En neurociencia e ingeniería biomédica, modelar con precisión los movimientos complejos de la mano humana ha sido durante mucho tiempo un desafío importante. Los modelos actuales a menudo tienen dificultades para captar la compleja interacción entre las órdenes motoras del cerebro y las acciones físicas de los músculos y tendones. Esta brecha no sólo obstaculiza el progreso científico sino que también limita el desarrollo de neuroprótesis efectivas destinadas a restaurar la función de la mano en personas con parálisis o pérdida de una extremidad.
El profesor de la EPFL Alexander Mathis y su equipo han desarrollado un enfoque basado en inteligencia artificial que ha avanzado significativamente nuestra comprensión de estas complejas funciones motoras. El equipo utilizó una innovadora técnica de aprendizaje automático que combinaba el aprendizaje por refuerzo basado en el plan de estudios con simulaciones biomecánicas detalladas.
La investigación de Mathis presenta un modelo detallado, dinámico y anatómicamente preciso del movimiento de la mano que se inspira directamente en la forma en que los humanos aprenden habilidades motoras complejas. Esta investigación no solo ganó el MyoChallenge en la conferencia NeurIPS en 2022, sino que los resultados también se publicaron en la revista. Neurona.
Controlar prácticamente la fuerza de inclinación
“Lo que más me entusiasma de esta investigación es que estamos profundizando en los principios fundamentales del control motor humano, algo que ha sido un misterio durante mucho tiempo. No solo estamos construyendo modelos; estamos descubriendo la mecánica fundamental de cómo funcionan juntos el cerebro y los músculos”, afirma Mathis.
El desafío NeuriIPS de Meta inspiró al equipo de EPFL a explorar un nuevo enfoque de la IA conocido como aprendizaje por refuerzo. La tarea consistía en crear una IA que maniobrara con precisión dos bolas inclinadas, cada una controlada de manera altamente coordinada por 39 músculos. Esta tarea aparentemente simple es extraordinariamente difícil de replicar en la práctica debido a la compleja dinámica de los movimientos del brazo, incluida la sincronización muscular y el mantenimiento del equilibrio.
En este entorno altamente competitivo, tres estudiantes de posgrado (Alberto Chiappa del grupo de Alexander Mathis, Pablo Tano y Nishit Patel del grupo de Alexandre Pouget en la Universidad de Ginebra) superaron a sus rivales por un margen significativo. Su modelo de IA logró una tasa de éxito del 100 % en la primera fase de la competencia, superando al competidor más cercano. Incluso en la segunda fase, más desafiante, su modelo mostró su fuerza en condiciones más difíciles y mantuvo una ventaja dominante para ganar la competencia.
Divida las tareas en partes más pequeñas y repítalas
“Para ganar, nos inspiramos en la parte de las ciencias del deporte sobre cómo las personas aprenden habilidades sofisticadas en un proceso conocido como entrenamiento holístico”, dice Mathis. Este enfoque de parte a todo inspiró el enfoque de aprendizaje curricular utilizado en los modelos de IA, donde la compleja tarea de controlar los movimientos de las manos se divide en partes más pequeñas y manejables.
“Para superar las limitaciones de los modelos actuales de aprendizaje automático, aplicamos un método llamado aprendizaje curricular. Después de 32 pasos y alrededor de 400 horas de entrenamiento, entrenamos con éxito una red neuronal para controlar con precisión un modelo realista de una mano humana”, dijo Alberto Chiappa. . .
Una razón clave para el éxito del modelo es su capacidad para identificar y utilizar patrones de movimiento básicos y repetibles, conocidos como primitivos motores. En un apasionante giro científico, este enfoque del aprendizaje de la conducta puede informar a la neurociencia sobre el papel del cerebro en la determinación de cómo los primitivos motores aprenden a dominar nuevas tareas. Esta compleja interacción entre la manipulación cerebral y muscular indica lo desafiante que puede ser crear máquinas y prótesis que realmente imiten el movimiento humano.
“Se necesita mucho movimiento y un modelo que se asemeje a un cerebro humano para realizar una variedad de tareas cotidianas. Incluso si cada tarea se puede dividir en partes más pequeñas, cada tarea requiere un conjunto diferente de estas primitivas motoras para funcionar bien”. dice Mathis.
Utilice la IA para explorar y comprender los sistemas biológicos Silvestro Misera, investigador líder en neuroprótesis en el Instituto Neuro X de EPFL y colaborador de Mathis, destacó la importancia de esta investigación para comprender las posibilidades futuras y los límites actuales incluso de las prótesis más avanzadas. “Lo que realmente echamos de menos en este momento es una comprensión profunda de cómo se logra el control del movimiento de los dedos y del motor de agarre. Este trabajo va exactamente en esta importante dirección”, señala Micera. “Sabemos lo importante que es conectar la prótesis con el sistema nervioso , y este estudio nos proporciona una base científica sólida que fortalece nuestra estrategia”.