Desarrollo de interfaces cerebro-máquina portátiles para el control de prótesis robóticas.

Título

Desarrollo de interfaces cerebro-máquina portátiles para el control de prótesis robóticas.

Colaborador

Lew, Sergio E.

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2024-12-13

Extensión

xvi, 90 P.

Resumen

Las interfaces cerebro-máquina (Brain-Machine Interface (BMI) o Brain-Computer Interface (BCI)) son sistemas que establecen una comunicación directa entre el cerebro y un dispositivo externo, como una computadora o una prótesis. En el área de las tecnologías de asistencia y la rehabilitación motora, las BMIs han surgido como una poderosa herramienta cuyo potencial puede transformar la vida de personas con discapacidades motoras. En este trabajo se abordan desafíos relacionados a la portabilidad, la autonomía y la precisión en la detección de la actividad neuronal para hacer de estas interfaces herramientas seguras y plausibles de ser utilizadas en la vida cotidiana. A lo largo del desarrollo de esta tesis, se diseñó un sistema que emplea microelectrodos profundos para registrar la actividad neuronal en la corteza motora de ratas. Sin embargo, la presencia de artefactos y ruido en las señales registradas ha sido un obstáculo en la obtención de datos confiables. Para superar esta limitación, se desarrollaron dos algoritmos innovadores. En primer lugar, se propuso una técnica de eliminación de artefactos que aprovecha la identificación y eliminación de segmentos de señal que no corresponden a actividad neuronal genuina. Este algoritmo, basado en umbrales adaptativos calculados a partir de cuantiles de la señal, ofrece una mayor flexibilidad y adaptabilidad a diversas condiciones experimentales. En segundo lugar, se desarrolló un nuevo método para estimar la mediana de un flujo de datos en tiempo real. Su implementación en hardware, como en una matriz de compuertas lógicas programables (Field Programmable Gate Array (FPGA)), lo hace especialmente atractivo para sistemas BMIs portátiles. La estimación precisa de la mediana es crucial para el cálculo de los cuantiles utilizados en la eliminación de artefactos y para la detección precisa de los picos de los potenciales de acción. A partir de la sinergia entre estos dos algoritmos se ha logrado una mayor precisión en la detección de señales neuronales, gracias a la eliminación efectiva de artefactos y a la implementación de algoritmos de detección más robustos. Además, la eficiencia computacional del algoritmo de estimación de la mediana permite un procesamiento de señales en tiempo real, lo cual es fundamental para aplicaciones prácticas. Finalmente, la mejora en la calidad de las señales se traduce en una mayor fiabilidad y robustez de los sistemas BMI, ampliando su potencial para aplicaciones en entornos clínicos. En conclusión, esta tesis presenta un conjunto de herramientas y técnicas que impulsan el desarrollo de interfaces cerebro-máquina portátiles y de alta precisión.
Brain-Machine Interfaces (BMI or BCI) are systems that establish direct communication between the brain and an external device, such as a computer or a prosthesis. In the field of assistive technologies and motor rehabilitation, BMIs have emerged as a powerful tool with the potential to transform the lives of individuals with motor disabilities. This work addresses challenges related to portability, autonomy, and the precision of neuronal activity detection, aiming to make these interfaces safe and viable tools for everyday use. Throughout the development of this thesis, a system was designed that employs microelectrodes to record neuronal activity in the motor cortex of rats. However, the presence of artifacts and noise in the recorded signals has posed an obstacle to obtaining reliable data. To overcome this limitation, two innovative algorithms were developed. First, a novel artifact removal technique was proposed, leveraging the identification and elimination of signal segments that do not correspond to genuine neuronal activity. This algorithm, based on adaptive thresholds calculated from signal quantiles, offers greater flexibility and adaptability to various experimental conditions. Second, a new method was developed to estimate the median of a data stream in real time. Its hardware implementation, such as on FPGA, makes it particularly attractive for portable BMI systems. Accurate median estimation is crucial for calculating the quantiles used in artifact removal and for the precise detection of action potential peaks. The synergy between these two algorithms has led to improved accuracy in detecting neuronal signals, thanks to effective artifact removal and the implementation of more robust detection algorithms. Additionally, the computational efficiency of the median estimation algorithm enables real-time signal processing, which is essential for practical applications. Improved signal quality translates to greater reliability and robustness of BCI systems, expanding their potential for clinical applications. In conclusion, this thesis presents a set of tools and techniques that advance the development of portable and high-precision brain-machine interfaces.