionar las señales cerebrales individuales con información cognitiva y para guiar potencialmente las interfaces cerebro-máquina.

Los métodos descritos pueden emplear marcadores cerebrales que son comunes para todas las personas. Por ejemplo, los métodos y sistemas descritos pueden usar estímulos de presentación que no son específicos de una materia o categoría. Las implementaciones de la tecnología descrita pueden permitir la inferencia de un estado de conocimiento y de conciencia que no se limita a categorías a priori, se puede generalizar a través de cada persona y puede extraer información de una forma completamente pasiva (por ejemplo, sin requerir la conformidad de la persona ni de ningún tipo de respuesta de comportamiento manifiesta). Este método se puede usar tanto para la valoración/evaluación directa del rendimiento sensorial y cognitivo y del estado de conciencia de un individuo, como para un accionamiento de sistemas de interfaz cerebro-máquina. Por ejemplo, la implementación de los sistemas y métodos descritos puede proporcionar evaluaciones de rendimiento cognitivo y/o sensorial personalizadas y, en algunas implementaciones, evaluaciones de rendimiento cognitivo y/o sensorial de grupo.

La tecnología descrita es escalable y aplicable a una amplia gama de aplicaciones y puede proporcionar una solución para casos de lectura o evaluación cerebral “no tangibles” (por ejemplo, cuando los individuos no son capaces o no están dispuestos a producir respuestas de comportamiento manifiestas). Por ejemplo, los sistemas y métodos descritos se pueden usar en un escenario clínico en un paciente en coma o que no responda de otro modo, por ejemplo, incluyendo casos de pacientes en sistemas de soporte vital, para proporcionar un perfil sobre el estado de conciencia y/o las habilidades cognitivas del paciente.

Los sistemas y métodos descritos se pueden usar eficazmente por personas no expertas para proporcionar un perfil cognitivo y/o sensorial de un sujeto o sujetos, por ejemplo, usuarios que no son neurocientíficos, psicólogos ni médicos especializados. Por ejemplo, los sistemas descritos se pueden usar por los consumidores en general con seguridad y precisión, permitiendo la libertad de uso en una amplia variedad de contextos y ubicaciones, reduciendo significativamente el coste y los requisitos de uso. Por ejemplo, los usuarios no expertos pueden implementar los sistemas y métodos descritos para obtener perfiles de información mental y de conciencia de la persona o las personas evaluadas, por ejemplo, o bien por ellos mismos o bien otros.

Realizaciones ejemplares de los métodos y sistemas descritos

La FIGURA 1A muestra un diagrama de un sistema modular 100 ejemplar de la tecnología descrita para la adquisición, el análisis y la evaluación de señales fisiológicas para producir un perfil cognitivo y/o sensorial individual o de grupo. Por ejemplo, el sistema se puede implementar para proporcionar un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial indicativo de la capacidad cognitiva y/o sensorial de un sujeto en el momento de la evaluación. Por ejemplo, el tipo de perfil cognitivo y/o sensorial se puede seleccionar por el usuario (por ejemplo, tal como el sujeto o un operador del sistema) para proporcionar un conjunto de información que incluye un nivel cuantitativo de rendimiento cognitivo y/o sensorial, por ejemplo, incluyendo, pero no limitado a, atención, memoria, aprendizaje, confabulación, integración de patrones, integración semántica, detección de objetivos, valencia emocional, preferencia y estado de conciencia. El sistema permite que un operador seleccione el tipo de perfil a ser producido.

En algunas implementaciones, el sistema se puede implementar para proporcionar el perfil cognitivo y/o sensorial usando solamente datos fisiológicos adquiridos del sujeto, por ejemplo, sin una respuesta de comportamiento manifiesta obtenida del sujeto. En otras implementaciones, el sistema se puede implementar para proporcionar el perfil cognitivo y/o sensorial usando datos de comportamiento o datos tanto fisiológicos como de comportamiento del sujeto. En algunas implementaciones, el sistema se puede implementar para proporcionar el perfil cognitivo y/o sensorial que incluye datos fisiológicos y/o de comportamiento adquiridos previamente del sujeto o de otros sujetos (por ejemplo, datos de grupo). El sistema por ello se puede implementar, por ejemplo, para proporcionar un perfil cognitivo y/o sensorial acerca de un grupo.

Como se muestra en la FIGURA 1A, el sistema 100 está configurado para incluir unidades o dispositivos modulares independientes que se pueden configurar en una variedad de realizaciones diferentes.

El sistema 100 incluye un módulo de presentación de estímulos 110 para configurar una estructura de presentación de estímulos específica 111 para efectuar una presentación de un estímulo o de una secuencia de estímulos a un sujeto 121. En algunos ejemplos, el módulo de presentación de estímulos 110 está incorporado en un dispositivo informático, por ejemplo, que incluye un procesador y una unidad de memoria. Por ejemplo, los estímulos pueden incluir cualquier tipo de estímulo, incluyendo un medio de estimulación visual, auditivo, olfativo, táctil o gustativo. La estructura de presentación de estímulos específicos 111 se puede configurar para incluir, pero no se limita a, un tipo o tipos particulares de estímulos, la duración de la presentación de los estímulos, un intervalo entre estímulos, un número de repeticiones (en su caso) de cada presentación, la magnitud y/o la frecuencia de los parámetros asociados con el tipo de estímulo (por ejemplo, la intensidad de sonido o el nivel de brillo o contraste de la luz), un marcador digital asociado con la presentación de cada estímulo y una etiqueta o categoría de los estímulos (por ejemplo, objetivo o no objetivo).

El sistema 100 puede incluir un módulo de entrega de estímulos 120 en comunicación con el módulo de presentación de estímulos 110 para presentar el estímulo o la secuencia de estímulos al sujeto 121, por ejemplo, en base a la estructura de presentación de estímulos 111. Por ejemplo, el módulo de entrega de estímulos 120 puede incluir al menos uno de entre una pantalla visual, un altavoz auditivo y un actuador para proporcionar un estímulo olfativo, táctil y/o gustativo. En algunas implementaciones, por ejemplo, el módulo de presentación de estímulos 110 y el módulo de entrega de estímulos 120 se pueden configurar en el mismo dispositivo, por ejemplo, tal como un ordenador o un dispositivo de comunicación y/o informático móvil.

El sistema 100 incluye un módulo de adquisición de datos fisiológicos y/o de comportamiento 130 para adquirir señales fisiológicas y/o señales de comportamiento del sujeto 121 antes, durante y/o después de la presentación de los estímulos o la secuencia de estímulos a través del módulo de entrega de estímulos 120. Por ejemplo, el módulo de adquisición de datos fisiológicos y/o de comportamiento 130 puede incluir, pero no se limita a, un sistema de electroencefalografía (EEG), un sistema de electrocardiografía (ECG), un sistema de electromiografía (EMG), un sistema de detección electroquímica y un sistema de seguimiento ocular, entre otros. En algunas implementaciones, por ejemplo, el módulo de adquisición de datos fisiológicos y/o de comportamiento 130 puede incluir sensores fisiológicos, por ejemplo, EEG, ECG, EMG, electroquímicos u otros tipos de dispositivos sensores, acoplados a un dispositivo de adquisición de señales, por ejemplo, tal como un amplificador analógico o digital acoplado a una memoria. Por ejemplo, el módulo de adquisición de datos fisiológicos y/o de comportamiento 130 se puede configurar en un sistema de EEG estándar con electrodos rígidos o en un sistema de EEG portátil que usa electrónica flexible que se puede llevar puesto por el sujeto 121. Por ejemplo, el módulo de adquisición de datos fisiológicos y/o de comportamiento 130 se puede configurar en un sistema EMG estándar con electrodo rígido o un sistema EMG portátil que usa electrónica flexible que se puede llevar puestos por el sujeto 121, por ejemplo, capaces de detectar movimientos asociados con la somnolencia o con las expresiones faciales.

El sistema 100 incluye un módulo de procesamiento previo de análisis 140 para recibir las señales fisiológicas y/o las señales de comportamiento adquiridas como datos, y en algunas implementaciones, para realizar técnicas de análisis de procesamiento previo sobre los datos adquiridos. Por ejemplo, el módulo de procesamiento previo de análisis 140 se puede implementar para identificar marcadores de inicio ejemplares en los datos fisiológicos (por ejemplo, datos de EEG), segmentar los datos fisiológicos, filtrar los datos de la señal en bruto para aumentar la señal a ruido, etc. En algunas implementaciones, por ejemplo, el procesamiento previo de análisis 140 se puede incorporar en un dispositivo informático en comunicación con un dispositivo o sistema ejemplar que incorpora el módulo de adquisición de datos fisiológicos y/o de comportamiento 130. En algunas implementaciones, por ejemplo, el procesamiento previo de análisis 140 se puede configurar en el mismo dispositivo o sistema ejemplar que incorpora el módulo de adquisición de datos fisiológicos y/o de comportamiento 130.

El sistema 100 incluye un módulo de generación de perfil 150 para procesar los datos fisiológicos y/o de comportamiento para proporcionar una evaluación cognitiva o sensorial del sujeto 121, o en algunos ejemplos, de un grupo. Por ejemplo, el módulo de generación de perfil 150 procesa los datos fisiológicos y/o de comportamiento para generar un conjunto de información 152 que incluye uno o más valores cuantitativos que están asociados con la categoría de perfil seleccionada, por ejemplo, tal como una evaluación de conocimiento o un perfil de estado de conciencia. Por ejemplo, el conjunto de información 152 proporciona más de una medida de eventos naturales psicológicos y neurofisiológicos. Por ejemplo, el perfil puede proporcionar una evaluación individual (o de grupo) del nivel de conocimiento de uno (o del grupo) de cuestiones específicas (por ejemplo, determinación del conocimiento de una persona dada acerca de un tema, un evento, una habilidad aprendida o incluso una preferencia específica) y/o un estado de conciencia consciente (o inconsciente).

La FIGURA 1B muestra un diagrama de proceso de un método ejemplar 170 para generar el conjunto de información asociado con el perfil cognitivo y/o sensorial, por ejemplo, implementado por el módulo de generación de perfil 150. El método 170 puede incluir un proceso 171 para identificar un intervalo de tiempo asociado con las señales fisiológicas y/o los datos de las señales de comportamiento en base a los estímulos presentados y en la categoría de perfil seleccionada. Por ejemplo, un intervalo de tiempo puede incluir puntos de tiempo contiguos, discontinuos, continuos, discretos o únicos. El método 170 puede incluir un proceso 172 para agrupar los datos (por ejemplo, fisiológicos y/o de comportamiento) correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados. Por ejemplo, el proceso 172 puede incluir agrupar los datos fisiológicos y/o de comportamiento en base a una categoría asignada previamente del estímulo individual y/o una relación asociativa de estímulos consecutivos. El método 170 puede incluir un proceso 173 para proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada. En algunas implementaciones, por ejemplo, el método 170 puede incluir un proceso para mejorar la señal de los datos fisiológicos y/o de comportamiento en los conjuntos de datos agrupados.

La FIGURA 1C muestra un diagrama de proceso de un método ejemplar 180 para generar el conjunto de información asociado con el perfil cognitivo y/o sensorial usando información previa individual y/o de grupo, por ejemplo, implementada por el módulo de generación de perfil 150. El método 180 puede incluir un proceso 181 para identificar un intervalo de tiempo asociado con las señales fisiológicas y/o los datos de las señales de comportamiento en base a los estímulos presentados y en la categoría de perfil seleccionada. El método 180 puede incluir un proceso 182 para agrupar los datos (por ejemplo, fisiológicos y/o de comportamiento) correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados. Por ejemplo, el proceso 182 puede incluir agrupar los datos fisiológicos y/o de comportamiento en base a una categoría asignada previamente del estímulo individual y/o a una relación asociativa de estímulos consecutivos. El método 180 puede incluir un proceso 182 para proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados usando datos fisiológicos previos y/o datos de comportamiento adquiridos del sujeto y/o de otros sujetos (por ejemplo, que incluyen uno o más grupos) para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada.

La FIGURA 1D muestra un diagrama de proceso de un método 190 ejemplar para generar el conjunto de información asociado con el perfil cognitivo y/o sensorial usando una técnica de clasificación guiada, por ejemplo, implementada por el módulo de generación de perfil 150. El método 190 puede incluir un proceso 191 para identificar un intervalo de tiempo asociado con las señales fisiológicas y/o los datos de las señales de comportamiento en base a los estímulos presentados y la categoría de perfil seleccionada. El método 190 puede incluir un proceso 192 para agrupar los datos (por ejemplo, fisiológicos y/o de comportamiento) correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados iniciales. El método 190 puede incluir un proceso 193 para clasificar cada estímulo de la secuencia de estímulos presentados al sujeto usando una prueba estadística que implica los conjuntos de datos agrupados iniciales. El método 190 puede incluir un proceso 194 para reagrupar los datos fisiológicos y/o de comportamiento correspondientes al intervalo de tiempo en uno o más conjuntos de datos agrupados en base a los estímulos clasificados. El método 190 puede incluir un proceso 195 para proporcionar una medida estadística de la relación a través o dentro de los conjuntos de datos agrupados para generar el uno o más valores cuantitativos para la categoría de perfil seleccionada.

En algunos ejemplos, el módulo de generación de perfil 150 puede implementar algoritmos de clasificación guiada con parámetros específicos de contexto para guiar y elegir entre una variedad de métodos de clasificación y estadísticos, por ejemplo, que incluyen, pero no se limitan a, técnicas basadas en ANOVA 151a, técnicas basadas en máquinas de vector de soporte 151b y técnicas de longitud de descripción mínima 151c, entre otras. En algunas implementaciones, el módulo de generación de perfil 150 se puede incorporar en un sistema informático o en una red de comunicación (a la que se hace referencia como “la nube”) que incluye uno o más dispositivos de procesamiento informático remotos (por ejemplo, servidores en la nube).

El sistema 100 incluye un módulo de interfaz cerebro-máquina 160 para refinar los perfiles cognitivos y/o sensoriales generados y/o accionar una interacción entre un usuario y una máquina. En un ejemplo, el módulo de interfaz cerebro-máquina 160 puede proporcionar una entrega de realimentación de un nuevo estímulo o de múltiples estímulos al módulo de presentación de estímulo 110 en base al perfil cognitivo y/o sensorial de un sujeto individual o de un sujeto de grupo que se ha generado a partir del módulo de generación de perfil 150, por ejemplo, a partir de una implementación en curso del sistema 100 o un perfil generado previamente por el sistema 100. Por ejemplo, el módulo de interfaz cerebro-máquina 160 puede cambiar o diseñar de manera adaptativa paradigmas de estímulos que extraigan información de manera óptima del sujeto que se procesa analíticamente para maximizar un objetivo deseado. Por ejemplo, algunas implementaciones del módulo de interfaz cerebro-máquina 160 pueden incluir, pero no se limitan a, aplicaciones de aprendizaje asistido y de detección de objetivos.

En algunas implementaciones del sistema 100, el módulo de generación de perfil 150, el módulo de presentación de estímulos 110, el módulo de entrega de estímulos 120 y el módulo de interfaz cerebro-máquina 160 (y en algunos casos, el módulo de adquisición de datos 130) se pueden incorporar en un único sistema informático, por ejemplo, un ordenador de sobremesa, un ordenador portátil o un dispositivo de comunicaciones móviles incluyendo un teléfono inteligente o una tableta. En otras implementaciones, los módulos 150, 110, 120 y 160 se pueden configurar en dos o más dispositivos informáticos en comunicación unos con otros y que incluyen diversas combinaciones de los módulos 150, 110, 120 y 160.

En algunas implementaciones, el sistema 100 se puede configurar para incluir solo el módulo de adquisición de datos fisiológicos y/o de comportamiento 130 y el módulo de generación de perfil 150. En tales implementaciones ejemplares, el sistema 100 puede usar estímulos ambientales (por ejemplo, luz, sonidos, olores, sabores y/o contactos táctiles) que están actualmente disponibles en los alrededores del sujeto. En tales ejemplos, el sistema 100 se puede incorporar en un único dispositivo informático, por ejemplo, donde el módulo 130 está configurado para recibir respuestas de comportamiento del sujeto y/o registrar datos fisiológicos a través de entradas del dispositivo.

Implementaciones ejemplares de los métodos y sistemas descritos

Se describen implementaciones ejemplares de los métodos y sistemas descritos para proporcionar una evaluación cognitiva y/o sensorial de un sujeto, por ejemplo, incluyendo al menos una de las siguientes categorías de perfil ejemplares: un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial, un perfil de rendimiento cognitivo y sensorial, y/o un perfil de estado de conciencia. Las implementaciones ejemplares descritas incluyen la obtención y extracción de diversos ERP cerebrales (por ejemplo, N400 y P300) medidos mediante registros de EEG usando estímulos visuales y estímulos auditivos para producir un conjunto de información que proporciona valores cuantitativos correspondientes al rendimiento cognitivo, al rendimiento sensorial y/o al perfil de estado de conciencia. En algunos ejemplos de los métodos y sistemas descritos, los datos de seguimiento ocular se pueden usar además de o de manera alternativa a los datos fisiológicos de registro de EEG ejemplares.

Por ejemplo, se presentan conjuntos de estímulos específicos mientras que se registran señales de EEG del sujeto para obtener potenciales relacionados con eventos de interés, así como oscilaciones de frecuencia neuronal correlacionadas. Los ERP ejemplares usados en las implementaciones ejemplares incluyen, pero no se limitan a, el N400 y el P300, así como las respuestas de ERP identificadas por nosotros en relación con el procesamiento cognitivo de un sentimiento/idea de recompensa. Como se describe en las secciones a continuación, las aplicaciones ejemplares de los métodos y sistemas descritos usan estos tres ERP como ejemplos ilustrativos para describir cómo se puede implementar el método ejemplar, por ejemplo, diseño y presentación de estímulos, registro de señales fisiológicas (por ejemplo, EEG), análisis de datos fisiológicos (por ejemplo, ERP) y generación de perfil cognitivo y/o sensorial (por ejemplo, incluyendo estados cognitivos y/o de conciencia inferidos). En un ejemplo, la aplicación de un método de generación de perfil cognitivo y/o sensorial ejemplar se implementa para medidas N400 usando estímulos visuales y/o auditivos. En otro ejemplo, la aplicación de un método de generación de perfil cognitivo y/o sensorial ejemplar se implementa para medidas P300, y un ERP asociado con experimentar “recompensa”, usando estímulos visuales y/o auditivos. Además, la aplicación del método de generación de perfil cognitivo y/o sensorial ejemplar se implementa usando diferentes técnicas de registro de EEG, por ejemplo, incluyendo sistemas convencionales no portátiles y sistemas electrónicos que se llevan puestos. También, el método de generación de perfil cognitivo y/o sensorial ejemplar se aplica a un grupo de personas (por ejemplo, como se muestra en las implementaciones de ejemplo de N400) así como en un único individuo (por ejemplo, como se muestra en las implementaciones de ejemplo de P300). Los métodos y sistemas de generación de perfil cognitivo y/o sensorial descritos se pueden usar para medir marcadores cerebrales, pero, además, evalúan y transforman esta información en un nuevo tipo de datos significativos que crean una evaluación de conocimiento individual y/o un perfil de estado de conciencia. Además, en algunas implementaciones, por ejemplo, los métodos y sistemas descritos pueden usar este perfil para guiar un sistema de interfaz cerebro-máquina.

También se describen los clasificadores de patrones (por ejemplo, algoritmos implementados en sistemas informáticos, por ejemplo, usando software) en los que cada modulación de características está guiada por la tarea específica por llegar, así como por sus mecanismos psicológicos y fisiológicos subyacentes. Esta clase de clasificadores ejemplares puede usar parámetros cognitivos y fisiológicos identificables para estructurar las características relevantes en una metodología de clasificación para inferir estados cerebrales a partir de señales neuronales. Por ejemplo, los clasificadores ejemplares se pueden aplicar en aplicaciones de lectura del cerebro como parte de un proceso secuencial de proporcionar estímulos, adquirir señales neuronales y repetición. Los detalles de cómo se están proporcionando estos estímulos (por ejemplo, el contexto) pueden afectar al estado cognitivo, que a su vez puede afectar a las estadísticas de las señales adquiridas. El clasificador ejemplar se puede guiar por el contexto, en el que las características se pueden modular en consecuencia.

I. N400

El N400, descubierto en humanos hace más de 30 años, se identificó como un marcador para el procesamiento de relaciones significativas entre elementos percibidos, tales como palabras, imágenes, símbolos, etc. La etiqueta “N400” de este tipo de onda cerebral se dio debido a que es una deflexión negativa que alcanza un máximo en aproximadamente 400 milisegundos después del comienzo de un elemento. Las amplitudes N400 son más pequeñas para los elementos que comparten una asociación semántica cercana que para los elementos que no lo hacen (por ejemplo, “perro” después de “gato” que sigue a “mesa”). Como se describe a continuación, los métodos descritos se pueden aplicar para obtener y extraer el ERP N400 (por ejemplo, con estimulación auditiva, estimulación visual, ambos u otros medios de estímulo, incluyendo, pero no limitados a, olfativos, táctiles o gustativos) y se pueden usar para posteriormente inferir información cognitiva relevante.

1.1. N400 con un paradigma de estímulos visuales

1.1.1. Estímulos ejemplares

En una implementación de ejemplo, se examinaron las respuestas cerebrales de 37 sujetos adultos a ocho categorías de imágenes (por ejemplo, incluyendo cuerpos de animales, caras de animales, caras humanas, caras de monos, frutas, objetos domésticos, objetos de laboratorio y lugares). Por ejemplo, se usaron dieciocho ejemplos de estímulos (por ejemplo, imágenes) por categoría para un total de 144 ejemplos. Las imágenes se dividieron en doce bloques de presentación, y a cada sujeto se le presentaron seis bloques elegidos de manera aleatoria. El grupo de imágenes se obtuvo a partir de diversos recursos, y las imágenes se recortaron usando un software de edición de fotografías y se colocaron sobre un fondo blanco que medía 356x356 píxeles (ángulo visual de 13.18°x13.18° a una distancia de 57 cm de un monitor de visualización). El estímulo se colocó en un fondo de monitor negro de pantalla completa con una resolución de 1024x768 píxeles.

Se controló la luminancia de todos los estímulos usando la fórmula de contraste de Weber, en la que L^c y L^b representan los valores de luminancia del contenido y del fondo blanco. Un proceso implementado por ordenador usó (por ejemplo, programado usando una secuencia de comandos de MATLAB) la fórmula antes mencionada y ajustó la luminancia del contenido a un contraste del 50% en comparación con el fondo blanco. Por ejemplo, el proceso primero separó el contenido de su fondo blanco. En este ejemplo, se usaron dos criterios para determinar si un píxel se identificaría como parte del fondo: primero, se requirió que todos los píxeles del fondo tuvieran valores RGB iguales a 255 (por ejemplo, el máximo de una imagen en escala de grises de 8 bits); y segundo, se requirió que todos los píxeles del fondo estuvieran directamente adyacentes a un píxel del fondo ya identificado. Todos los píxeles restantes no identificados como fondo se consideraron como contenido. Entonces el proceso calculó la luminancia media del contenido y ajustó su valor o bien sumando o bien restando valores RGB a cada píxel del contenido con el fin de lograr un contraste del 50%.

Después de controlar la luminancia, se usó otro proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) para colocar un punto de fijación colocado centralmente en cada ejemplo de estímulo. Por ejemplo, esto ayudó al sujeto a mantener la fijación y a minimizar cualquier sacudida ocular frecuente. Este proceso ejemplar midió primero las dimensiones de una imagen cargada. Usó estas mediciones para calcular el centro de la imagen y posteriormente crear un punto de fijación usando la ecuación estándar de un círculo. Los píxeles dentro de un radio de siete píxeles de longitud alrededor del centro se alteraron cambiando el cañón rojo de los píxeles a 255, el cañón verde a 0 y el cañón azul a 0.

Por último, los dos métodos ejemplares se usaron para crear un punto de fijación y un estímulo cuadrado azul. Por ejemplo, para el punto de fijación, se usó otro proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) para crear una imagen de fondo negro (por ejemplo, el cañón rojo igual a 0; el cañón verde igual a 0; el cañón azul igual a 0) con una altura y una anchura de 350 píxeles. Entonces, la secuencia de comandos ejemplar ejecutó un bucle para anidado usando la ecuación estándar de un círculo para alterar los píxeles dentro de un radio de siete píxeles de longitud a rojo, por ejemplo, cambiando el cañón rojo de la imagen a 255, el cañón verde a 0 y el cañón azul a 0. Por ejemplo, para el estímulo cuadrado azul se usó un software de formación de imágenes para crear una imagen de tamaño de 157x157 píxeles, por ejemplo, cuyo cañón rojo era igual a 0, el verde era igual a 0 y el azul era igual a 255.

1.1.2. Preparación del sujeto para el registro de EEG

Para preparar a los sujetos ejemplares para el registro de EEG, cada sujeto se sentó en una silla en una cámara de registro para comenzar un proceso de coronación para EEG. Por ejemplo, este proceso implicó colocar un gorro de EEG tradicional en la cabeza del sujeto y asegurarlo con una correa elástica a la barbilla. En algunos ejemplos, se usó un gorro o bien de 56 cm o bien de 58 cm de diámetro, en base al tamaño estimado de la cabeza del sujeto. A continuación, se inyectó gel de electrodo Signa (por ejemplo, de Parker Laboratories) usando una jeringa de plástico curvada debajo de cada uno de los electrodos del gorro para crear un puente conductor entre el electrodo en sí mismo y el cuero cabelludo del sujeto. También, por ejemplo, se usaron bastoncillos de madera para masajear el gel con el fin de generar una conductancia más fuerte reduciendo la impedancia. Por ejemplo, el uso de esta técnica redujo los niveles de impedancia a < 5 kü para cada electrodo, por ejemplo, incluyendo la puesta a tierra y la referencia. Antes de comenzar la implementación ejemplar usando registros de EEG, los sujetos se sentaron delante del monitor de presentación y se les pidió que solo mantuvieran la fijación visual en un punto de fijación central rojo durante la duración del experimento y que restringieran sus movimientos motores tanto como fuera posible para evitar los artefactos de movimiento en los datos neurofisiológicos. Posteriormente, se atenuaron las luces de la sala de registro y comenzó el proceso de estimulación y los registros de EEG.

1.1.3. Proceso de presentación de estímulos ejemplar

El paradigma de presentación de estímulos ejemplar que se usó en este proceso de presentación de estímulos de ejemplo fue programado usando Cogent 2000, por ejemplo, una caja de herramientas de MATLAB diseñada para presentar estímulos y registrar respuestas con una temporización precisa. La estructura de presentación de estímulos ejemplar incluyó 300 imágenes presentadas de manera pseudoaleatoria, por ejemplo, mostradas en serie (veinticinco repeticiones por ejemplar) por bloque de presentación. Por ejemplo, cada imagen se presentó durante 750 ms, seguida de un intervalo entre estímulos (ISI) con fluctuación de manera aleatoria de 750 ms a 1000 ms. Un punto de fijación central rojo estuvo presente durante cada presentación de estímulo y cada ISI, por ejemplo, con el fin de ayudar al sujeto a mantener la fijación. Para marcar el comienzo de cada estímulo, se enviaron dos desencadenadores desde el ordenador de presentación que ejecuta el paradigma de presentación de estímulos ejemplar a través del puerto paralelo. Por ejemplo, el primero se envió al ordenador de registro de EEG para marcar el comienzo del estímulo con relación al registro neurofisiológico en curso. Por ejemplo, el segundo se envió al ordenador de seguimiento ocular de ISCAN (por ejemplo, ISCAN ETL-200) para marcar el comienzo del estímulo, toda su duración y su desplazamiento con relación al registro de seguimiento ocular. Cada desencadenador codificó información con respecto a la categoría de objeto a la que pertenecía el estímulo por llegar. Por ejemplo, después de cada cuatro a seis ensayos, se le presentó al sujeto un cuadrado azul durante 1500 ms. En este punto, no se muestra el punto de fijación. Por ejemplo, en el caso de sujetos humanos, este cuadrado azul señalaba un “mini descanso/Recompensa” en el que se indicaba a los sujetos que lo estaban haciendo bien y les permitía descansar momentáneamente, rascarse una picazón, ajustar la posición de su asiento, etc. si así lo deseaban. En el caso ejemplar de sujetos primates no humanos (NHP), este cuadrado azul señalaba una recompensa de zumo. Después del desplazamiento del cuadrado azul, el punto de fijación volvería y se mantendría durante 750 ms antes del inicio de la siguiente presentación de estímulo. Por ejemplo, esta breve pausa se usaba para asegurar que la estimulación desde el comienzo del punto de fijación no interfiriese con la estimulación del ejemplar de imagen posterior.

El código ejemplar del proceso de presentación de estímulos comenzó permutando de manera aleatoria el orden de presentación de las 300 imágenes, por ejemplo, usando la “función randperm()” de MATLAB. Entonces se calculó de manera aleatoria el ISI para cada estímulo usando la “función randi()”. Entonces se inicializaron y configuraron la pantalla, el archivo de registro y el puerto paralelo. Cada ejemplar de estímulo se cargó en un almacenador temporal de memoria, por ejemplo, incluyendo el punto de fijación, el cuadrado azul y la pantalla negra (mostrada durante el ISI después de cada estímulo). Por ejemplo, la presentación del estímulo incluía un bucle. Primero, se calculó el ejemplar a ser presentado iterando hacia abajo el orden de presentación permutado. Entonces, en base a la pertenencia del ejemplar a una de las cuatro categorías de objetos, se calculó el código de desencadenador apropiado y se envió al ordenador de registro de EEG y al ordenador de seguimiento ocular ISCAN. Los estímulos visuales se presentaron usando un monitor Sony Trinitron GDM-C520.

La FIGURA 2 muestra un diagrama de una secuencia ejemplar de estímulos visuales presentados. Este diagrama representa imágenes de ejemplares específicos presentados y el orden de presentación pseudoaleatorio programado previamente. Tener una estructura de presentación de estímulos adecuada para cada perfil sensorial y cognitivo de interés es una parte intrínseca e importante del método descrito. En este ejemplo, el aspecto relevante es a qué categoría conceptual (Cat) pertenece cada imagen, por ejemplo, tal como: Cat “O” - Objetos; Cat “AB” -Cuerpos de Animales; Cat “AF” - Caras de Animales; y Cat “HF” - Caras Humanas. La estructura de presentación de estímulos ejemplares se puede configurar para incluir la repetición de una categoría dada (por ejemplo, A A) y el cambio posterior de categoría (por ejemplo, B), que es una característica principal de la estructura de presentación de estímulos y de las técnicas de análisis posteriores, como se describe más adelante en este documento de patente.

1.1.4. Registros de ondas cerebrales (EEG) ejemplares

En algunas implementaciones, se usó un sistema de EEG tradicional con electrodos rígidos para adquirir ondas cerebrales. El sistema de EEG ejemplar incluía un sistema BrainAmp DC de 32 canales; una grabadora BrainVision; un gorro de registro de EEG Fast n Easy de 32 canales de 56 cm de tamaño; un gorro de registro de EEG Fast n Easy de 32 canales de 58 cm de tamaño; un cable plano PCB para BrainCap-MR con resistores de 5k y un BrainCap MR Box 1.2.

1.1.5. Técnicas de análisis de procesamiento previo ejemplares

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos que usan un paradigma de estímulos visuales pueden incluir técnicas para procesar los datos de los marcadores. Por ejemplo, después de cada sesión de registro, el sistema de registros de EEG ejemplar produjo tres archivos: un archivo de datos (.eeg), un archivo de cabecera (.vhdr) y un archivo de marcador (.vmrk). Los archivos de marcador contenían los desencadenadores de eventos para cada comienzo de estímulo. Para sujetos humanos, por ejemplo, cada categoría de objeto fue etiquetada con los siguientes códigos de marcador: implementación uno - cuerpos de animales = “S 1”, frutas = “S 2”, caras humanas = “S 3”, objetos domésticos humanos = “S 4 “; e implementación dos - caras de animales = “S 1”, caras de macacos rhesus = “S 2”, lugares = “S 3”, objetos relacionados con el laboratorio = “S 4”. Para los sujetos NHP, por ejemplo, cada categoría fue etiquetada con los siguientes códigos de marcador: implementación de NGP uno - cuerpos de animales = “S 1”, frutas = “S 2”, caras de macacos rhesus = “S 3”, objetos relacionados con el laboratorio = “S 4”; e implementación de NHP dos - caras de animales = “S 1”, caras humanas = “S 2”, lugares = “S 3”, objetos domésticos = “S 4”. Las técnicas de procesamiento previo de análisis incluyen un primer proceso (por ejemplo, programado usando una secuencia de comandos de MATLAB) para cargar los archivos de marcadores y para examinar la primera vez que se presentó un ejemplar. Estos ensayos se volvieron a codificar con un formato “A1”. Por ejemplo, el primer ejemplar de cara humana presentada se recodificó como [A1carahumana]. A continuación, debido a que las imágenes se presentaron de manera pseudoaleatoria, los archivos de marcador producidos por el sistema de registro de EEG fueron examinados usando un segundo proceso (por ejemplo, programado usando una secuencia de comandos de MATLAB) para buscar casos en los que había una repetición de una categoría de objeto seguida por un cambio en la categoría de objeto. Por ejemplo, un posible ensayo de N400 puede ser [fruta; fruta; cara humana]. Estos casos fueron recodificados por la secuencia de comandos de MATLAB ejemplar usando un formato A, AA, B (por ejemplo, “A” y “AA” que representan ejemplares de la misma categoría y “B” que representa ejemplares de una categoría diferente). Para continuar con el ejemplo expuesto anteriormente, [fruta; fruta; cara humana] se recodificarían como [Afruta; AAfruta; Bcarahumana]. Entonces se implementó un tercer proceso (por ejemplo, programado usando una secuencia de comandos de MATLAB) para encontrar instancias en las que no había repetición de categoría. Por ejemplo, un posible caso puede ser [fruta; cara humana; cuerpo de animal]. Estas instancias particulares serían recodificadas por la secuencia de comandos de MATLAB usando un formato C, D, E (por ejemplo, “C”, “D” y “E”, cada uno que representa una categoría de objeto diferente). En este caso ejemplar, [fruta; cara humana; cuerpo de animal] se recodificaría como [Cfruta; Dcara humana; Ecuerpo de animal].

En ejemplos que usan datos de seguimiento ocular, las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos pueden incluir técnicas para almacenar y procesar los datos oculares. En tales ejemplos, después de cada sesión de registro, los datos de seguimiento ocular de cada sujeto se pueden guardar como un archivo ASCII .tda. Estos archivos de datos se pueden procesar primero mediante un proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) que marca el comienzo y el desplazamiento de cada estímulo usando los códigos “100” y “101”, respectivamente. Posteriormente, los archivos de datos de seguimiento ocular se pueden cargar en ILAB, por ejemplo, que es un programa [caja de herramientas de MATLAB] para el análisis del movimiento ocular posterior al experimento. Para cada archivo de datos, por ejemplo, los valores de los datos de posicionamiento se pueden calibrar correlacionando las coordenadas de resolución de la cámara de seguimiento ocular ISCAN con las coordenadas de resolución del monitor de presentación. Posteriormente, se pueden introducir los parámetros del monitor de presentación, por ejemplo, estableciendo la distancia entre el monitor y el sujeto en 57 cm, la anchura del monitor en 40.64 cm y la altura del monitor en 30.48 cm. El rendimiento de la fijación ocular de cada sujeto se puede calcular ejecutando una comprobación de mantenimiento de la mirada dentro de ILAB. Por ejemplo, una región de interés (ROI) se puede establecer primero usando una ventana cuadrada de 5°x5° (ángulo visual) centrada en el punto de fijación rojo. Usando esta ROI, se puede solicitar a los sujetos que mantengan la fijación dentro de esta ventana durante toda la duración del estímulo (por ejemplo, 750 ms) durante al menos el 75% del total de las presentaciones de imágenes. En algunos ejemplos, los sujetos que no cumplen con este nivel de desempeño se pueden excluir del análisis de EEG/ERP ejemplar. La función de mantenimiento de la mirada puede incluir los siguientes pasos, por ejemplo, (1) requerir una fijación durante toda la duración del estímulo; (2) seleccionar la región de interés centrada en el punto de fijación central; y (3) exportar los resultados del mantenimiento de la mirada a una unidad de procesamiento (por ejemplo, que incluye el espacio de trabajo de MATLAB) para calcular el porcentaje de precisión del sujeto.

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos incluyen técnicas para el análisis estadístico de grupo general. En las implementaciones ejemplares descritas en la presente memoria se usó una combinación de software MATLAB y Statsoft Statistica (versión 8.0) para los análisis estadísticos. Después del procesamiento y del análisis de datos, el BrainVision Analyzer del sistema de registro de EEG ejemplar exportó archivos de texto que contenían valores de datos con respecto a la condición, sujeto, ensayo, canal de electrodo, latencia de pico, voltaje de pico y amplitud de voltaje medio. Los archivos de texto exportados se cargaron en un programa implementado por ordenador (por ejemplo, un programa MATLAB) para ordenar y organizar los datos en un formato más accesible. Específicamente, por ejemplo, el programa implementado por ordenador ejemplar permite que uno seleccione más fácilmente los datos por columna, por ejemplo, usando el editor de variables de MATLAB. Después de seleccionar, los datos se copiaron y se pegaron en hojas de cálculo de datos de Statistica. En algunas implementaciones, por ejemplo, se realizaron ANOVA de medidas repetidas en cada hoja de cálculo, por ejemplo, comparando los efectos de AA frente a B, de AA frente a D y de B frente a D a través de sujetos y a través de categorías de objetos para cada especie. Para los sujetos humanos, por ejemplo, cada hoja de cálculo era específica para lo siguiente, por ejemplo, (1) experimento: experimento 1, experimento 2 o experimentos 1 y 2 combinados (usando el número total de sujetos de los experimentos 1 y 2); y (2) canal de electrodo: F3, Fz, F4, P7, P8, Fp1, Fp2, Tp10, F3 Fz F4 (grupo de electrodos), P7 P8 (grupo de electrodos) o Fp1 Fp2 (grupo de electrodos). Del mismo modo, para sujetos NHP, por ejemplo, cada hoja de cálculo de datos era específica para lo siguiente, por ejemplo, (1) experimento: experimento 1, experimento 2 o experimentos 1 y 2 combinados (usando el número total de sujetos de los experimentos 1 y 2); y (2) canal de electrodo: Cz, F1, FT3, O1, O2, Pz, Cz Pz (grupo de electrodos), Cz Pz O1 O2 (grupo de electrodos), O1 O2 (grupo de electrodos). Por ejemplo, para el análisis de canal de electrodo único, se realizaron ANOVA de medidas repetidas unidireccionales (factor 1: condición). Por ejemplo, para el análisis de electrodos agrupados, se realizaron ANOVA de medidas repetidas bidireccionales (factor 1: condición; factor 2: canal de electrodo). El número de sujetos se usó como predictor categórico para ambos grupos de sujetos. El análisis estadístico de las condiciones de preparación y violación semántica (por ejemplo, “AA”, “D” y “B”) reflejadas en el efecto ERP N400/N300 (por ejemplo, entre 276 y 376 ms) en electrodos frontales y parietales, reveló los siguientes resultados ejemplares. El electrodo (Fz) “AA frente a B” produjo F (1, 4175) = 4.4527 y un valor P de 0.0349; “AA frente a D” produjo F (1, 4018) = 6.8894 y un valor P de 0.0087; los electrodos (P7 y P8) “AA frente a B” produjeron F (1,4175) = 11.669 y un valor P de 0.00064; “AA frente a D” produjo F (1,4018) = 13.297 y un valor P de 0.00027.

Por ejemplo, los métodos descritos pueden adquirir y analizar ‘pasivamente’ datos fisiológicos (por ejemplo, incluyendo datos neurofisiológicos) del sujeto antes, durante y después de la presentación de estímulos. Los métodos descritos se pueden implementar de formas que son diferentes a los enfoques tradicionales para obtener el ERP N400, tales como los que usan paradigmas “operantes” (por ejemplo, paradigmas operantes que hacen que el sujeto realice una discriminación activa y una respuesta de comportamiento). Por ejemplo, al adquirir datos de señales fisiológicas de un sujeto usando el método descrito, no se requiere que el sujeto proporcione ninguna respuesta de comportamiento manifiesta - todo lo que puede hacer es mirar pasivamente una pantalla de presentación (visualización). Por ejemplo, en base a la modulación implícita de amplitud de diferentes marcadores cerebrales (por ejemplo, en este caso, el ERP visual N400/N300), el método descrito puede inferir cómo el sujeto relaciona diferentes estímulos presentados y establece categorías conceptuales entre ellos. Específicamente, la implementación del método descrito puede determinar cómo el sujeto asocia, o discrimina, diferentes estímulos en una secuencia.

La FIGURA 3 muestra gráficos de datos que proporcionan resultados ejemplares de un análisis estadístico de grupo que muestra patrones cerebrales de discriminación entre cambios de categoría conceptual usando estímulos visuales, por ejemplo, tales como la presentación de estímulos visuales de la FIGURA 2. En la FIGURA 3, el gráfico 301 y el gráfico 302 representan formas de ondas cerebrales (por ejemplo, ERP) a partir de un canal frontal y de un canal parietal, respectivamente, (por ejemplo, localizaciones anatómicas anterior y posterior en el cuero cabelludo, respectivamente) relacionadas con cambios en las categorías conceptuales/semánticas.

En el ejemplo mostrado en la FIGURA 3, si, desde la perspectiva del sujeto (por ejemplo, el conocimiento), una imagen está en la misma categoría que la presentada anteriormente, entonces la respuesta de la onda cerebral a esta segunda imagen (A) presentará una amplitud menor que la de la primera imagen anterior (D) - este es un fenómeno denominado “Preparación Semántica”. Sin embargo, si el sujeto percibe el siguiente estímulo como que pertenece a una categoría diferente a la presentada anteriormente, la onda cerebral resultante (B) tendrá de nuevo una amplitud más alta (por ejemplo, una “Violación Semántica”). Las flechas en los gráficos 301 y 302 de la FIGURA 3 indican el efecto de interés en la onda cerebral. Esto nos permite sondear e interpretar o inferir su nivel de conocimiento y/o su comprensión de los estímulos presentados. La presentación particular de los estímulos (por ejemplo, presentar estímulos secuencialmente de manera ubicua) facilita el cambio de preparación y de categoría, que puede obtener marcadores cerebrales específicos separables, de los cuales se extraen datos que entonces se pueden transformar, con el uso de los procesos analíticos del método descrito, en un perfil sensorial y/o cognitivo, por ejemplo, tal como el Perfil de Evaluación de Conocimiento Individualizado (IKEP).

I.1.6. Técnicas de procesamiento y clasificación guiada ejemplares (por ejemplo, con parámetros específicos de contexto)

Las implementaciones ejemplares incluyeron la implementación de técnicas de procesamiento para correlacionar señales cerebrales y estados cognitivos de un sujeto individual usando un marco de métodos de clasificación que usan las señales fisiológicas adquiridas (por ejemplo, señales neuronales de los registros de EEG) de un sujeto individual para proporcionar un conjunto de información, por ejemplo, que incluye información estadística, acerca del conocimiento conceptual (por ejemplo, rendimiento sensorial y/o cognitivo) y/o el estado de conciencia del sujeto. Estas técnicas de procesamiento ejemplares también se pueden aplicar para realizar análisis de grupo para identificar un conocimiento conceptual, no solo en un grupo, sino también sobre una base de sujeto por sujeto. Proporcionar este análisis de grupo puede ser beneficioso para identificar cómo un individuo categoriza la información, por ejemplo, identificar o explotar explícitamente las diferencias individuales.

Por ejemplo, el método descrito se puede usar para caracterizar la familiaridad de un sujeto con un tema proporcionando deliberadamente secuencias de estímulos que algunas veces son contextualmente congruentes y algunas veces contextualmente incongruentes con respecto al conocimiento específico a ser sondeado. En base a la respuesta cerebral medida y analizada del sujeto, el método puede desarrollar un resultado de “grado de familiaridad” para un operador humano que se puede expresar en una categoría de perfil sensorial y/o cognitivo particular (por ejemplo, tal como el Perfil de Evaluación de Conocimiento Individual) o en otro proceso de la tecnología descrita que integra el resultado (conjunto de información) a una Interfaz Cerebro-Máquina (BMI) para proporcionar realimentación posterior al individuo.

Las implementaciones ejemplares de las técnicas de procesamiento y de clasificación guiada descritas que usan el paradigma de estímulos visuales, como se describe a continuación, proporcionan ejemplos que usan los mismos conjuntos de datos que se han descrito en las secciones anteriores que ilustran la evaluación de conocimiento conceptual sobre una base de sujeto por sujeto.

Por ejemplo, una descripción de las variables independientes usadas en el conjunto de datos visuales ejemplares incluye:

• Número de sujeto s, entre 1 y 28

• Número de canal e, entre 1 y 31

• Condición c, entre 1 y 2 (1 = “AA” para ningún cambio de categoría, 2 = “B” para cambio de categoría) • Número de ensayo k, entre 1 y 120

• Punto de tiempo de interés t dentro del intervalo, entre 1 y T.

o Por ejemplo, permitamos que el intervalo sea [352 ms, 452 ms]. La tasa de muestreo fue de 250 Hz. Entonces, T = (0.452-0.352)*250 = 25

De este modo, y [s, e, c, k, t] es un número real que representa un voltaje de EEG. Para cualquier sujeto, fijamos que s sea una constante. Con el propósito de los análisis ejemplares en esta sección, también fijamos una ubicación de electrodo e para que sea una constante. Como tal, el punto de partida para un análisis adicional en esta sección es y [c, k, t], un número real que representa un voltaje de EEG.

I.1.6.1, Clasificador supervisado con datos de entrenamiento

El ejemplo usa un clasificador supervisado para explorar cómo los individuos, por sí mismos, organizan y clasifican diferentes elementos, por ejemplo, ideas o conceptos. Operando sobre individuos completamente conscientes e informados, el clasificador supervisado primero es “entrenado en” el individuo, teniendo en cuenta cualquier variabilidad natural específica de él/ella. Este entrenamiento se realiza proveyendo primero al sujeto con un conjunto de grupos de estímulos categóricamente congruentes (AA) e incongruentes (B), como se ha explicado anteriormente. Estos grupos de estímulo se construyen cuidadosamente de modo que sean pertenecientes sin ambigüedades o bien a AA o bien a B para todos los participantes.

Una vez que el clasificador ha sido entrenado suficientemente, se presenta un nuevo conjunto de grupos de estímulos sin etiquetar. Estos estímulos representan entradas que podrían obtener diferentes categorizaciones cerebrales, dependiendo de la forma en que el cerebro de cada sujeto categoriza la información. Cada individuo tiene la posibilidad de considerar estos grupos como congruentes o incongruentes en base a una gran variedad de factores, por ejemplo, que van desde el nivel educativo, el origen étnico, las preferencias, la creatividad, etc. Es este espacio de variabilidad muy rico el que se puede explorar y cuantificar usando el método descrito, por ejemplo, proporcionando una visión profunda de cómo el cerebro de un individuo categoriza la información.

Procedimiento de implementación ejemplar del clasificador supervisado

Para desarrollar algunas características de interés para la clasificación, fijamos una condición “c" y un punto de tiempo “t" para calcular la media y la desviación estándar de y [c, k, t] sobre todos los ensayos “k". A continuación, se muestra un método ejemplar para la generación del promedio sobre los ensayos, para un punto de tiempo específico “t". Por ejemplo, esto es análogo a cómo se genera un gráfico potencial relacionado con un evento, excepto que esto no se promedia sobre los sujetos - es específico de un sujeto individual.

La FIGURA 4 muestra un gráfico tridimensional 401 que muestra datos de EEG en un eje que representa la ventana de tiempo de 350 ms a 450 ms recopilados a través de múltiples ensayos, mostrados en el eje perpendicular. La EEG para el punto de tiempo y [c, k, t] se promedia sobre todos los ensayos k para producir un voltaje promedio y [c, t] para la condición c en el punto de tiempo t dentro del intervalo de 350 ms a 450 ms.

Se implementa un cálculo análogo para determinar la desviación estándar de y [c, k, t] sobre los ensayos k, para unos valores c y t fijos. Para dos canales individuales (por ejemplo, FP1 (canal 1) y FP2 (canal 2)), se muestra en las FIGURAS 5A y 5B cómo las características más básicas de media y de varianza covarían con la condición “AA" en comparación con la condición “B". Por ejemplo, cada círculo azul y verde representa una característica “promedio, estándar" para un punto de tiempo específico “c". El azul representa la condición “AA" y el verde representa la condición “B".

La FIGURA 5A muestra un gráfico de características que muestra las medias y las desviaciones estándar de un sujeto individual (por ejemplo, el sujeto 10) a partir del electrodo FP1 (canal 1) bajo dos condiciones de estímulo diferentes, “AA" y “B". La FIGURA 5B muestra un gráfico de características que muestra las medias y las desviaciones estándar del sujeto individual (por ejemplo, el sujeto 10) a partir del electrodo FP2 (canal 2) bajo las dos condiciones de estímulo diferentes ejemplares, “AA" y “B". Como se muestra en los gráficos de las FIGURAS 5A y 5B, las características tienen una agrupación pronunciada que puede conducir a métodos de clasificación con alta precisión. Por ejemplo, la precisión con una validación cruzada de 5 iteraciones fue del 100% para tanto el canal FPls como FP2.

Por ejemplo, se observa que estas características se agrupan en grupos disjuntos para las diferentes condiciones. Por ejemplo, se implementó una máquina de vectores de soporte con un núcleo gaussiano en la caja de herramientas estadísticas de Matlab, usando las características ejemplares antes mencionadas en diferentes condiciones como entradas. Se calculó un porcentaje de clasificación usando una validación cruzada de 5 iteraciones, por ejemplo:

• Dividir el conjunto de datos en 1/5 - prueba y 4/5 para entrenamiento,

• Girar el conjunto de prueba hasta que pruebe sobre todos los datos,

• Promediar su clasificación.

Control de precisión ejemplar para el clasificador

En algunas de las figuras descritas a continuación, se muestran estadísticas de resumen ejemplares del rendimiento de la máquina de vectores de soporte, por ejemplo, a través de múltiples sujetos y canales. En cada figura, el eje x muestra diferentes canales, y el eje y se relaciona con gráficos de caja para ese canal, variados a través de los diferentes sujetos. Los procedimientos de clasificación ejemplares usaron los datos neuronales adquiridos ejemplares a partir de los sujetos individuales, por ejemplo, en los que los datos analizados están representados en las estadísticas de resumen ejemplares del rendimiento, a través de múltiples sujetos y múltiples canales. En cada figura, cada gráfico de caja representa un resumen de cinco números de los puntos de datos. Por ejemplo, la parte inferior y la parte superior de la caja son siempre los percentiles 25 y 75 (los cuartiles inferior y superior, respectivamente); la banda cerca de la mitad de la caja es siempre el percentil 50 (la mediana); los “bigotes" representan la desviación estándar por debajo y por encima de la media de los datos; y las marcas rojas “+" representan valores atípicos. Debajo de cada gráfico de caja hay una tabla de muestra que proporciona la precisión mediana.

La FIGURA 6 muestra un gráfico y una tabla correspondiente que representa el rendimiento del clasificador supervisado por el sujeto para el paradigma de estímulo visual en una implementación ejemplar. Para cada canal individual (por ejemplo, una columna de la gráfica), se proporciona información estadística de resumen acerca de cómo el clasificador realizó para cada sujeto. El gráfico de caja de la FIGURA 6 muestra resultados ejemplares que representan la precisión del clasificador después de una validación cruzada de cinco iteraciones, por posición de electrodo. La tabla de la FIGURA 6 enumera la precisión mediana a través de los sujetos, cuando se usan los electrodos FP1, FP2, P7 o P8 ejemplares.

Se observa, por ejemplo, que los electrodos frontales FP1 y FP2, por ejemplo, que se pueden usar en muchas aplicaciones, muestran una precisión de clasificación extremadamente alta, y esto es con las características más simples posibles y con un núcleo de MATLAB. En otros ejemplos, los enfoques más sofisticados pueden proporcionar precisiones de clasificación incluso más altas, a través de una gama mayor de sujetos.

Perfil cognitivo y/o sensorial ejemplar: Perfil de Evaluación de Conocimiento Individual (IKEP)

Después de proporcionar estímulos al sujeto, adquirir datos fisiológicos del sujeto y determinar la información estadística, como se ha descrito anteriormente, el siguiente paso en la técnica ejemplar incluye la creación de un perfil de conocimiento y/o estado de conciencia individual. La FIGURA 7 muestra un diagrama ilustrativo que representa una implementación ejemplar de los algoritmos de clasificación guiada y de sus estadísticas de resumen posteriores para proporcionar un perfil de conocimiento y/o de conciencia individualizado. Por ejemplo, el perfil de la evaluación de conocimiento y/o de estado de conciencia ejemplar puede proporcionar información de resumen concisa acerca de la respuesta cerebral del usuario a estímulos específicos.

En este primer ejemplo descrito, el perfil individual se calcula para el sujeto 10 (como en los ejemplos anteriores) dentro del contexto de “evaluación de conocimiento” con un clasificador supervisado. Específicamente, por ejemplo, las características para el grupo B (círculos verdes) y el grupo AA (círculos azules), como se muestra en las FIGURAS 5A y 5B, están identificadas.

La FIGURA 8 muestra características ejemplares para el clasificador supervisado que atañe al canal FP2 ejemplar del sujeto 10. Un hiperplano de soporte (por ejemplo, línea negra en negrita) sirve como el límite de decisión. Cualquier característica a ser probada (por ejemplo, el círculo rojo en la FIGURA8) se clasificará como azul (en este caso, AA) si está en un lado del límite, y se clasificará como verde (en este caso B) para el otro. La distancia “d” al límite puede servir como un intermediario para proporcionar confianza estadística en la clasificación. Cuanto mayor sea la distancia al límite, más confianza tendremos en la clasificación.

Cuando se prueba a un sujeto, se construyen estas características. Si la característica de interés (en este caso, el círculo rojo) se encuentra en un lado del límite de decisión, declaramos “AA”, y de otro mod declaramos “B”. Junto con una decisión difícil, también se especifica información “suave” que sugiere como de confiados estamos en nuestra declaración. La distancia más corta entre el punto rojo y cualquier punto en el límite de decisión puede servir como la entrada a una función que especifica el IKEP. Más específicamente, por ejemplo, podemos declarar que Probabilidad de conciencia/conocimiento = (2-e^-d)/2.

Por ejemplo, si la distancia al límite es 0, entonces la probabilidad de discriminación es 1/2, esto es, casualidad (por ejemplo, el sujeto no tiene un conocimiento fiable de las características de discriminación entre las dos condiciones probadas o, en otras palabras, el sujeto no puede discriminar elementos entre uno y el otro). Por otro lado, por ejemplo, si la distancia al límite es muy grande, entonces la probabilidad de conocimiento tiende a 1, como se espera (por ejemplo, el sujeto conoce cada una de las categorías presentadas y cómo distinguirlas). Como tal, el marco de procesamiento de señales estadístico ejemplar puede proporcionar adicionalmente decisiones suaves, por ejemplo: P^sc = P(misma categoría) = 0.8, P^dc = P(categoría diferente = 0.2).

Así, para este ejemplo, usando el mismo conjunto de datos de presentación visual que se ha descrito en lo anterior, el IKEP ejemplar se puede determinar cómo sigue. Usando el sujeto ejemplar (el sujeto 10) como en la FIGURA 8, suponemos que entrenamos el clasificador con las etiquetas azul y verde, y ahora se obtienen las características para el punto rojo y nos gustaría clasificar esto como “AA” o “B”. Obsérvese que la característica para el círculo rojo es el par ordenado (por ejemplo, 0.75, 12). El punto más cercano al límite es (0, 11). Como tal, en este ejemplo, la distancia entre estos dos puntos es de 1.25, y el IKEP posterior para este sujeto (por ejemplo, el sujeto 10) es (2-e-¹²⁵)/2 = 85.67%. La FIGURA 9 muestra un diagrama de este dato cuantitativo ejemplar para el Perfil de Evaluación de Conocimiento Individual para el sujeto ejemplar 10.

I.1.6.2, Clasificador no supervisado ejemplar con pruebas de relación de verosimilitud

En los ejemplos que usan el clasificador “no supervisado”, la técnica no usa ningún dato de entrenamiento para entrenar al clasificador. Más bien, el clasificador toma un lote de datos y entonces especifica una decisión acerca de la probabilidad de que el cerebro categorice información de diferentes estímulos de la misma manera o de manera diferente. En este caso, proveímos deliberadamente a un sujeto con un estímulo que tiene una respuesta conocida, por ejemplo, asumiendo que es consciente.

Procedimiento de implementación ejemplar del clasificador no supervisado

En este ejemplo, primero promediamos (y[c,k,t]: k = 1, ..., K) sobre k para crear y[c,t]. La hipótesis central a probar es como sigue:

• H0 (nulo): las estadísticas de y[1,t] y de y[2,t] (que atañen a AA y a B) son las mismas.

• H1 (alternativo): las estadísticas de y[1,t] y de y[2,t] (que atañen a AA y a B) no son las mismas.

Para los paradigmas de estímulo ejemplares, se supone que y[1,t]-y[2,t] es gaussiana. De este modo, bajo la hipótesis nula, esta diferencia tiene media 0 y varianza desconocida. Bajo la hipótesis alternativa, la diferencia tiene una media distinta de cero y una varianza desconocida (no necesariamente la misma varianza que bajo H0).

Por ejemplo, debido a que la varianza bajo H0 y la media y la varianza bajo H1 son desconocidas, este es un problema de prueba de hipótesis compuesto, por ejemplo, hay muchas distribuciones bajo cada hipótesis.

Las implementaciones ejemplares incluyeron implementar un grupo de clasificadores no supervisados que atañen a pruebas de hipótesis compuestas que son teóricamente sonido de diferentes maneras, con diferentes suposiciones. Primero se desarrolla una estadística de prueba, que es función de los datos observados. A partir de esta estadística de prueba, se calcula o se estima un valor p, que se compara con un umbral, por ejemplo, 0.05. En este ejemplo, si excede de 0.05, se acepta la hipótesis nula; de lo contrario, se rechaza la hipótesis nula.

Estadística de prueba. En general, se recopilan las diferencias (d[t]=y[1 ,t]-y[2,t]: t=1 :T) y se desarrolla una estadística de prueba u=g(d), que es una función de los datos observados y que es mayor bajo la hipótesis alternativa que bajo la hipótesis nula. Ejemplos de los tipos de estadísticas de prueba que se pueden construir son como sigue:

T.A: relación de verosimilitud logarítmica con estimaciones de máxima verosimilitud normalizada (NML) de P0 y P1. Por ejemplo, modelamos la distribución bajo P0 (media 0, varianza desconocida) y bajo P1 (media distinta de cero, varianza desconocida). El procedimiento de máxima verosimilitud normalizada crea una ley estadística que atañe a cada hipótesis que se realiza tan bien como sea posible en el peor de los casos con respecto a todas las distribuciones posibles bajo una de las hipótesis compuestas. Por ejemplo, bajo H0, la media es desconocida y, así, combina las leyes estadísticas de todas las distribuciones normales de media 0 y varianza desconocida, para crear una ley estadística que sea tan predictiva como sea posible para cualquier distribución de esa clase. De manera análoga, se desarrolla una estimación para H1, donde se usan medias y varianzas. La estadística de prueba g(d) viene dada por

donde

T.B: métodos estadísticos estándar, tales como una puntuación F para un ANOVA, en base a medias y varianzas estimadas.

Valor p. Después de calcular la estadística de prueba, se calcula la probabilidad de observar una estadística de prueba que es al menos tan extrema como lo que se observó, bajo la hipótesis nula. Debido a que la hipótesis nula tiene una varianza desconocida, este es un problema de prueba de hipótesis compuesta y no hay ninguna forma natural específica de calcular un valor p. Desarrollamos múltiples formas de estimar un valor p:

P.A: Realizar un procedimiento paramétrico para evaluar la expresión de probabilidad usando una estimación de P0, suponiendo una distribución Normal con varianza estimada a partir de los datos:

P.A.1: Si la distribución de la estadística de prueba g(d) bajo H0 se conoce en forma cerrada (por ejemplo, para las pruebas t, Z, F, ANOVA), entonces podemos calcular directamente o usar una tabla de búsqueda en Matlab.

P.A.2: Si se usa una estadística de prueba más sofisticada (por ejemplo, tal como la relación de verosimilitud normalizada), entonces implementamos un procedimiento Monte Carlo para estimar la probabilidad. Generar un gran número de muestras independientes distribuidas de manera idéntica d[1] ... d[N] que se obtiene bajo una distribución Normal con media 0 y varianza estimada a partir de los datos. Contar la fracción de tiempo en que g(d[i]) > excede la estadística de prueba.

P.B: Realizar un procedimiento de rutina de arranque no paramétrico. Generar N muestras independientes e idénticamente distribuidas d[1] ... d[N] que son permutaciones aleatorias de y’; de modo que “en algún sentido” g(d[i]) se dibuja según g(d) bajo H0. Contar la fracción de tiempo que g(d[i]) > t. La FIGURA 10 ilustra cómo se realiza la prueba estadística no paramétrica cuando tenemos dos conjuntos de datos (cada uno con n ensayos) para dos condiciones experimentales. (1) Recopilar n ensayos de las dos condiciones experimentales (A y B) en un único conjunto. (2) Obtener de manera aleatoria tantos ensayos (n ensayos) de este conjunto de datos 'combinados' como ensayos hubo en la condición A y colocar esos ensayos en el subconjunto 1. Entonces colocar los ensayos restantes (n ensayos) en el subconjunto 2. Este procedimiento se puede llamar por una partición aleatoria. (3) Calcular las estadísticas de prueba sobre esta partición aleatoria. Para calcular las estadísticas de prueba, las formas de onda se promedian a través de todos los ensayos para los subconjuntos 1 y 2 durante el tiempo de interés, respectivamente. La forma de onda promedio del subconjunto 1 se resta de la forma de onda promedio del subconjunto 2 y entonces calcular las estadísticas de prueba como la suma de todas las diferencias. (4) Repetir los pasos 2 y 3, por ejemplo, un gran número de veces, y construir un histograma de las estadísticas de prueba. (5) A partir de la estadística de prueba que se observa en realidad a partir de nuestros conjuntos de datos originales (sin permutación aleatoria) y del histograma en el paso 4, calcular la proporción de las particiones aleatorias que resultaron en una estadística de prueba más grande que la observada. Esta proporción se llama valor p.

La FIGURA 10 muestra un diagrama que ilustra un procedimiento no paramétrico para estimar valores p para la prueba de hipótesis que atañe a especificar si los datos de la clase A y los datos de la clase B provienen o no de la misma distribución estadística. Los ensayos de clase A y B se permutan de manera aleatoria para generar estadísticas de prueba que se obtienen a partir de la hipótesis nula. A partir de esto, se forma un histograma para el que se puede realizar la evaluación del valor p.

Por ejemplo, una vez que se calcula un valor p, si está por debajo de 0.05, entonces se rechaza la hipótesis nula; de lo contrario, se acepta. En las implementaciones ejemplares, debido a que todos los sujetos eran conscientes y que los estímulos ejemplares que se presentaron eran claramente contextualmente incongruentes, congruentes o congruentes repetidos bajo esas condiciones, la hipótesis nula se debería rechazar en la mayoría de los sujetos. El rendimiento de este enfoque ejemplar se caracteriza a continuación, por ejemplo, cuantificando el número de sujetos y electrodos para los que se rechaza la hipótesis nula.

Resultados ejemplares

Para cada uno de los paradigmas de estímulo ejemplares presentados a los sujetos, el rendimiento ejemplar de las diferentes estadísticas de prueba y los métodos de cálculo de los valores p se muestran en las FIGURAS 11-13. La FIGURA 11 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis rANOVA ejemplar de AA frente a B usando estímulos visuales. La FIGURA 12 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis paramétrico NML ejemplar de AA frente a B usando estímulos visuales. La FIGURA 13 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis no paramétrico NML ejemplar de AA frente a B usando estímulos visuales.

En las FIGURAS 11-13 se proporciona un gráfico de caja de los valores p del clasificador para ubicaciones de electrodos específicas de interés, por ejemplo, FP1, FP2, P7 y P8. El gráfico de caja proporciona información de la mediana (línea roja), la desviación estándar (anchura) y los valores atípicos. La línea horizontal verde a través de cada gráfico de datos corresponde al umbral del valor p que es 0.05. Todos los sujetos con valores p por debajo se clasifican, de este modo, correctamente y aquéllos por encima se clasifican incorrectamente. Junto con cada gráfico de caja, también hay una tabla sucinta de correspondencia que describe la fracción general de clasificaciones correctas (con un umbral de valor p en 0.05) sobre todos los sujetos.

En las FIGURAS 11-13, la nomenclatura es como sigue:

• “AA frente a B” denota que d[t]=y[1,t]-y[2,t]: t=1 :T, donde y[1,t] atañe al estímulo visual AA e y[2,t] atañe al estímulo visual B.

• “NML” es sucinta para el método de máxima verosimilitud normalizada de cálculo de una estadística de prueba, sección T.A.

• “paramétrico” representa el método paramétrico de estimación de un valor p, descrito en la sección P.A realizando la estimación Monte-Carlo del valor p, donde la entrada a la estadística de prueba se obtuvo según una distribución Normal con media y varianza estimadas a partir de las muestras.

• “no paramétrico” representa el método no paramétrico P.B para estimar un valor p.

• “rANOVA” representa una estadística de prueba y un paradigma de cálculo de valor p usando una metodología de ANOVA de medidas repetidas estándar, método P.A.1.

Estos análisis ejemplares se realizaron individualmente y entonces se promediaron para un conjunto de datos de grupo que incluía 17 sujetos. Por ejemplo, se observa que, sorprendentemente, para los canales FP1 y FP2 (que son frontales y no requieren poner gel en el pelo y, por lo tanto, se pueden utilizar en una realización preferida en algunas aplicaciones), estos métodos de clasificación tienen una precisión uniformemente en el intervalo del 80-100%. Estos resultados ejemplares sugieren que un sistema con solamente electrodos frontales puede obtener un alto rendimiento. El método descrito no necesita incluir siempre la adquisición de actividad frontal.

Perfil cognitivo y/o sensorial ejemplar: Perfil de Evaluación de Conocimiento de Grupo (GKEP) y Perfil de Evaluación de Conocimiento Individual (IKEP)

Usando este último ejemplo de una realización de clasificador no supervisado, y seleccionando el electrodo frontal FP1 para ilustrar este perfil, el producto final de la implementación ejemplar del método puede ser en forma de un Perfil de Evaluación de Conocimiento de Grupo (GKEP) o en forma de un Perfil de Evaluación de Conocimiento Individual (IKEP).

Por ejemplo, identificamos el valor p para cualquier sujeto y realizamos un valor p del 100% usando la prueba de relación de verosimilitud no paramétrica (como se muestra en la FIGURA 13) como medida de discriminación en las categorías probadas. En el caso individual, para el sujeto 10 ejemplar, ésta fue del 99.8%. A nivel de grupo, el nivel mediano fue del 94.1%. Estos resultados ejemplares se muestran en la FIGURA 14. La FIGURA 14 muestra diagramas de ejemplos de Perfil de Evaluación de Conocimiento Individual para un sujeto individual y de Perfil de Evaluación de Conocimiento de Grupo para un sujeto basado en grupo.

¡.2. N400 con un paradigma de estímulos auditivos

1.2.1. Estímulos ejemplares

En otra implementación de ejemplo, se examinaron las respuestas neuronales a estímulos lingüísticos, con más precisión respuestas moduladoras a congruencias e incongruencias contextuales dentro del idioma inglés. Por ejemplo, se usó Adobe Soundbooth CS5 para registrar una lista de veinte palabras de cuatro oradores (por ejemplo, dos hombres, dos mujeres) cada uno para un total de ochenta ejemplares de estímulos. Cada orador registró las siguientes palabras ejemplares: Acción, Cumpleaños, Cámara, Velas, Queso, Choque, Peligro, Muerte, Bebida, Conducir, Luchar, Comida, Regalos, Feliz, Luces, Asesinato, Veneno, Disparar, Sonrisa, Delicioso. También, por ejemplo, se usó Adobe Soundbooth CS5 para controlar dentro y a través de los estímulos usando los siguientes pasos: (1) normalizar cada estímulo (por ejemplo, Procesado > Normalizar), (2) ecualizar cada estímulo (por ejemplo, Procesado > Niveles de volumen ecualizados), (3) ecualizar los niveles de volumen a través de todos los archivos de estímulo (por ejemplo, Seleccionar todos los archivos > Ir a Tareas> archivos arrastrados a Archivos para Emparejar > Emparejar con Archivo > primer archivo seleccionado en la lista). Por ejemplo, la duración del grupo de estímulos osciló de 380 ms a 834 ms, por ejemplo, con un promedio de 615.675 ms. Estas palabras ejemplares se usaron entonces para construir 90 cadenas distintas de tres palabras.

Estas noventa cadenas ejemplares se dividieron por igual bajo tres condiciones: congruente (30 cadenas), incongruente (30) y congruente con repetición (30). En cada una de las cadenas, las dos primeras palabras crearon un contexto. La tercera palabra o bien emparejó (congruente) o bien no emparejó (incongruente) el contexto establecido por las dos palabras anteriores. Por ejemplo, en la condición congruente con repetición, la tercera palabra emparejó el contexto establecido repitiendo la segunda palabra de la cadena. Además, debido a que hubo cuatro oradores, por ejemplo, hubo un total de 360 cadenas ejemplares. Dentro de las cadenas, cada una tuvo un orador consistente para cada una de las tres palabras. Sin embargo, el orador y el género del orador podrían cambiar entre las cadenas. Además, por ejemplo, solamente se usó un subconjunto de estas cadenas para los análisis potenciales y estadísticos relacionados con el evento final. Este subconjunto se controló para la aparición de palabras y la frecuencia a través de las condiciones. Todas las demás cadenas no se usaron para los análisis y en su lugar se utilizaron como “rellenos” con el fin de crear una sensación de variedad para los sujetos.

Se implementaron dos métodos ejemplares para crear un punto de fijación y un estímulo cuadrado azul. Para el punto de fijación, por ejemplo, se usó un proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) para crear una imagen de fondo negra (por ejemplo, cañón rojo igual a 0; cañón verde igual a 0; cañón azul igual a 0) con una altura y una anchura de 350 píxeles. Entonces, la secuencia de comandos ejemplar ejecutó un bucle para anidado usando la ecuación estándar del círculo para alterar los píxeles dentro de un radio de siete píxeles de longitud a rojo cambiando el cañón rojo de la imagen a 255, el cañón verde a 0 y el cañón azul a 0. Por ejemplo, para el estímulo cuadrado azul, se usó software de formación de imágenes (por ejemplo, Adobe Photoshop) para crear una imagen de tamaño de 157x157 píxeles, por ejemplo, cuyo cañón rojo era igual a 0, el verde era igual a 0 y el azul era igual a 255.

1.2.2. Preparación del sujeto para registro de EEG

Para preparar a los sujetos ejemplares para el registro de EEG, cada sujeto se sentó en una silla en una cámara de registro para comenzar un proceso de coronación de EEG. Por ejemplo, este proceso implicó colocar un gorro de EEG tradicional en la cabeza del sujeto y asegurarlo con una correa elástica a la barbilla. En algunos ejemplos, se usó o bien un gorro de 56 cm o bien de 58 cm de diámetro, en base al tamaño estimado de la cabeza del sujeto. A continuación, se inyectó gel de electrodo Signa (por ejemplo, de Parker Laboratories) usando una jeringa de plástico curvada debajo de cada uno de los electrodos del gorro para crear un puente conductor entre el electrodo en sí mismo y el cuero cabelludo del sujeto. También, por ejemplo, se usaron bastoncillos de madera para masajear el gel con el fin de generar una conductancia más fuerte reduciendo la impedancia. Por ejemplo, el uso de esta técnica redujo los niveles de impedancia a < 5 kü para cada electrodo, por ejemplo, incluyendo la puesta a tierra y la referencia. Antes de comenzar la implementación ejemplar usando registros de EEG, los sujetos se sentaron delante del monitor de presentación y del altavoz de audio y se les pidió que solo mantuvieran la fijación visual en un punto de fijación central rojo a lo largo de la duración del experimento y que restringieran sus movimientos motores tanto como fuera posible para evitar los artefactos de movimiento en los datos neurofisiológicos. En algunos ejemplos, estos puntos se enfatizaron mostrándole al sujeto el registro en línea de sus ondas cerebrales en bruto, por ejemplo, mostrándoles qué ocurre a los datos cuando parpadean y/o aprietan la mandíbula de manera frecuente. Posteriormente, se atenuaron entonces las luces de la sala de registro y comenzó el proceso de estimulación y los registros de EEG. Se tomaron medidas para oscurecer completamente las ventanas de la sala de registro y sellar sus grietas para evitar la entrada de luz exterior.

¡.2.3. Proceso de presentación de estímulos ejemplar

El paradigma de presentación de estímulos ejemplar que se usó en este proceso de presentación de estímulos de ejemplo se programó usando Cogent 2000. La presentación de estímulos ejemplar se dividió en dos bloques en base a los oradores. Por ejemplo, el bloque 1 incluyó un total de 180 cadenas, 90 cadenas de un orador masculino y 90 cadenas de una oradora femenina. El bloque 2 incluyó otras 180 cadenas, 90 cadenas del otro orador masculino y 90 cadenas de la otra oradora femenina. Cada una de las 180 cadenas se presentó solamente una vez por bloque de presentación. Después de la presentación de cada palabra dentro de una cadena, se dio un intervalo entre estímulos (ISI) de 1000 ms. Entre cada cadena, se dio un intervalo entre ensayos (ITI) de 2500 ms para crear una pausa obvia entre cada presentación de cadena. Por ejemplo, después de cada seis a nueve cadenas, se presentó un cuadrado azul durante 2000 ms, lo que indicaba un “mini descanso” en el que el sujeto podría hacer una breve pausa, descansar, rascarse la nariz, etc.

Antes de la presentación del estímulo, el proceso (por ejemplo, programado en una secuencia de comandos de MATLAB) primero permutó de manera aleatoria el orden en el que se presentarían las cadenas, por ejemplo, usando la función randperm() de MATLAB. Entonces el proceso determinó de manera aleatoria qué ensayos se seguirían por un estímulo de cuadrado azul usando la función ejemplar randi(). Además de configurar la pantalla, la tarjeta de sonido y el puerto paralelo, se configuró e inicializó un archivo de registro dentro del sistema Cogent 2000. Por ejemplo, este archivo de registro se usó para contener información que atañe al estímulo, esto es, su pertenencia a una cadena en particular. Posteriormente, tanto los estímulos de audio como los visuales (por ejemplo, punto de fijación, cuadrado azul) se cargaron en almacenadores temporales de memoria. Los pasos antes mencionados fueron ejecutados antes de la presentación del estímulo con el fin de reducir la carga computacional y para aumentar la precisión de la latencia.

El proceso de presentación de estímulo ejemplar usado en las implementaciones ejemplares con estímulos auditivos incluyó un bucle para anidado. Por ejemplo, dentro del bucle “externo”, se determinó una cadena elegida aleatoria sin reemplazo y se presentó el punto de fijación central rojo 1000 ms antes del comienzo de la primera palabra/llamada de la cadena. El punto de fijación se mostró a lo largo de toda la presentación de la cadena y se apagó 1000 ms después del desplazamiento de la tercera palabra/llamada. Por ejemplo, dentro del bucle “interno”, la información de desencadenador se calculó en base a la cadena en sí misma y se envió al ordenador de registro de EEG. Las cadenas se organizaron de tal forma que su ubicación dentro de la matriz MATLAB ejemplar proporcionase la información necesaria para el desencadenador de estímulo. Al final del bucle “interno” se presentó el ejemplar, el puerto paralelo se restableció a cero y se dio el intervalo entre ensayos. Por ejemplo, los estímulos de audio se presentaron usando un altavoz Advent Powered Partners AV570, y los estímulos visuales se presentaron usando un monitor Sony Trinitron GDM-C520.

La FIGURA 15 muestra diagramas de una secuencia ejemplar de estímulos auditivos presentados. Los diagramas ilustrativos 1501 y 1502 de la FIGURA 15 representan formas de onda de audio y espectrogramas de ejemplares específicos presentados de cadenas de tres palabras. Por ejemplo, la secuencia ejemplar de estímulos auditivos presentados mostrada en el diagrama 1501 incluye tres palabras consecutivas en inglés que incluyen “Cumpleaños”, “Regalos” y “Feliz”, formando una cadena contextualmente “Congruente”. También, por ejemplo, la secuencia ejemplar de estímulos auditivos presentados mostrada en el diagrama 1502 incluye tres palabras consecutivas en inglés que incluyen “Veneno”, “Peligro” y “Feliz”, formando una cadena contextualmente “Incongruente”. En ambos ejemplos mostrados en los diagramas 1501 y 1502, las dos primeras palabras establecen un contexto, y la tercera es o bien coherente con ese contexto congruente o bien incongruente. En otro ejemplo de secuenciación, también se puede presentar otra condición de prueba, “Repetición Congruente”, en la que la segunda y tercera palabras de una cadena son exactamente iguales.

1.2.4. Registros de ondas cerebrales (EEG) ejemplares

En algunas implementaciones, se usó un sistema de EEG tradicional con electrodos rígidos para adquirir las ondas cerebrales. El sistema de EEG ejemplar incluyó un sistema BrainAmp DC de 32 canales; una grabadora BrainVision; un gorro de registro de EEG Fast n Easy de 32 canales de 56 cm de tamaño; un gorro de registro de EEG Fast n Easy de 32 canales de 58 cm de tamaño; un cable plano PCB para BrainCap-MR con resistores de 5k y un BrainCap MR Box 1.2.

1.2.5. Técnicas de análisis de procesamiento previo ejemplares

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos que usan un paradigma de estímulos auditivos pueden incluir técnicas para procesar los datos de los marcadores. Por ejemplo, después de cada sesión de registro, el sistema de registros de EEG ejemplar produjo tres archivos: un archivo de datos (.eeg), un archivo de cabecera (.vhdr) y un archivo de marcador (.vmrk). Los archivos de marcador contenían los desencadenadores de eventos para cada comienzo de estímulo. En estos ejemplos, debido a las limitaciones de salida dentro del puerto paralelo, se usó el archivo de registro ejemplar de Cogent 2000 para contener información adicional con respecto a la pertenencia de un ejemplar a una cadena en particular. A partir de allí, las técnicas de procesamiento previo de análisis incluyen un proceso (por ejemplo, programado usando una secuencia de comandos de MATLAB) para integrar información tanto del archivo de registro como del archivo de marcador del sistema de registros de EEG ejemplar y para alterar el código de estímulo dentro del archivo de marcador para representar la siguiente información para cada estímulo, por ejemplo, la condición (congruente, incongruente, congruente con repetición), la posición de la palabra/llamada (1a, 2a, 3a), el género del orador (en el caso de palabras en inglés) y el palabra/llamada específica (por ejemplo, “feliz”, “cumpleaños”, “arrullo”, “grito”). Por ejemplo, una cadena de palabras en inglés congruentes [cumpleaños; regalos; feliz] se recodificaría como [C1M_2; C2M_13; C3M_14]. En este ejemplo, el primer dígito representa la condición (“C” para congruente en este ejemplo), el segundo dígito representa la posición dentro de la cadena (1a, 2a y 3a), el tercer dígito representa el género del orador (“M” para masculino, “F” para femenino), y el dígito que sigue al subrayado representa la palabra específica presentada (“2” para cumpleaños, “13” para regalos y “14” para feliz).

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos incluyen técnicas para el análisis estadístico de grupos generales. En las implementaciones ejemplares descritas en la presente memoria se usó una combinación de software MATLAB y Statsoft Statistica (versión 8.0) para los análisis estadísticos. Después del procesamiento y del análisis de los datos, el BrainVision Analyzer del sistema de registro de EEG ejemplar exportó archivos de texto que contenían valores de datos con respecto a la condición, al sujeto, al ensayo, al canal de electrodo, a la latencia pico, al voltaje pico y a la amplitud de voltaje medio. Los archivos de texto exportados se cargaron en un programa implementado por ordenador (por ejemplo, un programa de MATLAB) para ordenar y organizar los datos en un formato más accesible. Específicamente, por ejemplo, el programa implementado por ordenador ejemplar permite que uno seleccione más fácilmente los datos por columna, por ejemplo, usando el editor de variables de MATLAB. Después de seleccionar, los datos se copiaron y se pegaron en hojas de cálculo de datos de Statistica. En algunas implementaciones, por ejemplo, se realizaron ANOVA de medidas repetidas en cada hoja de cálculo, por ejemplo, comparando el efecto de la condición, esto es, congruente, incongruente y congruente con repetición para cada especie tanto para las palabras en inglés como para las llamadas de macacos rhesus. Para sujetos humanos, por ejemplo, cada hoja de cálculo era específica para lo siguiente: 1) experimento: palabras en inglés o llamadas rhesus; 2) componente: N400 o N800; 3) canales de electrodo: Cz Pz (grupo de electrodos), Cz Pz Cp1 Cp2 P3 (grupo de electrodos), Cz Pz Cp1 Cp2 (grupo de electrodos) o Pz Cp1 Cp2 (grupo de electrodos). Para estos análisis de electrodos agrupados ejemplares, por ejemplo, se realizaron ANOVA de medidas repetidas bidireccionales (por ejemplo, factor 1: condición; factor 2: canales de electrodo). Del mismo modo, para los sujetos NHP, por ejemplo, cada hoja de cálculo era específica para lo siguiente: 1) experimento: palabras en inglés o llamadas rhesus; 2) componente: N400 o N800; 3) canales de electrodo: Cz Pz (grupo de electrodos), Cz Pz P1 (grupo de electrodos), Cz Pz P1 Tp3 C1 (grupo de electrodos), O1 O2 (grupo de electrodos). Para estos análisis de electrodos agrupados ejemplares, se realizaron ANOVA de medidas repetidas bidireccionales (por ejemplo, factor 1: condición; factor 2: canales de electrodo).

En algunos ejemplos, también se analizaron/examinaron en supresión de los efectos entre la primera y tercera palabras/llamadas de posición a través de las condiciones. Para los sujetos humanos, por ejemplo, cada hoja de cálculo era específica para lo siguiente: 1) experimento: palabras en inglés o llamadas rhesus; 2) componente: N1, P2, N400 o N800; 3) canales de electrodo: Cz o Cz Pz (grupo de electrodos). Del mismo modo, para los sujetos NHP, por ejemplo, cada hoja de cálculo era específica para lo siguiente: 1) experimento: palabras en inglés o llamadas rhesus; 2) componente: N1, P2, N400 o N800; 3) canales de electrodo: Cz o Cz Pz (grupo de electrodos). Para los análisis de electrodo único, por ejemplo, se realizaron ANOVA de medidas repetidas bidireccionales (factor 1: posición; factor 2: condición). Para análisis de electrodos agrupados, por ejemplo, se realizaron ANOVA de medidas repetidas de tres formas (por ejemplo, factor 1: posición; factor 2: electrodo; factor 3: condición). Por ejemplo, el número del sujeto se usó como un predictor categórico para ambos grupos de sujetos tanto para los análisis de efectos de congruencia como de supresión. Por ejemplo, el análisis estadístico de las comparaciones de congruencia (C3, I3 y CR3) reflejado en el efecto ERP N400 (entre 352 y 452 ms) en los electrodos Cz y Pz usando nuestro paradigma de palabras en inglés, reveló los siguientes resultados: F(2, 954) = 5.5791 y un valor P de 0.0039. Por ejemplo, la Prueba de Fisher después de ésta produjo los siguientes valores P: C3 frente a I3 = .008332 y CR3 frente a I3 = .037043. Esto demuestra que el método ejemplar se puede implementar para obtener discriminaciones estadísticamente significativas entre las diferentes condiciones de congruencia.

La FIGURA 16 muestra gráficos de datos que proporcionan resultados ejemplares a partir de un análisis estadístico de grupo que muestra patrones cerebrales de discriminación entre cambios contextuales en los estímulos auditivos (por ejemplo, usando palabras en inglés). En la Figura 16, el gráfico 1601 y el gráfico 1602 representan formas de onda cerebrales (por ejemplo, ERP) de un canal frontal y un canal parietal, respectivamente, (por ejemplo, localizaciones anatómicas anterior y posterior en el cuero cabelludo, respectivamente) en relación con cambios en el contexto semántico.

En el ejemplo mostrado en la FIGURA 16, como en el caso del Visual N400, la respuesta Auditivo N400 es de amplitud más alta cuando hay una violación semántica - en este caso una violación de contexto en el tipo de cadenas “Incongruentes”. En las implementaciones ejemplares, calculamos el ERP a la tercera palabra de las cadenas de cada conjunto y usamos la modulación de amplitud de la respuesta N400 como dato de entrada en los pasos posteriores del método ejemplar, por ejemplo, procesos de análisis, algoritmos de clasificación guiada, etc., para crear un perfil sensorial y/o cognitivo, por ejemplo, incluyendo un Perfil de Estado de Conciencia del sujeto. El área o áreas sombreadas en azul de los gráficos 1601 y 1602 indican el intervalo de tiempo para el efecto de interés.

En cada gráfico, la línea roja representa el ERP para cadenas “Incongruentes”, la línea azul representa el ERP para cadenas “Congruentes” y la línea verde representa el ERP para cadenas “Congruentes con Repetición”. Este es un ejemplo de un grupo de sujetos despiertos/conscientes, donde se puede ver que la amplitud de la respuesta de ERP a cadenas contextualmente incongruentes es mayor que para las congruentes. Como en el ejemplo anterior usando el Visual N400, la metodología descrita es pasiva (por ejemplo, los estímulos auditivos se entregan o bien mediante un altavoz o bien mediante auriculares y no se requiere que el sujeto muestre ninguna respuesta manifiesta). La aplicación de esta implementación ejemplar con el método descrito, en base a la respuesta diferencial a secuencias congruentes e incongruentes, puede evaluar el nivel de conciencia (o no conciencia) de una persona dada, que no está siendo capaz de realizar ningún tipo de respuesta de comportamiento, a la que se hace referencia en algunos ejemplos como Perfil de Estado de Conciencia.

¡.2.6. Técnicas de procesamiento y de clasificación guiada ejemplares (por ejemplo, con parámetros específicos del contexto)

Como en las implementaciones ejemplares que usan el N400 con estímulos visuales, las implementaciones ejemplares que usan N400 con estímulos auditivos incluyeron la implementación de técnicas de procesamiento para correlacionar señales cerebrales y estados cognitivos de un sujeto individual usando un marco de métodos de clasificación que usan las señales fisiológicas adquiridas (por ejemplo, señales neuronales de los registros de EEG) de un sujeto individual para proporcionar un conjunto de información, por ejemplo, que incluye información estadística, acerca del conocimiento conceptual y/o del estado de conciencia del sujeto. Estas técnicas de procesamiento ejemplares también se pueden aplicar para realizar un análisis de grupo para identificar el conocimiento conceptual, no solo en un grupo, sino también sobre una base de sujeto por sujeto, lo que puede ser beneficioso para identificar cómo un individuo categoriza la información, por ejemplo, identifica de manera explícita o explota las diferencias individuales.

En este ejemplo, se usan estímulos auditivos en lugar de estímulos visuales, por ejemplo, para ilustrar que esta metodología se puede aplicar con éxito en respuestas cerebrales obtenidas mediante diferentes modalidades sensoriales, y además para ilustrar un ejemplo donde el perfil final será un Perfil de Estado de Conciencia Individual (ISAP) en lugar de un IKEP. Como tal, en este caso ejemplar, las diferencias se explotan en cómo un sujeto integra información a partir de una secuencia de sonidos que son o bien contextualmente “Congruentes” o contextualmente “Incongruentes”. Por ejemplo, con el fin de que el cerebro produzca una modulación de su respuesta neuronal correlacionada con la congruencia de las cadenas auditivas de palabras transmitidas, el sujeto no solo debe oír cada palabra sino, además, comprender su significado, establecer una correlación contextual entre las dos primeras palabras presentadas y entonces comparar esa correlación contextual con el significado de la tercera palabra para producir una modulación de señal cerebral consistente con una cadena o bien congruente o bien incongruente. En otras palabras, no es suficiente que el sujeto oiga los sonidos, sino que necesita ser cognitivamente activo comprendiendo de manera cognitiva y correlacionando las palabras que está oyendo. Usando el método ejemplar, esto puede permitir, por inferencia a partir de esta modulación, la creación de un perfil individual que refleje una probabilidad de conciencia de la persona a prueba, por ejemplo, sin ninguna respuesta de comportamiento manifiesta de él/ella. Para estos análisis ejemplares descritos a continuación usando el paradigma de estímulos auditivos se usó el mismo conjunto de datos auditivos N400 presentado en la sección anterior.

Esto sirve como demostración específica de nuestro marco con un rendimiento notable para obtener un “Perfil de Estado de Conciencia Individual” (ISAP) de una persona pasiva (sin comportamiento). Nuestra metodología general no es específica de este enfoque; más bien, esta sección muestra que nuestro marco es capaz de discriminar tal información sobre una base de sujeto por sujeto.

Las implementaciones ejemplares de las técnicas de procesamiento y de clasificación guiada descritas que usan el paradigma de estímulos auditivos, como se describe a continuación, proporcionan ejemplos que usan los mismos conjuntos de datos que se han descrito en las secciones anteriores que ilustran un perfil sensorial-cognitivo de estado de conciencia de una persona pasiva (por ejemplo, sin comportamiento) sobre una base de sujeto por sujeto.

Por ejemplo, una descripción de las variables independientes usadas en el conjunto de datos auditivos ejemplar incluía:

• Número de sujeto s, entre 1 y 25

• Número de canal e, entre 1 y 31

• Condición c, entre 1 y 3 (1 = “I” para incongruente, 2 = “C” para congruente, 3 = “CR” para repetición congruente)

• Número de ensayo k, entre 1 y 28

• Punto de tiempo de interés t dentro del intervalo, entre 1 y T.

o Por ejemplo, permitamos que el intervalo sea [352 ms, 452 ms]. La tasa de muestreo fue de 250 Hz. Entonces, T = (0.452-0.352)*250 = 25

Como tal, y[s,e,c,k,t] es un número real que representa un voltaje de EEG. Para cualquier sujeto, fijamos que s sea una constante. Con el propósito de los análisis ejemplares en esta sección también fijamos que una ubicación de electrodo e sea una constante. Como tal, el punto de partida para un análisis adicional en esta sección es y[c,k,t], un número real que representa un voltaje de EEG.

¡.2.6.1. Clasificador supervisado con datos de entrenamiento

Como se ha tratado anteriormente, se puede usar un clasificador supervisado para explorar cómo los individuos organizan y clasifican diferentes elementos. Operando sobre individuos completamente conscientes e informados, el clasificador supervisado puede primero ser “entrenado” en el individuo, teniendo en cuenta cualquier variabilidad natural específica de él/ella, comenzando con un conjunto bien establecido de grupos de estímulos incongruentes (I) y congruentes (C) como se ha explicado anteriormente en la sección auditiva. Estos serían grupos de estímulos que se han construido cuidadosamente para asegurar que pertenezcan sin ambigüedades a las categorías I o C.

Procedimiento de implementación ejemplar del clasificador supervisado

Como en el ejemplo de estímulos visuales, para desarrollar características de interés para la clasificación, se fijan una condición “c” y un punto de tiempo “t” para calcular la media y la desviación estándar de y[c,k,t], sobre todos los ensayos “k”. Por ejemplo, se describe a continuación un método para generación del promedio sobre los ensayos para un punto de tiempo específico “t”. Por ejemplo, esto puede ser análogo a cómo se genera un gráfico potencial relacionado con un evento, excepto que no se promedia sobre los sujetos - es específico de un sujeto individual.

La FIGURA 17 muestra un gráfico tridimensional 1701 que muestra datos de EEG en un eje que representa la ventana de tiempo de 350 ms a 450 ms recopilados a través de múltiples ensayos usando estímulos auditivos, los múltiples ensayos mostrados en el eje perpendicular. La EEG para el punto de tiempo y[c,k,t] se promedia sobre todos los ensayos k para producir un voltaje promedio y[c,t] para la condición c en el punto de tiempo t dentro del intervalo de 350 ms a 450 ms.

Se implementó un cálculo análogo para determinar la desviación estándar de y[c,k,t] sobre los ensayos k, para una c y t fijas. Para dos canales individuales (FP1 (canal 1) y FP2 (canal 2)), se muestra en las FIGURAS 18A y 18B cómo las características más básicas de la media y la varianza covarían con la condición “C” en comparación con la condición “I”. Por ejemplo, cada círculo azul y verde representa una característica “promedio, estándar” para un punto de tiempo específico “c”. El azul representa la condición “C” y el verde representa la condición “I”.

La FIGURA 18A muestra un gráfico de características que muestra las medias y las desviaciones estándar de un sujeto individual (por ejemplo, el sujeto 5) del electrodo FP1 (canal 1) bajo dos condiciones de estímulo diferentes, “I” y “C”. La FIGURA 18B muestra un gráfico de características que muestra las medias y las desviaciones estándar de un sujeto individual (por ejemplo, el sujeto 5) del electrodo FP2 (canal 2) bajo dos condiciones de estímulo diferentes, “I” y “C”. Como se muestra en los gráficos de las FIGURAS 18A y 18B, las características tienen una agrupación pronunciada que puede conducir a métodos de clasificación con alta precisión. Por ejemplo, la precisión con una validación cruzada de 5 iteraciones fue del 100% para los canales FP1 y FP2.

Por ejemplo, se observa que estas características se agrupan en grupos disjuntos para las diferentes condiciones. Estas características sirvieron como entradas a un algoritmo de clasificación de máquina de vectores de soporte ejemplar implementado en un sistema informático que incluye la caja de herramientas estadísticas de MATLAB. Por ejemplo, en las implementaciones ejemplares, realizamos 1 de entre 5, de las validaciones cruzadas de cinco iteraciones. Por ejemplo, los electrodos frontales FP1 y FP2 muestran una precisión de clasificación extremadamente alta, lo que se observa que esto se logró en esta implementación ejemplar usando características simples y un núcleo de MATLAB. El método ejemplar se puede configurar para extraer esta información a nivel de sujeto individual.

Control de precisión ejemplar para el clasificador

En algunas de las figuras descritas a continuación, se muestran estadísticas de resumen ejemplares del rendimiento de la máquina de vectores de soporte, por ejemplo, a través de múltiples sujetos y canales. En cada figura, el eje x muestra diferentes canales, y el eje y atañe a los diagramas de caja para ese canal, variados a través de los diferentes sujetos. Los procedimientos de clasificación ejemplares usaron los datos neuronales ejemplares adquiridos de sujetos individuales, por ejemplo, en los que los datos analizados se representan en las estadísticas de resumen ejemplares del rendimiento, a través de múltiples sujetos y de múltiples canales. En cada figura, cada gráfico de caja representa un resumen de cinco números de los puntos de datos. Por ejemplo, la parte inferior y superior de la caja son siempre los percentiles 25 y 75 (los cuartiles inferior y superior, respectivamente); la banda cerca de la mitad de la caja es siempre el percentil 50 (la mediana); los “bigotes” representan una desviación estándar por debajo y por encima de la media de los datos; y las marcas rojas “+” representan valores atípicos. Debajo de cada gráfico de caja hay una tabla de muestras que proporciona la precisión mediana.

La FIGURA 19 muestra un gráfico y una tabla correspondiente que representa el rendimiento del clasificador supervisado para el sujeto para el paradigma de estímulo auditivo en una implementación ejemplar. Para cada canal individual (por ejemplo, una columna del gráfico), se proporciona información estadística de resumen acerca de cómo se realizó el clasificador para cada sujeto. El gráfico de caja de la FIGURA 19 muestra resultados ejemplares que representan la precisión del clasificador después de una validación cruzada de cinco iteraciones, por posición de electrodo. La tabla de la FIGURA 19 enumera la precisión mediana a través de los sujetos, cuando se usan los electrodos FP1, FP2, P7 o P8 ejemplares.

Se observa, por ejemplo, que los electrodos frontales FP1 y FP2, por ejemplo, que se pueden usar en muchas aplicaciones, demuestran una precisión de clasificación extremadamente alta. En otros ejemplos, los enfoques más sofisticados pueden proporcionar precisiones de clasificación incluso más altas, a través de una gama más grande de sujetos.

Perfil cognitivo y/o sensorial ejemplar: Perfil de Estado de Conciencia Individual (ISAP)

Después de proporcionar estímulos al sujeto, adquirir datos fisiológicos del sujeto y determinar información estadística, como se ha descrito anteriormente, el siguiente paso en la técnica ejemplar incluye crear un perfil de conocimiento individual y/o de estado de conciencia. En este ejemplo, se selecciona un ISAP. La FIGURA 20 muestra un diagrama ilustrativo que representa una implementación ejemplar de los algoritmos de clasificación guiada y sus estadísticas de resumen posteriores para proporcionar como perfil de conocimiento individualizado. Por ejemplo, la evaluación de conocimiento ejemplar y/o perfil de estado de conciencia puede proporcionar información de resumen concisa acerca de la respuesta cerebral del usuario a estímulos específicos.

En este ejemplo se calculó el perfil individual para el sujeto 5 ejemplar dentro del contexto de “evaluación del conocimiento” con un clasificador supervisado. Específicamente, por ejemplo, se identifican las características para el grupo I (círculos verdes) y para el grupo C (círculos azules), como se muestra en las FIGURAS 18A y 18B.

La FIGURA 21 muestra características para el clasificador supervisado que atañen al canal FP2 ejemplar del sujeto 5. Un hiperplano de soporte (por ejemplo, una línea negra en negrita) sirve como límite de decisión. Por ejemplo, cualquier característica a ser probada (por ejemplo, el círculo rojo en la FIGURA 21) se clasificará como azul (en este caso, C) si está en un lado del límite, y se clasificará como verde (en este caso, I) para el otro. La distancia “d” al límite puede servir como un intermediario para proporcionar confianza estadística en la clasificación. Cuanto mayor sea la distancia al límite, más segura será la clasificación.

Cuando se prueba a un sujeto, se construyen estas características. Si la característica de interés (en este caso, el círculo rojo) se encuentra en un lado del límite de decisión, declaramos “I” y, de lo contrario, declaramos “C”. Junto con una decisión difícil, también especificamos información “suave” que sugiere cómo de seguros estamos en la declaración. La distancia más corta entre el punto rojo y cualquier punto del límite de decisión puede servir como la entrada a una función que especifica el ISAP. Más específicamente, por ejemplo, podemos declarar, Probabilidad de Conciencia/Conocimiento = (2-e^-d)/2.

Por ejemplo, si la distancia al límite es 0, entonces la probabilidad de discriminación es 1/2, esto es, casualidad (por ejemplo, el sujeto no tiene un conocimiento fiable de las características de discriminación entre las dos condiciones probadas o, en otras palabras, el sujeto no puede discriminar elementos entre uno y otro). Por otro lado, por ejemplo, si la distancia al límite es muy grande, entonces la probabilidad de conocimiento tiende a 1, como se esperaba (por ejemplo, el sujeto conoce cada una de las categorías presentadas y cómo distinguirlas). Como tal, el marco de procesamiento de señal estadístico ejemplar puede proporcionar adicionalmente decisiones suaves, por ejemplo: P^sc = P(misma categoría) = 0.8, P^dc = P(categoría diferente = 0.2).

Así, para este ejemplo, usando el mismo conjunto de datos de presentación auditiva que se ha descrito anteriormente, el ISAP ejemplar se puede determinar cómo sigue. Usando el sujeto ejemplar (sujeto 5) como en la FIGURA 21, supongamos que entrenamos el clasificador con las etiquetas azul y verde, y ahora se obtienen las características para el punto rojo y nos gustaría clasificar esto como “I” o como “C”. Obsérvese que la característica para el círculo rojo es el par ordenado (por ejemplo, 1, 16.5). El punto más cercano al límite es (3, 16). Como tal, la distancia entre estos dos puntos es 2.06, y el ISAP posterior para este sujeto (por ejemplo, el sujeto 5) es (2-e^-206)/2 = 93.64%. La FIGURA 22 muestra un diagrama de estos datos cuantitativos ejemplares para el Perfil de Estado de Conciencia Individual para el sujeto ejemplar 5.

I.2.6.2. Clasificador no supervisado ejemplar con pruebas de relación de verosimilitud

En los ejemplos que usan el clasificador “no supervisado”, la técnica no usa ningún dato de entrenamiento para entrenar al clasificador. Más bien, el clasificador toma un lote de datos y entonces especifica una decisión acerca de la probabilidad de que el cerebro categorice información a partir de cadenas de palabras con diferente congruencia de la misma manera o de manera diferente.

Procedimiento de implementación ejemplar del clasificador no supervisado

El procedimiento ejemplar para el clasificador no supervisado en implementaciones ejemplares que usan estímulos auditivos presentados al sujeto se implementó de la misma manera que se ha descrito en la sección anterior para las implementaciones de estímulos visuales ejemplares.

Resultados ejemplares

Para cada uno de los paradigmas de estímulos auditivos ejemplares presentados a los sujetos, el rendimiento ejemplar de las diferentes estadísticas de prueba y los métodos de cálculo de valores p se muestran en las FIGURAS 23-25. La FIGURA 23 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis rANOVA ejemplar de I frente a C usando estímulos auditivos. La FIGURA 24 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis paramétrico NML ejemplar de I frente a C usando estímulos auditivos. La FIGURA 25 muestra un gráfico de datos y una tabla de datos correspondiente para un análisis no paramétrico NML ejemplar de I frente a C usando estímulos auditivos.

En las FIGURAS 23-25, se proporciona un gráfico de caja de los valores p del clasificador para ubicaciones de electrodos de interés específicas, por ejemplo, FP1, FP2, P7 y P8. El gráfico de caja proporciona información de la mediana (línea roja), la desviación estándar (anchura) y los valores atípicos. La línea horizontal verde en cada gráfico de datos corresponde al umbral del valor p que es 0.05. Todos los sujetos con valores p por debajo se clasifican, de este modo, correctamente y los que están por encima se clasifican incorrectamente. Junto con cada gráfico de caja, también hay una tabla sucinta de correspondencia que describe la fracción general de clasificaciones correctas (con un umbral de valor p en 0.05), sobre todos los sujetos.

En las FIGURAS 23-25, la nomenclatura es como sigue:

• “I frente a C” denota que d[t]=y[1 ,t]-y[2,t]: t=1 :T, donde y[1,t] atañe al estímulo auditivo “I” incongruente e y[2,t] atañe al estímulo auditivo “C” congruente. “NML” es sucinto para el método de máxima verosimilitud normalizada de cálculo de una estadística de prueba, sección T.A, pero donde las estadísticos de prueba

g(d), ahora se dan por g(d) = 2cs24(v), donde

• “paramétrico” representa el método paramétrico de estimación de un valor p, descrito en la sección P.A realizando la estimación Monte-Carlo del valor p, donde la entrada a la estadística de prueba se obtuvo según una distribución Normal con media y varianza estimadas a partir de las muestras.

• “no paramétrico” representa el método no paramétrico P.B para estimar un valor p.

• “rANOVA” representa una estadística de prueba y un paradigma de cálculo de valor p usando una metodología de ANOVA de medidas repetidas estándar, método P.A.I.

Estos análisis ejemplares se realizaron individualmente y entonces se promediaron para un conjunto de datos de grupo que incluía 20 sujetos. Se observa, en estas implementaciones ejemplares, que para los canales FP1 y FP2 (que son frontales y no requieren poner gel en el pelo), estos métodos de clasificación ejemplares ejemplificaron una precisión de manera uniforme en el intervalo del 70-100%. Estos resultados ejemplares sugieren que un sistema solamente con electrodos frontales puede obtener un alto rendimiento. El método describo no necesita incluir siempre adquisición de actividad frontal.

Perfil cognitivo y/o sensorial ejemplar: Perfil de Estado de Conciencia de Grupo (GSAP) y Perfil de Estado de Conciencia Individual (ISAP)

Usando este último ejemplo de una realización de clasificador no supervisada, y seleccionando el electrodo frontal FP1 para ilustrar este perfil, el producto final de la implementación ejemplar del método puede ser en forma de un Perfil de Estado de Conciencia Individual (ISAP) o en forma de un Perfil de Estado de Conciencia de Grupo (GSAP). Por ejemplo, identificamos el valor p para cualquier sujeto y realizamos un valor p del 100% usando la prueba de relación de verosimilitud no paramétrica (como en la FIGURA 25) como medida de discriminación en las categorías probadas. En el caso individual, para el sujeto ejemplar 5, el ISAP fue del 99.9%. A nivel de grupo (por ejemplo, el grupo 1), la mediana del nivel de GSAP fue del 94.1%. Estos resultados ejemplares se muestran en la FIGURA 26. La FIGURA 26 muestra diagramas de ejemplos de Perfil de Estado de Conciencia Individual para un sujeto individual y de Perfil de Estado de Conciencia de Grupo para un sujeto basado en grupo.

II. P300

El P300 es una respuesta endógena del cerebro caracterizada por una respuesta eléctrica positiva entre 300 y 800 ms, con una distribución del cuero cabelludo máxima en la zona central-parietal. El P300 está correlacionado inversamente con la probabilidad subjetiva de aparición de un elemento. Por ejemplo, el P300 se ha usado en tareas de detección de objetivos visuales, donde el objetivo obtiene P300 de amplitud más alta que los demás elementos. En las implementaciones ejemplares descritas en la presente memoria usando el P300, se creó una señal visual arbitraria (por ejemplo, un círculo verde), y se instruyó a los sujetos a prueba para asociarla con una noción de “recompensa”. Posteriormente se analizaron las respuestas cerebrales a este estímulo de “recompensa”. Las ilustraciones ejemplares de los métodos descritos que usan P300 ilustran la amplia aplicabilidad de los métodos a través de diversas técnicas de registro de EEG. Por ejemplo, el método se aplica para evaluar los perfiles cognitivos y/o sensoriales usando datos cerebrales (por ejemplo, señales de EEG) registrados usando un sistema de EEG de electrodos rígidos tradicionales, así como con datos de EEG adquiridos usando sensores electrónicos epidérmicos (EES) flexibles y que se llevan puestos.

En un ejemplo de un dispositivo de EES, el dispositivo incluye islas de silicio ultrafinas interconectadas por cables en forma de serpentina que descansan todos sobre un polímero flexible biológicamente inerte. El EES puede detectar una variedad de modalidades de señal, por ejemplo, que incluyen, pero no se limitan a, temperatura, esfuerzo, óptica y electrofisiología (por ejemplo, señales de EEG, de electrocardiograma (ECG) y de electromiograma (EMG)) y, en algunas implementaciones, procesar las señales detectadas usando una unidad de procesamiento configurada en el dispositivo. En algunos ejemplos, la unidad de procesamiento se puede configurar con transistores, condensadores, resistores, inductores y otros elementos de circuito, etc. En algunas implementaciones, por ejemplo, la unidad de procesamiento del dispositivo de EES puede incluir un procesador y una unidad de memoria. El dispositivo de EES se puede configurar para que tenga un grosor no más grueso que un pelo humano. El dispositivo de EES se puede estructurar para incluir un sustrato flexible y elástico que se empareja mecánicamente con la piel, en el que los componentes del sensor y los componentes de la unidad de procesamiento se pueden configurar sobre o dentro del sustrato. En algunas implementaciones, el dispositivo de EES puede incluir una unidad transmisora para transmitir la información de actividad medida/detectada, por ejemplo, incluyendo la actividad fisiológica producida por el corazón, los músculos esqueléticos (por ejemplo, tal como la actividad de los músculos de la garganta durante el habla o el parpadeo de los ojos) y el cerebro, por ejemplo, detectando, por ejemplo, ritmos alfa producidos cuando los sujetos tienen los ojos cerrados.

II.1. P300 con un paradigma de estímulos visuales y/o auditivos

II.1.1. Estímulos ejemplares

En una implementación de ejemplo, se examinaron las respuestas cerebrales usando el marcador cerebral P300 en respuesta a imágenes coloreadas en una tarea de detección de objetivos a través de múltiples técnicas de electroencefalografía (EEG). Por ejemplo, se implementaron dos técnicas de registro cerebral: un sistema de EEG de electrodos rígidos tradicionales (por ejemplo, el sistema Brain Products, como se ha descrito en la sección anterior) y un dispositivo de EES. Además, también se examinaron las respuestas neuronales a un sentimiento/noción de “recompensa”. Ambos ERP (P300 y de “recompensa”) se obtuvieron cada uno mediante un estímulo visual correlacionado. Por ejemplo, los estímulos estaban compuestos por múltiples categorías de imágenes, por ejemplo, que incluían animales; coches; caras; flores; casas; objetos aleatorios; motocicletas; aviones y edificios. El grupo de estímulos ejemplar se obtuvo a partir de diversos recursos. Después de obtener el grupo de estímulos, se controló la luminancia relativa de cada ejemplar usando un método implementado por ordenador (por ejemplo, programado con una secuencia de comandos de MATLAB). Por ejemplo, el método implementado por ordenador se implementó para cargar primero una imagen en color y calcular su luminancia relativa usando la siguiente fórmula ejemplar, donde Y, R, G y B representan la luminancia relativa, los valores del cañón rojo, los valores del cañón verde y los valores del cañón azul, respectivamente:

Y ~ .2126/? ~r ,71.520 -6 ,0722B (1)

Por ejemplo, la luminancia relativa deseada se estableció que fuera un valor igual a 120. Después de que la secuencia de comandos midiera la luminancia relativa inicial de cada imagen, o bien añadió o bien restó valores RGB a cada píxel dentro de la imagen con el fin de lograr una luminancia relativa media de 120. Entonces las imágenes se guardaron con una calidad del 100%.

Después de controlar la luminancia, se usó otro proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) para colocar un punto de fijación colocado centralmente en cada ejemplo de estímulo. Por ejemplo, esto ayudó al sujeto a mantener la fijación y minimizar cualquier sacudida ocular frecuente. Este proceso ejemplar midió primero las dimensiones de una imagen cargada. Usó estas mediciones para calcular el centro de la imagen y posteriormente crear un punto de fijación usando la ecuación estándar de un círculo. Los píxeles dentro de un radio de siete píxeles de longitud alrededor del centro se alteraron cambiando el cañón rojo de los píxeles a 255, el cañón verde a 0 y el cañón azul a 0.

Por último, se crearon los estímulos visuales para el punto de fijación y para una señal visual arbitraria de “recompensa”. Por ejemplo, para el punto de fijación se usó un proceso implementado por ordenador (por ejemplo, programado usando una secuencia de comandos de MATLAB) para crear una imagen de fondo gris (por ejemplo, cañón rojo igual a 150; cañón verde igual a 150; cañón azul igual a 150) con una altura y una anchura de 350 píxeles. Entonces, la secuencia de comandos ejemplar ejecutó un bucle para anidado usando la ecuación estándar de un círculo para alterar los píxeles dentro de un radio de siete píxeles de longitud a rojo, por ejemplo, cambiando el cañón rojo de la imagen a 255, el cañón verde a 0 y el cañón azul a 0. Para la “recompensa”, se usó software de formación de imágenes para crear un círculo verde (por ejemplo, cañón rojo igual a 0; cañón verde igual a 255; cañón azul igual a 0) sobre un fondo gris (por ejemplo, cañón rojo igual a 150; cañón verde igual a 150; cañón azul igual a 150) de 350x350 píxeles.

II.1.2. Preparación del sujeto para el registro de EEG

Para preparar los sujetos ejemplares para el registro de EEG, cada sujeto se sentó en una silla en una cámara de registro para comenzar un proceso de coronación de EEG. Cada sujeto se sometió a cada una de las dos técnicas de registro de EEG (por ejemplo, la modalidad de electrodos rígidos (Brain Products) y la modalidad de electrónica portátil, portátil y que se lleva puesta (por ejemplo, dispositivo de EES ejemplar)).

Para las implementaciones ejemplares que usan la modalidad de electrodo rígido, este proceso implicó colocar un gorro de EEG tradicional en la cabeza del sujeto y asegurarlo con una correa elástica a la barbilla. En algunos ejemplos, se usó un gorro o bien de 56 cm o bien de 58 cm de diámetro, en base al tamaño estimado de la cabeza del sujeto. A continuación, se inyectó gel de electrodo Signa (por ejemplo, de Parker Laboratories) usando una jeringa de plástico curvada debajo de cada uno de los electrodos del gorro para crear un puente conductor entre el electrodo en sí mismo y el cuero cabelludo del sujeto. También, por ejemplo, se usaron bastoncillos de madera para masajear el gel con el fin de crear una conductancia más fuerte reduciendo la impedancia. Por ejemplo, el uso de esta técnica redujo los niveles de impedancia a < 5 kü para cada electrodo, por ejemplo, incluyendo la puesta a tierra y la referencia.

Para las implementaciones ejemplares que usan el dispositivo de EES ejemplar, primero se limpió la frente del sujeto usando un algodón con alcohol y una gasa estéril. Después de permitir que el alcohol se secara, se colocó un dispositivo de EES ejemplar sobre la frente del sujeto, con los cables de ACF del EES dirigidos hacia el lado derecho del sujeto. Se dio instrucciones al sujeto para inclinar la cabeza hacia atrás a medida que el dispositivo de EES ejemplar se mojó con agua del grifo, por ejemplo, usando una jeringa de plástico curvada. Al mismo tiempo, el sujeto usó una toalla de papel para cubrirse los ojos del agua. Por ejemplo, se puede usar un dedo húmedo para frotar suavemente la unidad de EES hasta que se adhiera y se enrase con la frente. Posteriormente, en estos ejemplos, se usó un vendaje líquido Nexcare No Sting para unir más firmemente el EES a la frente. Mientras se permitió que el vendaje líquido se secase, los cables DIN del EES se pegaron a la cabeza del sujeto con cinta adhesiva. Por ejemplo, esto evitó que los cables cayeran dentro del campo de visión del sujeto y también evitó que los cables tiraran del EES en sí mismo. También, por ejemplo, se tomaron medidas adicionales para evitar tirar sujetando los cables DIN al cuello de la camisa del sujeto.

Antes de comenzar la implementación ejemplar usando registros de EEG, se les dio a los sujetos un documento con instrucciones para leer. Por ejemplo, este documento describía la organización general del paradigma experimental y lo que verían, esto es, objetivos, distractores, un punto de fijación y un cuadrado azul. También se explicaba que, en cada bloque de presentación, el objetivo cambiaría. Por ejemplo, en el bloque 1, la tarea era contar cuántas veces veían una imagen con una o más caras humanas. En el bloque 2, la tarea era contar cuántas veces veían una imagen con uno o más coches. En el bloque 3, la tarea era contar cuántas veces veían una imagen con uno o más animales. Se dieron instrucciones a los sujetos para que consideraran todas las demás fotografías como distractores y no las contaran. Después de cada bloque de presentación, se pidió a los sujetos que informaran cuántos objetivos vieron. Por ejemplo, el cuadrado azul indicaba recompensa. Los sujetos en cuestión se sentaron delante del monitor de presentación y se les pidió que solo mantuvieran la fijación visual en un punto de fijación central rojo a lo largo de la duración del experimento y que restringieran sus movimientos motores tanto como fuera posible para evitar los artefactos de movimiento en los datos neurofisiológicos. Posteriormente, se atenuaron entonces las luces de la sala de registro y comenzaron el proceso de estimulación y los registros de EEG.

II.1.3. Proceso de presentación de estímulos ejemplar

El paradigma de presentación de estímulos ejemplar que se usó en este proceso de presentación de estímulos de ejemplo se programó usando Cogent 2000, e incluyó la presentación de estímulos visuales en serie con breves duraciones de presentación. Por ejemplo, el grupo de estímulos, que no incluían el punto de fijación y el círculo verde, se dividió en dos grupos, uno para cada una de las dos técnicas de registro. Cada técnica incluía 900 estímulos para un total de 1800 estímulos a través de las técnicas de registro. Por ejemplo, dentro de una técnica, los 900 estímulos, incluyendo los objetivos y los distractores, cada uno presentado durante 100 ms, se dividieron en tres bloques de presentación. La presentación del estímulo cuadrado azul duró 1000 ms y se mostró 30 veces dentro de cada bloque de presentación. El punto de fijación fue visible durante cada ensayo de objetivo, ensayo de distractor e intervalo entre estímulos (ISI).

Por ejemplo, en el bloque 1, los objetivos eran caras humanas. En el bloque 2, los objetivos eran coches. En el bloque 3, los objetivos eran animales. Además de aleatorizar el orden de las técnicas de registro, también aleatorizamos el orden de los bloques de presentación dentro de cada técnica. Los bloques de presentación nunca se repitieron consecutivamente (por ejemplo, bloque 1, bloque 2, bloque 3, bloque 3, bloque 2, bloque 1, bloque 1, bloque 3, bloque 2) a lo largo de las técnicas. Debido a que se dieron instrucciones al sujeto para que contase cuántas veces vio un objetivo en particular, variamos el número correcto de objetivos para cada bloque. En el bloque 1 (objetivo: caras) había 56 objetivos y 244 distractores. En el bloque 2 (objetivo: coches) había 62 objetivos y 238 distractores. En el bloque 3 (objetivo: animales) había 60 objetivos y 240 distractores. Los distractores estaban compuestos por todas las categorías de objetos no objetivos. Por ejemplo, en el bloque 1 (objetivo: caras), los distractores incluían coches, animales, flores, casas, etc. El código de MATLAB comenzaba sugiriendo al experimentador que introdujera las iniciales del sujeto y que eligiera qué bloque presentar. Dependiendo del número de bloque elegido, la secuencia de comandos calculó qué categoría de objeto sería el objetivo, el número de objetivos y el número de distractores. Posteriormente, aleatorizó el orden de presentación de los estímulos usando la función de MATLAB randperm(). Ejecutó la función randperm() veinte veces para aleatorizar mejor la secuencia de presentación. Entonces creó intervalos entre estímulos (ISI) para cada ensayo usando la función randi(). Los intervalos entre estímulos oscilaron de 500 ms a 600 ms. Además de configurar la pantalla, la tarjeta de sonido y el puerto paralelo, se configuró e inicializó un archivo de registro dentro de Cogent 2000. Este archivo de registro se usó para crear un historial de cada ensayo con respecto al tipo de estímulo (objetivo, distractor y cuadrado azul). Posteriormente, los estímulos se cargaron en almacenadores temporales de memoria. Los pasos antes mencionados se ejecutaron antes de la presentación de estímulos con el fin de reducir la carga computacional y para aumentar la precisión de la latencia. La presentación de estímulos incluía el uso de un bucle para que iteraba el orden de presentación predeterminado. Por ejemplo, en base al valor del estímulo actual en el orden de presentación, el proceso implementado por ordenador calculó el tipo de estímulo y envió la información apropiada con respecto al tipo de estímulo al archivo de registro y al puerto paralelo, cuyo desencadenador se envió al ordenador de registro de EEG. Entonces, el programa presentó el ISI. Al final de cada presentación, el puerto paralelo se restableció a cero para prepararse para el siguiente ensayo.

La FIGURA 27 muestra un diagrama de una secuencia ejemplar de estímulos visuales presentados. Este diagrama representa imágenes de ejemplares específicos presentados y el orden de presentación pseudoaleatorio programado previamente. Tener la estructura de presentación de estímulos adecuada para cada solución es una parte intrínseca e importante del método ejemplar. En este ejemplo, el aspecto relevante es la distinción entre las imágenes que representan “Objetivos” predeterminados frente a todas las demás imágenes (etiquetadas como “Distractores”) y frente al cuadro azul asociado previamente con una indicación de “Recompensa”. La estructura de estímulos adecuada con el contenido específico de imágenes de interés como objetivos insertados en una secuencia de otras imágenes y el análisis posterior especializado descrito son importantes en el método ejemplar de cómo usar marcadores cerebrales relevantes, por ejemplo, en este caso ejemplar, el P300 y la “recompensa” obtuvieron ERP para evaluar y determinar el conocimiento individual, los niveles de atención y las preferencias a elementos específicos, creando un Perfil de Conocimiento/Preferencia Individual.

Por ejemplo, en algunas aplicaciones, este perfil se evalúa entonces mediante un algoritmo de emparejamiento posterior para guiar y/o ajustar la interfaz cerebro-máquina controlando un cambio adaptativo de la estimulación posterior. Esto se puede usar, por ejemplo, en aplicaciones de aprendizaje asistido o en aplicaciones de cribado de preferencias, por ejemplo, donde después de determinar el conocimiento de una persona o el perfil de preferencia, la interfaz cerebro-máquina puede ajustar la siguiente estimulación reforzando el tipo de información donde el estudiante mostró un aprendizaje deficiente en el primer caso, o ajustando los siguientes elementos presentados a un conjunto personal de preferencias en el segundo.

II.1.4. Registros de ondas cerebrales (EEG) ejemplares

En algunas implementaciones, se usó un sistema de EEG tradicional con electrodos rígidos para adquirir ondas cerebrales. El sistema de EEG ejemplar incluía un sistema BrainAmp DC de 32 canales; una grabadora BrainVision; un gorro de registro de EEG Fast n Easy de 32 canales de 56 cm de tamaño; un gorro de registro de EEG Fast n Easy de 32 canales de 58 cm de tamaño; un cable plano PCB para BrainCap-MR con resistencias de 5k y un BrainCap MR Box 1.2. Los cables de los sensores EES ejemplares se conectaron a este mismo sistema de EEG.

II.1.5. Técnicas de análisis de procesamiento previo ejemplares

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos que usan un paradigma de estímulos visuales pueden incluir técnicas para procesar los datos de los marcadores. Por ejemplo, después de cada sesión de registro, el sistema de registros de EEG ejemplar produjo tres archivos: un archivo de datos (.eeg), un archivo de cabecera (.vhdr) y un archivo de marcador (.vmrk). Los archivos de marcador contenían los desencadenadores de eventos para cada comienzo de estímulo. En este ejemplo, debido a las limitaciones de salida dentro del puerto paralelo, el archivo de registro Cogent 2000 se usó para contener más información legible con respecto al tipo de estímulo ejemplar (por ejemplo, el objetivo, el distractor o el círculo verde). A partir de allí, un proceso (por ejemplo, programado usando una secuencia de comandos de MATLAB) para reemplazar los desencadenadores de eventos en el archivo de marcador (.vmrk) con los códigos de evento del archivo de registro en un reemplazo uno a uno. Por ejemplo, el primer marcador en el archivo .vmrk fue reemplazado por el primer marcador en el archivo de registro; el segundo marcador en el archivo .vmrk fue reemplazado por el segundo marcador en el archivo de registro, etc.

Las técnicas de procesamiento previo de análisis ejemplares de los métodos descritos incluyen técnicas para el análisis estadístico individual general. En las implementaciones ejemplares descritas en la presente memoria, se usó una combinación de software MATLAB y Statsoft Statistica (versión 8.0) para los análisis estadísticos. Después del procesamiento y análisis de datos, el BrainVision Analizer del sistema de registro de EEG ejemplar exportó archivos de texto que contenían valores de datos con respecto a la condición, al sujeto, al ensayo, al canal de electrodo y a la amplitud de voltaje medio. Por ejemplo, para la técnica del gorro de EEG de 32 electrodos se extrajo la amplitud de voltaje medio para un electrodo frontal (FP2) para los siguientes intervalos de tiempo de interés: Objetivos y Distractores - 352 ms a 452 ms después del comienzo del estímulo; Estímulos de recompensa - 452 ms a 552 ms después del comienzo del estímulo. Para los electrodos frontales de la técnica de EES se usaron los mismos parámetros. Estos datos fueron escritos en archivos de texto por el BrainVision Analizer del sistema de registro de EEG ejemplar y posteriormente fueron cargados en un programa implementado por ordenador (por ejemplo, un programa MATLAB) para clasificar y organizar los datos en un formato más accesible. Específicamente, por ejemplo, el programa implementado por ordenador ejemplar permite seleccionar más fácilmente los datos por columna, por ejemplo, usando el editor de variables de MATLAB. Después de la selección, los datos se copiaron y pegaron en hojas de cálculo de datos de Statistica.

Por ejemplo, se realizaron ANOVA de medidas repetidas unidireccionales (factor 1: condición) en cada hoja de cálculo de Statistica para la comparación entre distractores y objetivos para cada una de las técnicas de registro de EEG. Por ejemplo, cada hoja de cálculo era específica para lo siguiente: (1) técnicas de EEG: gorro de EEG de electrodos rígidos o electrodos de EES; (2) comparación: distractores frente a objetivos. Para la condición de recompensa, se realizó una prueba T que compara los valores de amplitud media extraídos de la recompensa frente a cero. Por ejemplo, cada hoja de cálculo era específica para lo siguiente: (1) técnicas de EEG: gorro de EEG de electrodos rígidos o electrodos de EES; (2) comparación: distractores frente a objetivos. Para la comparación entre distractores y objetivos usando el electrodo Fp2 del gorro de EEG de Brain Products, se encontró un efecto significativo: con F(1, 140) = 12.184 y un valor p de 0.00064. Para la comparación entre distractores y objetivos usando el electrodo de registro de EES, se encontró un efecto significativo: con F(1, 148) = 17.307 y un valor p de 0.00005. Para la comparación entre la recompensa y una constante cero del electrodo Fp2 del gorro de EEG de Brain Products, se encontró un efecto significativo: con una media de 218.180138571428, una desviación estándar de 895.427245848706, un tamaño de muestra N de 89, un error estándar de 34.6498548937238, un valor T de -3.13915892165244, grados de libertad de 88 y un valor p de 0.00230642892515112. Para la comparación entre la recompensa y una constante cero del electrodo de registro de EES, se encontró un efecto significativo: con una media de 218.180138571428, una desviación estándar de 895.427245848706, un tamaño de muestra de N de 70, un error estándar de 107.024026181588, un valor T de 2.03860895871402, grados de libertad de 69 y un valor p de 0.0453228914525858.

I . 1.6. Implementaciones ejemplares entre diferentes tecnologías de detección de EEG

Como se describe en la sección II.1.2 Preparación del sujeto para registro de EEG, para demostrar tanto la viabilidad como la precisión mantenida del método ejemplar a través de las tecnologías de registro de EEG, se implementó el mismo paradigma usando un gorro de EEG completo tradicional con electrodos rígidos y un sistema de sensor de EEG portátil que se puede llevar puesto ejemplar, por ejemplo, el sistema electrónico epidérmico de electrodos electrónicos flexibles.

II.1.6.1. Sistema de EEG de electrodos rígidos

Las FIGURAS 28A y 28B muestran imágenes y gráficos de datos de resultados ejemplares de la implementación de los procesos de adquisición y procesamiento de datos del método ejemplar usando un sistema de EEG de electrodo rígido ejemplar, con análisis estadístico individual (por ejemplo, un único sujeto) que muestra patrones cerebrales de discriminación entre imágenes de “Objetivo” y de “Distractor” y asociados con una noción de “Recompensa”. La FIGURA 28A muestra una imagen que representa al sujeto individual que lleva puesto el gorro de sensor de EEG de electrodo rígido 2800 del sistema de EEG. La FIGURA 28B muestra un gráfico 2801 que muestra las respuestas de ERP ejemplares a “Objetivos” (línea roja) frente a “Distractores” (línea negra) y un gráfico 2802 que muestra la respuesta de ERP a la imagen cuadrada azul asociada con “Recompensa” (línea azul), en los que los datos ejemplares mostrados en los gráficos 2801 y 2802 se determinaron a partir del procesamiento realizado usando el software de análisis de EEG disponible (por ejemplo, BrainVision Analyzer2). La FIGURA 28B muestra un gráfico 2811 que muestra las respuestas de ERP ejemplares a “Objetivos” (línea roja) frente a “Distractores” (línea negra) y un gráfico 2812 que muestra la respuesta de ERP a la imagen cuadrada azul asociada con “Recompensa” (línea azul), en los que los datos ejemplares mostrados en los gráficos 2811 y 2812 se determinaron a partir de los mismos análisis de procesamiento usando código diseñado a medida desarrollado por nosotros.

Particularmente, como se representa en la FIGURA 28B, aplicando al menos una parte del método ejemplar que incluye al menos parte de los procesos de análisis, los datos cerebrales se pueden adquirir usando el gorro de EEG de electrodos rígidos y procesar de manera que refleje (de una manera estadísticamente significativa) las respuestas individuales a las imágenes discriminatorias de interés de otras imágenes y señales visuales asociadas con “recompensa”. Posteriormente, los procesos restantes del método ejemplar que se pueden aplicar (por ejemplo, los algoritmos de clasificación guiada, etc.) se pueden implementar para producir un Perfil de Evaluación de Conocimiento Individualizado. También, por ejemplo, como se muestra en la FIGURA 28B, usando nuestro código diseñado a medida ejemplar, se puede realizar el mismo análisis de cálculo de ERP, que obtuvo una precisión de rendimiento comparable (por ejemplo, valores p comparables) que cuando se usa el sistema de EEG de electrodos rígidos (por ejemplo, Objetivos frente a Distractores: software comercial (p = 0.00064) y nuestro código de análisis diseñado a medida ejemplar (p = 0.0000); Recompensa: software comercial (p = 0.0023) y nuestro código de análisis (p = 0.0144)).

II.1.6.2. Sistema de EEG de sensores electrónicos epidérmicos

Las FIGURAS 29A y 29B muestran imágenes y gráficos de datos de resultados ejemplares de la implementación de los procesos de adquisición y de procesamiento de datos del método ejemplar usando un sistema de EEG de dispositivo sensor electrónico epidérmico flexible ejemplar, con análisis estadístico individual (por ejemplo, un único sujeto) que muestra patrones cerebrales de discriminación entre las imágenes de “Objetivo” y de “Distractor” y asociados con una noción de “Recompensa”. La FIGURA 29A muestra una imagen que representa al sujeto individual que lleva puesto el dispositivo de EES 2900 ejemplar del sistema de EEG. La FIGURA 29B muestra un gráfico 2901 que representa las respuestas de ERP ejemplares a “Objetivos” (línea roja) frente a “Distractores” (línea negra) y un gráfico 2902 que muestra la respuesta de ERP a la imagen cuadrada azul asociada con “Recompensa” (línea azul), en los que los datos ejemplares mostrados en los gráficos 2901 y 2902 se determinaron a partir del procesamiento realizado usando el software de análisis de EEG disponible (por ejemplo, BrainVision Analyzer2). La FIGURA 29B muestra un gráfico 2911 que muestra las respuestas de ERP ejemplares a “Objetivos” (línea roja) frente a “Distractores” (línea negra) y un gráfico 2912 que muestra la respuesta de ERP a la imagen cuadrada azul asociada con “Recompensa” (línea azul), en los que los datos ejemplares mostrados en los gráficos 2911 y 2912 se determinaron a partir de los mismos análisis de procesamiento usando código diseñado a medida desarrollado por nosotros.

Particularmente, como se representa en la FIGURA 29B, aplicando al menos una parte del método ejemplar que incluye al menos parte de los procesos de análisis, los datos cerebrales se pueden adquirir usando el dispositivo de EES que lleva puesto el usuario y procesar de manera que refleje (de manera estadísticamente significativa) las respuestas individuales a las imágenes de discriminación de interés de otras imágenes y señales visuales asociadas con “recompensa”. Posteriormente, los procesos restantes del método ejemplar que se pueden aplicar (por ejemplo, los algoritmos de clasificación guiada, etc.) se pueden implementar para producir un Perfil de Evaluación de Conocimiento Individualizado. También, por ejemplo, como se muestra en la FIGURA 29B, usando nuestro código diseñado a medida ejemplar, se puede realizar el mismo análisis de cálculo de ERP, que obtuvo una precisión de rendimiento comparable (por ejemplo, valores p comparables) que cuando se usó el sistema de EEG electrónico flexible que se puede llevar puesto (por ejemplo, Objetivos frente a Distractores: software comercial (p = 0.0000) y nuestro código de análisis diseñado a medida ejemplar (p = 0.0000); Recompensa: software comercial (p = 0.0453) y nuestro código de análisis (p = 0.0002)).

II.1.6.3. Técnicas de procesamiento y clasificación guiada ejemplares (por ejemplo, con parámetros específicos de contexto)

En esta sección, se describe la capacidad de desarrollar clasificadores para el conocimiento individual y la evaluación de recompensas. Por ejemplo, en las implementaciones ejemplares, a cada sujeto se le proporcionó un gorro de EEG completo (por ejemplo, para el sistema de EEG de electrodos rígidos) así como un dispositivo sensor de EEG montado en la frente que se puede llevar puesto, como se ha tratado anteriormente. Los valores P ejemplares reportados en la sección anterior fueron de un individuo y, de este modo, directamente aplicables en este contexto. Como tal, se pueden proporcionar los estímulos de recompensa y distractores, y se puede calcular un valor P usando una prueba t sobre la diferencia entre las formas de onda del objetivo y del distractor, por ejemplo, como se reporta desde el electrodo FP1 usando un sistema electrónico rígido o epidérmico. Por ejemplo, en tales casos, el valor P del 100% se puede usar como medida para el perfil de evaluación de conocimiento individual (IKEP). Por ejemplo, métodos análogos son directamente aplicables para la evaluación de la recompensa.

Como tal, usando los valores p de la sección anterior, se determinaron los resultados ejemplares en los siguientes perfiles de evaluación de conocimiento individualizados, como se muestra en los diagramas de las FIGURAS 30-33. La FIGURA 30 muestra un diagrama que representa el nivel cuantitativo de IKEP ejemplar para la discriminación de objetivos y distractores de un sujeto ejemplar (por ejemplo, el sujeto 1) usando el sistema de EEG de electrodos rígidos, electrodo FP1, para el ERP P300, que se determinó que era 99.9999%; Alto. La FIGURA 31 muestra un diagrama que representa el nivel cuantitativo de IKEP ejemplar para la discriminación de objetivos y distractores de un sujeto ejemplar (por ejemplo, el sujeto 1) usando el sistema de EEG de dispositivo sensor electrónico epidérmico para el ERP P300 frontal, que se determinó que era 99.9999%; Alto. La FIGURA 32 muestra un diagrama que representa el nivel cuantitativo de IKEP ejemplar para la recompensa de un sujeto ejemplar (por ejemplo, el sujeto 1) usando el sistema de EEG de electrodos rígidos, electrodo FP1, que se determinó que era 98.56%; Alto. La FIGURA 33 muestra un diagrama que representa el nivel cuantitativo de IKEP ejemplar para la recompensa de un sujeto ejemplar (por ejemplo, el sujeto 1) usando el sistema de EEG de dispositivo sensor electrónico epidérmico, que se determinó que era 99.98%; Alto.

Interfaz cerebro-máquina

Como se ha mostrado previamente en la FIGURA 1A, el sistema 100 incluye un módulo de interfaz cerebro-máquina 160, que puede accionar una interacción entre un usuario y una máquina. En un ejemplo, el módulo de interfaz cerebro-máquina 160 puede proporcionar una entrega de realimentación de un nuevo estímulo o de múltiples estímulos al módulo de presentación de estímulos 110 en base al perfil cognitivo y/o sensorial de un sujeto individual o de un sujeto de grupo (por ejemplo, IKEP, ISAP, GKEP, GSAP) que se ha generado a partir del módulo de generación de perfil 150, por ejemplo, a partir de una implementación en curso del sistema 100 o de un perfil generado previamente por el sistema 100.

En esta sección, se describe un marco ejemplar que es generalmente aplicable a un diseño experimental secuencial, que es una forma secuencial de sondear a un usuario para extraer significado acerca de su estado cognitivo. En un ejemplo ilustrativo, por ejemplo, supongamos que un usuario tiene un punto específico en un mapa en el que está interesado sobre el que hacer zum. La implementación de los métodos y sistemas de diseño experimental secuencial se puede usar para dividir el mapa en una pluralidad de mapas secundarios (por ejemplo, 4 cuadrantes), de manera que un experimento se diseñe de modo que una respuesta neuronal y/o de comportamiento se correlacionará estadísticamente con el mapa secundario (por ejemplo, el cuadrante) que contiene el punto de interés. El sistema actualiza su conocimiento sobre el punto de interés y optimiza la visualización posterior del mapa y/o los cuadrantes. El sistema se puede diseñar para minimizar el número de experimentos (por ejemplo, sondear estímulos) hasta que se haya extraído el punto de interés (con alta fidelidad).

Por ejemplo, en tales escenarios, se puede dirigir un experimento para adivinar cuál de una clase de hipótesis ha ocurrido. Después de que la evidencia se haya recopilado, se dirigirá un experimento posterior. Para reducir rápidamente la incertidumbre acerca de qué hipótesis ha ocurrido, el diseño del segundo experimento típicamente debería depender del resultado (por ejemplo, la información adquirida) del primero.

Dentro del contexto del marco ejemplar de la tecnología descrita, el resultado del experimento anterior atañe al perfil de evaluación de conocimiento individualizado o al perfil del estado de conciencia junto con la información de comportamiento que se ha construido. Es importante para esos perfiles, por ejemplo, que codifican un conjunto de creencias estadísticas acerca de la probabilidad de ciertas hipótesis en comparación con otras. Se describe un marco para guiar la presentación del estímulo posterior de modo que el sistema extraiga información acerca del usuario/sujeto de una manera tan eficiente como sea posible.

La FIGURA 34A muestra un diagrama de bloques de un modelo ejemplar para usar una interfaz cerebro máquina en los métodos descritos para refinar los perfiles cognitivos y/o sensoriales. Como se muestra en el diagrama de bloques, el índice “i” atañe al índice de una implementación actual que se está dirigiendo. El índice “i” y la flecha de realimentación (de derecha a izquierda) denotan la naturaleza secuencial del marco, y cómo los experimentos previos y la información estadística acerca del cerebro afectan lo que serán los estímulos sensoriales posteriores. “W” representa el estado de información del cerebro (por ejemplo, cómo un sujeto categoriza la información). “Xⁱ” representa el estado cerebral contextual (por ejemplo, la memoria desencadenada, la violación de categorización o el plan de comportamiento, etc.) que depende de W y del estímulo sensorial Vⁱ actual. Un módulo de procesamiento 3420 (por ejemplo, un ordenador) actualiza su información estadística, dada en términos de una distribución de probabilidad n ⁱ que mantiene y actualiza. Por ejemplo, después de que se recopilen datos fisiológicos y/o de comportamiento, se genera un perfil de conocimiento/conciencia, por ejemplo, mediante el módulo de procesamiento de datos 3420, dado por n ⁱ. El perfil de conocimiento/conciencia (n ⁱ) incluye información estadística que se da a un motor de toma de decisiones 3410 que realiza cálculos e identifica los siguientes estímulos posteriores que forman la base del experimento posterior. Como se muestra en el diagrama, el estímulo (dado por Vⁱ) que se proporciona al sujeto puede interactuar con el conocimiento/conciencia del sujeto (dado por W) para producir una respuesta cerebral posterior (dada por Xⁱ). Es decir, se observa a través de un canal ruidoso mediante un módulo de procesamiento de datos 3420 que mide y/o analiza señales neuronales y/o de comportamiento (dadas por Yⁱ). La interfaz cerebro-máquina se puede implementar para especificar el estímulo sensorial posterior Vⁱ de modo que la información acerca de W se extraiga de una manera tan eficiente como sea posible.

Como tal, el diseño experimental secuencial ejemplar incluye procedimientos, de modo que después de n usos experimentales, se maximizan los siguientes: la información mutua (o de manera equivalente, se minimiza la incertidumbre), I(W;Yⁿ), entre conocimiento/conciencia (dado por W), y las señales neuronales y/o de comportamiento adquiridas (dadas por Y¹... Yⁿ):

- l ( W ; Y n) < C. (2 )

n

La cantidad de información que se puede extraer por experimento está limitada por la capacidad de canal del canal ruidoso entre el estado cerebral contextual X y los registros neuronales y/o de comportamiento Y. Como tal, la información mutua normalizada está limitada como anteriormente. Se proporciona en la presente memoria un paradigma de estímulo sensorial secuencial para adaptar el diseño experimental posterior para forzar que la desigualdad anterior sea una igualdad. Por ejemplo, las condiciones suficientes para esto son “dar al decodificador lo que falta”, lo que significa que el estado cerebral contextual posterior Xⁱ debería ser estadísticamente independiente de todos los registros neuronales anteriores Y¹ ... Y^i-1. El objetivo central de muchos paradigmas de diseño experimental secuencial es diseñar de manera adaptativa paradigmas de estímulos de modo que la desigualdad antes mencionada sea de hecho una igualdad. A lo largo del resto de esta sección, cualquier metodología que dé como resultado la igualdad anterior se denomina “óptima”.

La tecnología descrita incluye métodos para diseñar de manera adaptativa paradigmas de estímulos que extraigan información de manera óptima. Por ejemplo, proporcionamos un algoritmo eficiente explícito en una técnica que converge de manera comprobable a la solución óptima, cuando la información de interés latente está en una dimensión arbitraria. El enfoque ejemplar da lugar a una metodología secuencial que se puede implementar de manera eficiente en una variedad de implementaciones de hardware (por ejemplo, que incluye un teléfono móvil, una tableta, procesadores de ordenador de sobremesa y/o de ordenador portátil, entre otros) en tiempo real.

La FIGURA 34B muestra un diagrama de proceso de un método ejemplar para diseñar de manera adaptativa paradigmas de estímulos que extraen de manera óptima la información deseada. Por ejemplo, la implementación del método mostrado en la FIGURA 34B puede proporcionar una manera en la que el conocimiento estadístico acerca de un aspecto de la función cerebral sea estimado y/o controlado secuencialmente para lograr un objetivo deseado, en tiempo real. El método puede incluir un proceso 3450 para evaluar información estadística a priori acerca de un aspecto de la función cerebral de interés de un usuario (por ejemplo, a partir de usos previos con este usuario, tales como un estado clínico conocido de este usuario, o un conocimiento de grupo acerca de otros usuarios que comparten una similitud con este individuo, tales como otros con un déficit o patología neurológica particular) en lo que se refiere al aspecto de la función cerebral que se desea inferir y/o controlar. El método puede incluir un proceso 3451 para evaluar un modelo estadístico de cómo (1) un estímulo sensorial (o una secuencia de estímulos) de interés y (2) el aspecto deseado de la función cerebral que se ha de inferir/controlar se relacionan con una (3) observación fisiológica y/o de comportamiento registrada. El método puede incluir un proceso 3452 para optimizar el diseño y/o la presentación de un estímulo (o de una secuencia de estímulos), por ejemplo, visual, auditivo, somatosensorial, gustativo, etc., usando un método computacional que usa este conocimiento estadístico para maximizar un objetivo deseado, de modo que se maximice un objetivo a largo plazo. El método puede incluir un proceso 3453 para entregar el estímulo (o la secuencia de estímulos) al usuario. El método puede incluir un proceso 3454 para registrar una respuesta fisiológica y/o de comportamiento al estímulo presentado (o a la secuencia de estímulos) del usuario. El método puede incluir un proceso 3455 para refinar la información estadística acerca del estado de la función cerebral de interés usando el conocimiento estadístico a priori especificado en el proceso 3450 y el modelo estadístico de la relación entre el (1) estímulo sensorial de interés, el (2) aspecto interno de la función cerebral, y (3) la respuesta fisiológica y/o de comportamiento registrada. El método puede incluir un proceso 3456 para determinar cuantitativamente una transformación óptima de esta información estadística en un parámetro o señal de control de un dispositivo externo, por ejemplo, tal como en ejemplos ilustrativos como determinar y/o controlar una posición del cursor en una pantalla de ordenador, la dinámica del par de un sistema robótico, o un mapa de color de píxeles en una pantalla de ordenador. El método puede incluir un proceso 3457 para activar el dispositivo externo con este parámetro o la señal de control que se optimizó en el proceso 3456. El método puede incluir un proceso 3458 para determinar cuantitativamente una transformación óptima del estado del sistema externo en un estímulo sensorial para el usuario, de modo que se maximice un objetivo a largo plazo. Por ejemplo, un ejemplo ilustrativo puede incluir la correspondencia de la dinámica del par de un sistema robótico con los sonidos que se muestran al usuario. El método puede incluir repetir el método en el proceso 3453. En algunos ejemplos, la maximización de los objetivos a largo plazo puede incluir minimizar la suma de errores entre una trayectoria deseada en la mente de un sujeto y la trayectoria verdadera del sistema externo ejemplar (por ejemplo, el sistema robótico). En algunos ejemplos, la maximización de los objetivos a largo plazo puede incluir minimizar el número de veces que el bucle recursivo realizado en el método que se itera hasta que la información estadística acerca del estado del cerebro de interés tenga una fidelidad suficientemente alta. El método descrito se puede aplicar generalmente a través de un amplio rango de aplicaciones para optimizar y refinar el conocimiento estadístico acerca de los diversos estados del cerebro de los que aprender o efectuar.

En algunos enfoques, cuando la información latente de interés, W, se puede representar como un punto en el intervalo unitario (por ejemplo, una línea [0,1]), el procedimiento de “bisección probabilística” se puede usar para desarrollar un “acercamiento” a una velocidad que es teóricamente óptima y que maximiza la información mutua. Este marco se puede usar para interfaces cerebro-ordenador para especificar frases y trayectorias suaves.

La FIGURA 35 muestra una correspondencia ejemplar de la línea del intervalo unitario [0,1] con el conjunto de todas las secuencias de caracteres posibles. Como se muestra en el diagrama de correspondencia, por ejemplo, el conjunto de todas las frases que comienzan por “t” ocupan una cantidad significativa de espacio. La cantidad de espacio que se usa es proporcional a la probabilidad de que aparezca ese carácter. Obsérvese que la secuencia “th” se encuentra dentro del intervalo de “t”. En este sentido, por ejemplo, esto es análogo a algunos sistemas que cambian las presentaciones visuales en base a la compresión de datos y las estadísticas del idioma. Sin embargo, una diferencia clave es que esta metodología descrita aquí se actualiza secuencialmente a sí misma no solamente teniendo en cuenta las estadísticas del idioma, sino también el hecho de que las señales se están recibiendo a través de un canal ruidoso. En este caso de ejemplo, el usuario identifica dónde se encuentra el objetivo de interés W en la pantalla actual. Si está a la izquierda de la línea vertical roja, se imagina apretando la mano izquierda, de lo contrario, la derecha. El sistema adquiere señales neuronales y actualiza su creencia posterior n ⁱ. Un sistema ejemplar de la tecnología descrita toma esta información y la usa para “acercar” las cosas que son más probables, alejar las que son menos probables y garantizar que se esté acercando probabilísticamente a la frase objetivo W tan rápido como sea posible.

Se observa que en la FIGURA 35, cada carácter del alfabeto inglés atañe a un intervalo que no se superpone de la línea [0,1], dispuesto en orden creciente de la A a la Z. Además, los caracteres que son más probables tienen una anchura mayor. Dentro de cualquier carácter (por ejemplo, T), el alfabeto inglés se coloca de nuevo en orden creciente. Dentro de este intervalo, la anchura de cualquier carácter es proporcional a la probabilidad de ver ese carácter dado que la primera letra es T. Esto se especificó en base a un modelo estadístico del alfabeto inglés. En este ejemplo, el estado cerebral latente W atañe a una secuencia de caracteres que comprenden una frase, por ejemplo, “EL GATO NEGRO SALTÓ SOBRE EL PERRO PEREZOSO”. El sujeto combina su estado cerebral latente (o intenso) y compara dónde se sitúa el Vⁱ actual mostrado, en comparación con una barra roja vertical. Si se encuentra en un lado, entonces el sujeto proporciona una entrada binaria (por ejemplo, imaginando que aprieta la mano izquierda, en comparación con la derecha) y el sistema adquiere señales neuronales que son una versión “ruidosa” de esa entrada. El sistema actualiza su creencia posterior acerca de la probabilidad de todas las frases posibles dadas las señales neuronales que ha adquirido. Con esto, implementa la bisección probabilística, que simplemente vuelve a obtener todas las frases posibles iterando a través de un mapa que atañe a la función de distribución acumulativa de la distribución posterior.

La FIGURA 36 muestra una correspondencia después del cálculo de un mapa óptimo ejemplar, por ejemplo, en el que el sistema lo aplica y vuelve a obtener todas las frases posibles. En este caso, W atañe a la frase “El gato negro saltó sobre el perro perezoso”. Obsérvese que las frases que comienzan con “El ...” o “La ...” están acercadas significativamente. Como se muestra en la FIGURA 36, después de la aplicación de este mapa, las frases que comienzan con “T” se acercan y las demás se alejan. Aunque hay ruido inherente, el sistema todavía está implementando un enfoque de “tipo bisección” y, en última instancia, puede “acercar” la frase W de su elección.

En general, para algunos enfoques, por ejemplo, particularmente cuando se intenta identificar W que atañe al conocimiento o la conciencia individual, no siempre es natural insertar W en un espacio unidimensional. En realidad, muchas herramientas y bases de datos de categorización conceptual usan gráficos, por ejemplo, que tienen inherentemente dos o más dimensiones. Por ejemplo, algunos sistemas de bases de datos relacionales son sistemas bidimensionales para identificar las relaciones entre las palabras para realizar una búsqueda de manera adecuada y eficiente (por ejemplo, “campana” (en inglés, “bell”) se podría referir a Alexander Graham Bell, o una campana en la escuela primaria). La FIGURA 37 muestra un diagrama ilustrativo de un ejemplo para representar el conocimiento o conciencia individual W como un gráfico, por ejemplo, reflejando la categorización y las relaciones. Es importante considerar que W no se puede representar naturalmente como un punto en la línea [0,1]; más bien, se debe representar en un espacio de dimensiones superiores de los que tiene una naturaleza gráfica. En tales escenarios, no hay una expresión de forma cerrada para que el diseño experimental secuencial vuelva a consultar los experimentos. Por ejemplo, surge el problema de cómo uno desarrolla una correspondencia que “acerque” la variable de interés latente deseada para dimensiones mayores que 1, por ejemplo, que son de particular relevancia para los métodos descritos que implican la extracción de información de estado de conocimiento.

Los sistemas y métodos descritos pueden proporcionar un marco de solución para consultas secuenciales para “pulir” en un punto de incertidumbre consultando secuencialmente un sistema que proporciona respuestas que adquirimos ruidosamente. Por ejemplo, lo que es de particular interés es cuando W no está en la línea [0,1] (para lo cual hay una solución óptima de forma cerrada). En estos casos más generales, se pueden implementar algoritmos computacionales, por ejemplo, sin embargo, no existe en general una fórmula simple que describa la solución. Con el fin de maximizar la información mutua, es importante que la siguiente respuesta cerebral Xⁱ sea estadísticamente independiente de las señales neuronales adquiridas hasta ahora (Y¹ ... Y^i-1). Por ejemplo, no se conocen extensiones existentes para proporcionar sistemáticamente paradigmas de diseño experimentales que garanticen esto en situaciones donde W no está en una dimensión.

Una aplicación ejemplar demostrativa de este marco es como sigue. El conocimiento incierto se abstrae como un punto W que se encuentra en dos dimensiones, que atañe a una ubicación de interés (por ejemplo, el centro de Francia y la torre Eiffel). Se muestra de manera aleatoria una secuencia de imágenes secundarias del globo terráqueo. En el experimento i, si el estímulo visual contiene la torre Eiffel, entonces surge un momento “ajá” como estado cerebral, modelado como Xⁱ=1; de lo contrario, en el experimento i, Xⁱ=0. Por ejemplo, un momento “ajá” da como resultado un potencial relacionado con el evento P300 que se desencadena como un “objetivo” en la actividad neuronal Yⁱ ; de lo contrario, se ocurrirá un “distractor” en la actividad neuronal. Las estadísticas de Yⁱ que atañen a cuando Xⁱ=0 son diferentes a cuando Xⁱ=1, particularmente dentro del dominio del tiempo de 300 ms, como se demuestra por el potencial relacionado con el evento P300. El paradigma de diseño experimental ejemplar de la tecnología descrita toma la actividad neuronal de salida Y¹, ..., Y^i-1 y desarrolla una distribución de probabilidad o creencia sobre qué puntos en el mapa son objetivos y cuáles son distractores. El marco ejemplar de la tecnología descrita identifica las imágenes posteriores a mostrar, algunas de las cuales están acercadas para consultar más y otras están alejadas porque no sean objetivos probables. Esto hace esta correspondencia de manera óptima, y aún más, se pueda hacer de manera eficiente. Un ejemplo de esta idea, que atañe a imágenes secundarias y a un punto en una imagen en dos dimensiones se muestra en la FIGURA 38.

La FIGURA 38 muestra dos imágenes ejemplares 3801 y 3802 como situación de ejemplo donde el conocimiento interno W es un punto en dos dimensiones, por ejemplo, que refleja un punto en una imagen (indicado en las imágenes 3801 y 3802 donde apunta la flecha azul). En la imagen 3801, se muestran cuatro imágenes secundarias, con límites dados por las líneas rojas verticales y horizontales. Se muestra una secuencia de estas imágenes secundarias. Cuando se muestra una imagen secundaria que contiene el punto de interés, desencadena un estado cerebral interno “ajá” (Xⁱ=1), desencadenan un potencial relacionado con el evento en la EEG; de lo contrario Xⁱ=0. En la imagen 3802, el sistema ejemplar integra las señales neuronales adquiridas de la secuencia previa de imágenes y vuelve a presentar una secuencia de imágenes secundarias de modo que, en el experimento posterior, las imágenes secundarias con una probabilidad más alta de contener conocimiento individual (W) se acerquen más, y las otras se alejen. Esto se demuestra en la imagen 3802 de la FIGURA 38 donde se acerca la cabeza y se alejan otras partes de la imagen original. Este “acercamiento” es información teóricamente óptima; maximiza la información mutua I(W;Yⁱ ,..,Yⁿ) y se garantiza “acercar” probabilísticamente en el conocimiento individual (W) de la manera tan eficiente como sea posible.

Las técnicas ejemplares de la tecnología descrita se pueden implementar para realizar de manera óptima este diseño experimental secuencial, que tienen baja complejidad. Por ejemplo, el desafío de acercar el conocimiento de la manera tan eficiente como sea posible se puede resolver con las técnicas descritas de transporte óptimo. Una ecuación central acerca de la correspondencia de la creencia actual “p” a una creencia subsecuente de interés “q”, es encontrar un mapa “S” para el cual, si el conocimiento individual W tuviera una distribución p, y Z = S(W), entonces Z se obtendría según q.

Ecuación Jacobiana (3)

La ecuación (3) muestra una ecuación Jacobiana de cómo las distribuciones (por ejemplo, las descripciones de manera estadística o probabilidades) se conforman por el mapa S. En general, encontrar una solución a tal ecuación es no-convexa y desafiante (por ejemplo, NP difícil).

Como ejemplo, esto se refiere a la imagen de “acercamiento” asociando un color de píxel a cada punto posible en la imagen 3801 de la FIGURA 38. Si el punto u (por ejemplo, especificado en dos dimensiones) tenía un color de píxel c específico en la imagen 3801, entonces el punto S(u) tiene ese mismo color de píxel específico c en la imagen 3802. Esto tiene el efecto de “acercar” ciertas partes de la imagen y de alejar sobre otras. Se demuestra aquí que especificando una distribución específica p y q, la información mutua se puede maximizar (por ejemplo, acercando el punto de interés en la imagen que ocurre de la manera tan eficiente como sea posible) aplicando este procedimiento y encontrando una solución S(u) a la ecuación Jacobiana anterior. En este caso, p representa una distribución uniforme sobre los posibles valores de W, y q representa la distribución posterior después del experimento i, ^{n i} . También, por ejemplo, bajo los supuestos apropiados acerca del modelo de canal ruidoso p(ylx), encontrar una solución a la ecuación Jacobiana anterior (y de este modo una solución al problema del diseño experimental para maximizar la información mutua) es computacionalmente eficiente. Por ejemplo, si la probabilidad neuronal p(ylx) es logarítmico cóncava en x, entonces encontrar el mapa óptimo es “fácil” (es decir, un problema de optimización convexa).

El supuesto de la concavidad logarítmica es aplicable, por ejemplo, para todos los modelos de canal donde x es finito (por ejemplo, de mayor interés para las aplicaciones antes mencionadas en este documento de patente). Además, muchos modelos estadísticos de entrada continua de p(ylx), tales como Gaussiano, de Poisson, logístico y todas las familias exponenciales, también presentan esta propiedad ejemplar.

Una técnica ejemplar que atañe al problema de optimización convexa computacionalmente eficiente es como sigue:

donde X¹, X², ..., Xⁿ se obtienen como independientes e idénticamente distribuidas a partir de P^x .

Por ejemplo, usando las técnicas descritas de transporte óptimo, el problema ejemplar P4 puede producir un mapa S que satisfaga la ecuación Jacobiana, por ejemplo, implementando un método implementado por ordenador de la tecnología descrita (por ejemplo, programado en una secuencia de comandos de MATLAB, por ejemplo, usando un complemento de software de optimización convexa CVX ejemplar). El diagrama 3802 muestra un resultado de ejemplo de una implementación ejemplar de este método implementado por ordenador, por ejemplo, mostrando una simulación de “acercamiento” intenso que atañe a identificar un punto de interés a través de un canal ruidoso.

Por ejemplo, el marco descrito, como se describe en esta sección, es aplicable a un problema arbitrario en la inferencia Bayesiana. Cuando se aplican ciertas suposiciones (por ejemplo, la concavidad logarítmica - aplicable a la mayoría de los modelos estadísticos), las técnicas descritas se pueden implementar para “acercar” las características de interés de una manera computacionalmente eficiente. Las implicaciones para el diseño experimental secuencial descrito y las interfaces cerebro-máquina son bastante amplias, como se evidencia por estos ejemplos.

Las implementaciones de la materia objeto y las operaciones funcionales descritas en este documento de patente se pueden implementar en diversos sistemas, en circuitería electrónica digital o en software, microprograma o hardware de ordenador, incluyendo las estructuras descritas en esta especificación y sus equivalentes estructurales, o en combinaciones de uno o más de ellos. Las implementaciones de la materia objeto descrita en esta especificación se pueden implementar como uno o más productos de programa de ordenador, es decir, uno o más módulos de instrucciones de programa de ordenador codificados en un medio legible por ordenador tangible y no transitorio para su ejecución en, o para controlar la operación de, aparatos de procesamiento de datos. El medio legible por ordenador puede ser un dispositivo de almacenamiento legible por máquina, un sustrato de almacenamiento legible por máquina, un dispositivo de memoria, una composición de materia que efectúa una señal propagada legible por máquina, o una combinación de uno o más de ellos. El término “aparato de procesamiento de datos” abarca todos los aparatos, dispositivos y máquinas para procesar datos, incluyendo, a modo de ejemplo, un procesador programable, un ordenador o múltiples procesadores u ordenadores. El aparato puede incluir, además del hardware, código que crea un entorno de ejecución para el programa de ordenador en cuestión, por ejemplo, código que constituye el microprograma del procesador, una pila de protocolos, un sistema de gestión de bases de datos, un sistema operativo o una combinación de uno o más de ellos.

Un programa de ordenador (también conocido como programa, software, aplicación de software, secuencia de comandos o código) se puede escribir en cualquier forma de lenguaje de programación, incluyendo lenguajes compilados o interpretados, y se puede desplegar de cualquier forma, incluyendo como un programa autónomo o como un módulo, componente, subrutina u otra unidad adecuada para su uso en un entorno informático. Un programa de ordenador no corresponde necesariamente con un archivo en un sistema de archivos. Un programa se puede almacenar en una parte de un archivo que contiene otros programas o datos (por ejemplo, una o más secuencias de comandos almacenadas en un documento de lenguaje de marcado), en un único archivo dedicado al programa en cuestión, o en múltiples archivos coordinados (por ejemplo, archivos que almacenan uno o más módulos, subprogramas o partes de código). Un programa de ordenador se puede implementar para ser ejecutad en un ordenador o en múltiples ordenadores que están situados en un emplazamiento o distribuidos a través de múltiples emplazamientos e interconectados por una red de comunicación.

Los procesos y flujos lógicos descritos en esta especificación se pueden realizar por uno o más procesadores programables que ejecutan uno o más programas de ordenador para realizar funciones operando sobre datos de entrada y generando salida. Los procesos y flujos lógicos también se pueden realizar por, y un aparato también se puede implementar como, circuitería lógica de propósito especial, por ejemplo, una FPGA (agrupación de puertas programables en campo) o un ASIC (circuito integrado de aplicaciones específicas).

Los procesadores adecuados para la ejecución de un programa de ordenador incluyen, a modo de ejemplo, microprocesadores de propósito tanto general como especial, y uno cualquiera o más procesadores de cualquier tipo de ordenador digital. Generalmente, un procesador recibirá instrucciones y datos de una memoria de solo lectura o de una memoria de acceso aleatorio o de ambas. Los elementos esenciales de un ordenador son un procesador para realizar instrucciones y uno o más dispositivos de memoria para almacenar instrucciones y datos. Generalmente, un ordenador también incluirá, o estará acoplado operativamente para recibir datos de o transferir datos a, o ambos, uno o más dispositivos de almacenamiento masivo para almacenar datos, por ejemplo, discos magnéticos, discos magneto ópticos o discos ópticos. Sin embargo, un ordenador no necesita tener tales dispositivos. Los medios legibles por ordenador adecuados para almacenar instrucciones de programas de ordenador y datos incluyen todas las formas de memoria no volátil, medios y dispositivos de memoria, incluyendo, a modo de ejemplo, dispositivos de memoria de semiconductores, por ejemplo, EPROM, EEPROM y dispositivos de memoria rápida. El procesador y la memoria se pueden complementar mediante, o incorporar en, circuitería lógica de propósito especial.

Mientras que este documento de patente contiene muchos detalles, éstos no se deberían interpretar como limitaciones en el alcance de ninguna invención o de lo que se pueda reivindicar, sino más bien como descripciones de características que pueden ser específicas de realizaciones particulares de invenciones particulares. Ciertas características que se describen en este documento de patente en el contexto de realizaciones separadas también se pueden implementar en combinación en una única realización. Por el contrario, diversas características que se describen en el contexto de una única realización también se pueden implementar en múltiples realizaciones por separado o en cualquier subcombinación adecuada. Además, aunque las características se pueden describir anteriormente como que actúan en ciertas combinaciones e incluso reivindicar inicialmente como tales, una o más características de una combinación reivindicada en algunos casos se pueden escindir de la combinación, y la combinación reivindicada se puede dirigir a una subcombinación o variación de una subcombinación.

De manera similar, mientras que las operaciones se representan en los dibujos en un orden particular, éste no se debería entender como que se requiere que tales operaciones se realicen en el orden particular mostrado o en un orden secuencia!, o que todas las operaciones ilustradas se realicen para lograr los resultados deseables. Además, la separación de diversos componentes del sistema en las realizaciones descritas en este documento de patente no se debería entender como que se requiera tal separación en todas las realizaciones.

Solamente se describen unas pocas implementaciones y ejemplos y se pueden realizar otras implementaciones, mejoras y variaciones en base a lo que se describe e ilustra en este documento de patente.

Claims (12)

REIVINDICACIONES

1. Un sistema (100) para proporcionar una evaluación cognitiva o sensorial, que comprende:

un dispositivo sensor (130) interconectado con un sujeto para detectar señales fisiológicas presentadas por el sujeto antes, durante y después de una presentación de una secuencia de estímulos al sujeto, la secuencia de estímulos en base a una categoría de perfil cognitivo-sensorial que incluye un perfil de rendimiento cognitivo, un perfil de rendimiento sensorial y un perfil de rendimiento cognitivo y sensorial;

un sistema de procesamiento de datos en comunicación con el dispositivo sensor (130) y estructurado para incluir una o más unidades de memoria y uno o más procesadores configurados para procesar las señales fisiológicas como datos fisiológicos para generar un conjunto de información a partir solo de los datos fisiológicos, en donde el conjunto de información incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial;

en donde el sistema de procesamiento de datos incluye:

un ordenador local (140) situado próximo y en comunicación con el dispositivo sensor (130) para recibir las señales fisiológicas detectadas desde el dispositivo sensor (130), el ordenador local (140) configurado para dirigir el procesamiento inicial de las señales fisiológicas detectadas para producir datos de señal fisiológica inicial, y

un ordenador remoto (150) en comunicación con el ordenador local (140) a través de una red o enlace de comunicación para recibir los datos de señal fisiológica inicial del ordenador local (140) y para procesar los datos de señal fisiológica inicial para generar el conjunto de información que incluye uno o más valores cuantitativos asociados con la categoría de perfil cognitivo-sensorial;

en donde los datos de señal fisiológica inicial incluyen un intervalo de tiempo asociado con las señales fisiológicas (171, 181, 191), y en donde el ordenador remoto proporciona una medida estadística de la relación a través de uno o más conjuntos de datos agrupados (173, 183, 193), agrupados según el intervalo de tiempo (172, 182, 192), para generar uno o más valores cuantitativos,

en donde el ordenador local (140) está configurado para producir datos de señal fisiológica inicial como datos individuales específicos para el sujeto, y el ordenador remoto (150) está configurado para procesar los datos de señal fisiológica inicial para producir el conjunto de información que está individualizada para el sujeto, en donde el conjunto de información se genera por el sistema de procesamiento de datos sin requerir la conformidad del sujeto o una respuesta de comportamiento por el sujeto a la secuencia de estímulos; un dispositivo de entrega de estímulos en una ubicación del sujeto y configurado para producir la secuencia de estímulos que se presenta al sujeto, en donde los estímulos incluyen al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo; y

un módulo de interfaz cerebro-máquina en comunicación con el sistema de procesamiento de datos y el dispositivo de entrega de estímulos configurado para producir una secuencia modificada de estímulos modificando de manera adaptativa la secuencia de estímulos durante una presentación en curso de los estímulos al sujeto, en donde la secuencia modificada de estímulos se basa en datos asociados con, o derivados de, el conjunto de información generado.

2. El sistema (100) según la reivindicación 1, que comprende, además:

un dispositivo de entrega de estímulos para producir la secuencia de estímulos que se presenta al sujeto, en donde los estímulos incluyen al menos uno de un medio de estimulación visual, auditivo, olfativo, táctil o gustativo.

3. El sistema (100) según la reivindicación 2, en donde el dispositivo de entrega de estímulos incluye una pantalla de visualización para generar una secuencia de imágenes, o un altavoz para generar una secuencia de sonidos, o tanto la pantalla de visualización como el altavoz.

4. El sistema (100) según la reivindicación 2, en donde el dispositivo de entrega de estímulos incluye un actuador para generar una secuencia de al menos uno de los estímulos olfativos, táctiles o gustativos.

5. El sistema (100) según la reivindicación 2, en donde el dispositivo de entrega de estímulos está en comunicación con el sistema de procesamiento de datos, en el que el sistema de procesamiento de datos está configurado para producir un procedimiento de máquina en base al conjunto de información generado, y en donde el procedimiento de máquina producido por la unidad de procesamiento de datos hace que el dispositivo de entrega de estímulos modifique la secuencia de estímulos para una próxima presentación al sujeto.

6. El sistema (100) según la reivindicación 1, en donde el sistema de procesamiento de datos está configurado para producir un procedimiento de máquina en base al conjunto de información generado, y en donde el procedimiento de máquina acciona otro dispositivo o sistema para realizar una función derivada a partir de la información contenida dentro del conjunto de información generado.

7. El sistema (100) según la reivindicación 1, en donde el uno o más valores cuantitativos incluyen una puntuación cuantitativa que representa un nivel de uno o ambos de rendimiento cognitivo y sensorial en base a al menos uno de la atención, la memoria, la capacidad de aprendizaje, las características de confabulación, la capacidad de integración de patrones, la capacidad de integración semántica, la capacidad de detección de objetivos, la valencia emocional, la preferencia o la conciencia del sujeto, y en donde la puntuación cuantitativa representa el nivel en un momento particular.

8. El sistema (100) según la reivindicación 1, en donde el dispositivo sensor (130) incluye un sustrato flexible, electrodos sensores sobre el sustrato flexible y una unidad transmisora en comunicación eléctrica con los electrodos y sobre el sustrato flexible, en donde el dispositivo sensor (130) está configurado como uno o más parches que se pueden llevar puestos en el cuero cabelludo del sujeto para registrar señales de electroencefalograma (EEG) y transmitir las señales de EEG registradas a al menos uno de la unidad de procesamiento de datos o un sistema informático remoto.

9. El sistema (100) según la reivindicación 1, en donde el dispositivo sensor (130) incluye electrodos que se pueden unir al sujeto para recibir señales eléctricas desde el sujeto.

10. El sistema (100) según la reivindicación 1, en donde el dispositivo sensor (130) incluye un dispositivo de formación de imágenes que captura imágenes del sujeto que indican un movimiento del sujeto.

11. El sistema (100) según la reivindicación 10, en donde el dispositivo de formación de imágenes captura el movimiento ocular del sujeto.

12. El sistema (100) según la reivindicación 1, en donde el ordenador remoto (150) está configurada para acceder a datos de señales fisiológicas de otros sujetos en uno o más grupos de sujetos y usar los datos de señales fisiológicas de otros sujetos en el procesamiento de los datos de señal fisiológica inicial para producir el conjunto de información que está individualizado para el sujeto.