MADRID 2 Oct. (EUROPA PRESS) -
El profesor de la Ecole Polytechnique Fédérale de Lausanne (EPFL) en Suiza, Alexander Mathis, y su equipo han desarrollado un método basado en inteligencia artificial que mejora significativamente nuestra comprensión de las funciones motoras complejas de la mano. La investigación 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 ganó el MyoChallenge en la conferencia NeurIPS en 2022, y ahora sus resultados se publican en la revista 'Neuron'. El equipo utilizó una estrategia creativa de aprendizaje automático que combinaba el aprendizaje por refuerzo basado en el plan de estudios con simulaciones biomecánicas detalladas. Cabe tener en cuenta que en neurociencia e ingeniería biomédica, modelar con precisión los movimientos complejos de la mano humana ha sido un desafío importante durante mucho tiempo.
Los modelos actuales a menudo tienen dificultades para capturar la intrincada interacción entre las órdenes motoras del cerebro y las acciones físicas de los músculos y tendones. Esta brecha no solo obstaculiza el progreso científico, sino que también limita el desarrollo de neuroprótesis efectivas destinadas a restaurar la función de la mano para quienes han perdido alguna extremidad o han sufrido parálisis.
"Lo que más me entusiasma de esta investigación es que estamos profundizando en los principios básicos del control motor humano, algo que ha sido un misterio durante tanto tiempo. No solo estamos construyendo modelos; estamos descubriendo la mecánica fundamental de cómo el cerebro y los músculos trabajan juntos", destaca Mathis.
El desafío NeurIPS de Meta motivó al equipo de la EPFL a encontrar un nuevo enfoque para una técnica de inteligencia artificial conocida como aprendizaje por refuerzo. La tarea consistía en construir una IA que manipulara con precisión dos pelotas Baoding, cada una controlada por 39 músculos de una manera altamente coordinada. Esta tarea aparentemente sencilla es extraordinariamente difícil de replicar virtualmente, dada la compleja dinámica de los movimientos de la mano, 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 Nisheet Patel, del grupo de Alexandre Pouget en la Universidad de Ginebra, también en Suiza) 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 demostró su fortaleza en situaciones cada vez más difíciles y mantuvo una ventaja imponente para ganar la competencia.
"Para ganar, nos inspiramos en la forma en que los humanos aprenden habilidades sofisticadas en un proceso conocido como entrenamiento de las partes al todo en la ciencia del deporte", describe Mathis. Este enfoque de las partes al todo inspiró el método de aprendizaje del plan de estudios utilizado en el modelo de IA, donde la compleja tarea de controlar los movimientos de las manos se dividió 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 etapas y casi 400 horas de entrenamiento, logramos entrenar con éxito una red neuronal para controlar con precisión un modelo realista de la mano humana", relata Alberto Chiappa.
Una de las razones principales del éxito del modelo es su capacidad para reconocer y utilizar patrones de movimiento básicos y repetibles, conocidos como primitivos motores. En un giro científico fascinante, este enfoque del aprendizaje de la conducta podría informar a la neurociencia sobre el papel que desempeña el cerebro a la hora de determinar cómo se aprende a dominar nuevas tareas a los primitivos motores. Esta intrincada interacción entre el cerebro y la manipulación muscular indica lo difícil que puede ser construir máquinas y prótesis que realmente imiten el movimiento humano. "Para realizar una variedad de tareas cotidianas se necesita un alto grado de movimiento y un modelo que se parezca a un cerebro humano. Incluso si cada tarea se puede dividir en partes más pequeñas, cada tarea necesita un conjunto diferente de estos elementos primitivos motores para que se realice bien", agrega Mathis.
Silvestro Micera, investigador líder en neuroprótesis en el Instituto Neuro X de la EPFL y colaborador de Mathis, destaca la importancia fundamental de esta investigación para comprender el potencial futuro y los límites actuales incluso de las prótesis más avanzadas.
"Lo que realmente nos falta en este momento es una comprensión más profunda de cómo se logra el movimiento de los dedos y el control motor del agarre. Este trabajo va exactamente en esta dirección tan importante", señala Micera. "Sabemos lo importante que es conectar la prótesis al sistema nervioso, y esta investigación nos proporciona una base científica sólida que refuerza nuestra estrategia".
