Le llaman lectura cerebral y no tiene nada que ver con poderes psíquicos sino tecnológicos. Por mucho tiempo el cerebro ha sido equiparado con una computadora, efectivamente, el funcionamiento de sus partes nos indica muchas formas de desarrollar la inteligencia artificial, la memoria digital y otros mecanismos funcionales. Ciertamente, los investigadores utilizan escáner cerebrales, resonancias y tecnología integrada de imágenes neuronales para observar las señales cerebrales que ocurren cuando una persona cambia su actividad mental. Después, usan métodos computarizados de aprendizaje para máquinas, conocidos en inglés como ML, para así estudiar los patrones encontrados e identificar el estado cognitivo de los sujetos. A esta técnica también le suelen llamar codificación cerebral.
Comprender mejor cómo funciona el cerebro, cuáles áreas se encargan de qué procesos mentales, proveerá a los neurólogos, psiquiatras y psicólogos con un arma que puede contrarrestar, erradicar, suavizar o eliminar desde el principio, conductas ancladas en la biología. Muchas de ellas son producidas por mutaciones genéticas, otras son adquiridas a través de la experiencia y llegan a cambiar la estructura cerebral del individuo. En la investigación presente, el objetivo estaba dirigido al comportamiento que genera la adicción, las ansias que provoca la nicotina y cómo ocurre en el cerebro. El interés es utilizar este método para ayudar a las personas a controlar esta ansiedad.
“Estamos interesados en explorar la relación entre estructura y función en el cerebro humano, particularmente la forma en que está relacionado con procesos de alto nivel cognoscitivo, como las imágenes mentales. El laboratorio está comprometido con la exploración activa de formas modernas de colectar y analizar datos, como el aprendizaje de las máquinas, con atención especial a los métodos que revelan organización neuronal a nivel de sistemas”, explicó Ariana Anderson, autora principal del laboratorio en la Universidad de California en Los Ángeles.
En los experimentos, fumadores veían videos con información apropiada para activar e inducir antojos por nicotina, también se utilizaron adictos a otras sustancias, y en otras ocasiones veían videos neutros. Los científicos desean entender bien qué ocurre, a nivel de estructuras, conocer cuáles rutas neuronales recorren estas ansias, por dónde van estos antojos y cómo, además, distinguir los caminos que desean resistirlos y qué ocurre cuando no pueden hacerlo. Una vez coleccionaban todos estos datos, la segunda fase comenzaba: ver cómo hacían para que las máquinas comprendieran todo lo que acumularon. Información anterior fue utilizada para predecir qué estaban haciendo las personas sólo mirando las señales que enviaban sus neuronas. Como leer sus mentes.
“Detectamos si la gente estaba resistiendo las ansias, deleitándose en ellas o simplemente miraban un video neutro que no estaba relacionado con ellas. Esencialmente, estábamos prediciendo y detectando qué tipo de video la persona veía y si se resistía o no. La certeza fue muchas veces de 90%”, explica Anderson.
Quiere decir que el algoritmo funcionó. En esencia, era capaz de completar los estados de la persona, de la misma forma que lo hacen los textos o los buscadores como Google que completan lo que estás escribiendo, anticipándose a tu idea; la nueva idea de aprendizaje de las máquinas presentada en este experimento representa una mejoría sobre todas las que se conocían antes.
Lo que ocurre es lo siguiente, estos métodos crean capas de decisiones que son separadas por las clases distintas que uno necesita para hacer distinciones, si no puedes diferenciar lo que significan, no puedes descartar ni elegir cuál es. Ciertos valores, por ejemplo, indican cuando el sujeto cree las afirmaciones presentadas en la prueba, otros valores reconocen que no los cree. En realidad, nos dicen los investigadores, es como un detector de mentiras. La innovación en este estudio permite que sea los neurocientíficos los que lean e interpreten estos límites y lleguen hasta las diferencias con mucha precisión.
Las máquinas aprenden en dos fases. Durante la primera se entrenan evaluando un conjunto de resultados y en la segunda, la fase de predicción, la computadora construye su propia capa basada en el conocimiento que tiene.
“Al llevar el problema de las ansias adictivas a la neurología, logramos que la técnica continúe sólo clasificando estados cerebrales, y ahora nos ayuda a entender mucho mejor la forma en que el cerebro se resiste a los antojos”, explica.
Presentado en la conferencia neuronal anual, esta vez en Granada, España: http://nips.cc/Conferences/2011/
Página de prensa de la UCLA: http://newsroom.ucla.edu/portal/ucla/default.aspx
Financiado por National Institute on Drug Abuse: http://www.nida.nih.gov/nidahome.html
No hay comentarios:
Publicar un comentario