In ogni momento, il nostro cervello è coinvolto in varie attività. Ad esempio, quando si digita su una tastiera, il nostro cervello non solo determina i movimenti delle dita, ma anche quanto ci sentiamo assetati in quel momento. Di conseguenza, i segnali cerebrali contengono modelli neurali dinamici che riflettono simultaneamente una combinazione di queste attività. Una sfida permanente è stata isolare quei modelli nei segnali cerebrali che si riferiscono a un comportamento specifico, come i movimenti delle dita. Inoltre, lo sviluppo di interfacce cervello-macchina (BMI) che aiutano le persone con disturbi neurologici e mentali richiede la traduzione dei segnali cerebrali in un comportamento specifico, un problema chiamato decodifica. Questa decodificazione dipende anche dalla capacità di isolare i modelli neurali legati a comportamenti specifici. Questi pattern neurali possono essere mascherati da pattern correlati ad altre attività e possono essere ignorati da algoritmi standard. I ricercatori della USC Viterbi School of Engineering hanno sviluppato un algoritmo di apprendimento automatico che ha risolto la sfida di cui sopra. L’algoritmo pubblicato su Nature Neuroscience ha scoperto schemi neurali mancati da altri metodi e ha migliorato la decodifica dei comportamenti originati da segnali nel cervello. Questo algoritmo rappresenta un progresso significativo nella modellazione e decodifica di un’attività cerebrale complessa che potrebbe sia consentire nuove scoperte neuroscientifiche sia migliorare le future interfacce cervello-macchina. Gli algoritmi standard possono perdere alcuni modelli neurali relativi a un determinato comportamento che sono mascherati da modelli relativi ad altre funzioni che avvengono simultaneamente. I ricercatori hanno sviluppato un algoritmo di apprendimento automatico per risolvere questa sfida. Hanno sviluppato un algoritmo che, per la prima volta, può dissociare i modelli dinamici nei segnali cerebrali che si riferiscono a comportamenti specifici a cui uno è interessato. Questo algoritmo è stato anche molto più bravo nel decodificare questi comportamenti dai segnali cerebrali. I ricercatori hanno dimostrato che il loro algoritmo di apprendimento automatico può trovare schemi neurali che non vengono rilevati da altri metodi. Questo perché, a differenza dei metodi precedenti che considerano solo i segnali cerebrali durante la ricerca di schemi neurali, il nuovo algoritmo ha la capacità di considerare sia i segnali cerebrali che i segnali comportamentali come la velocità dei movimenti del braccio. In questo modo l’algoritmo ha scoperto i modelli comuni tra il cervello e i segnali comportamentali ed è stato anche molto più in grado di decodificare il comportamento rappresentato dai segnali cerebrali. Più in generale l’algoritmo può modellare schemi dinamici comuni tra qualsiasi segnale, ad esempio, tra i segnali provenienti da diverse regioni del cervello o segnali in altri campi oltre le neuroscienze. Per testare il nuovo algoritmo, gli autori dello studio si sono affidati a quattro set di dati esistenti raccolti nel Laboratorio Pesaran. I set di dati si basavano sui cambiamenti registrati nell’attività neurale durante l’esecuzione di diversi compiti di movimento del braccio e degli occhi. In futuro, questo nuovo algoritmo potrebbe essere utilizzato per sviluppare interfacce cervello-macchina potenziate che aiutano i pazienti paralizzati migliorando significativamente la decodifica del movimento o della parola generata dai segnali cerebrali e traducendo così questi segnali in un comportamento specifico e desiderato come i movimenti del corpo. Ciò potrebbe consentire a un paziente paralizzato di muovere un braccio robotico semplicemente pensando al movimento o generare un discorso semplicemente pensandoci. Inoltre, questo algoritmo potrebbe aiutare i pazienti con condizioni di salute mentale intrattabili come la depressione maggiore, separando i segnali cerebrali relativi ai sintomi dell’umore e consentendo il monitoraggio in tempo reale di questi sintomi. Il sintomo tracciato potrebbe quindi essere utilizzato come feedback per adattare una terapia alle esigenze del paziente. Isolando modelli neurali dinamici rilevanti per diverse funzioni cerebrali, questo algoritmo di apprendimento automatico può aiutare a indagare su questioni di base sulle funzioni del cervello e sviluppare interfacce cervello-macchina avanzate per ripristinare la funzione persa nei disturbi neurologici e mentali.

Daniele Corbo

Bibliografia: “Modeling behaviorally relevant neural dynamics enabled by preferential subspace identification” by Omid G. Sani, Hamidreza Abbaspourazad, Yan T. Wong, Bijan Pesaran & Maryam M. Shanechi. Nature Neuroscience

Immagine: The image is credited to Omid Sani & Maryam Shanechi, Shanechi Lab at the USC Viterbi School of Engineering.