As novas tecnologias têm o potencial de simplificar muito a vida dos seres humanos, incluindo as de indivíduos cegos. Um dos tipos mais promissores de ferramentas destinadas a auxiliar os cegos são as próteses visuais.
Próteses visuais são dispositivos médicos que podem ser implantados no cérebro. Esses dispositivos podem ajudar a restaurar a visão em pessoas afetadas por diferentes tipos de cegueira. Apesar de seu enorme potencial, a maioria das próteses visuais existentes obteve resultados inexpressivos, pois a visão que podem produzir é extremamente rudimentar.
Uma equipe de pesquisadores da Universidade da Califórnia, em Santa Bárbara, desenvolveu recentemente um modelo de machine learning que pode melhorar significativamente o desempenho de próteses visuais, bem como outras neuropróteses sensoriais (ou seja, dispositivos destinados a restaurar funções sensoriais perdidas ou aumentar as habilidades humanas). O modelo desenvolvido por eles, apresentado em um artigo pré-publicado no arXiv, é baseado no uso de um autoencoder neural, uma arquitetura inspirada no cérebro que pode descobrir padrões específicos em dados e criar representações deles.
?Começamos trabalhando neste projeto na tentativa de resolver o problema de longa data de otimização de estímulos em próteses visuais?, disse Jacob Granley, um dos pesquisadores que realizaram o estudo, ao TechXplore. “Uma das causas prováveis ??para os maus resultados alcançados pelas próteses visuais é a estratégia de codificação de estímulo ingênua que os dispositivos usam convencionalmente. Trabalhos anteriores sugeriram estratégias de codificação, mas muitos são irreais e nenhum forneceu uma solução geral que pudesse funcionar em implantes e pacientes.”
O principal objetivo do trabalho recente de Granley e seus colegas foi conceber uma solução simples e eficaz que pudesse ajudar a melhorar as estratégias de codificação de neuropróteses sensoriais. Eles queriam que essa estratégia alcançasse bons resultados com diferentes tipos de dados sensoriais, pois isso facilitaria a implementação em uma variedade de dispositivos neuroprotéticos.
“Nossa ideia principal era utilizar um modelo sensorial, que descreve as percepções ou respostas neurais resultantes da estimulação, dentro de uma rede neural profunda”, explicou Granley. “A rede neural foi treinada para emitir estímulos que, quando alimentados através do modelo sensorial, atingem a resposta alvo desejada. Assim, o sistema é um autocodificador híbrido, onde o codificador é uma rede neural aprendida e o decodificador é o modelo sensorial fixo .”
Até agora, os pesquisadores avaliaram o desempenho de sua abordagem baseada em autocodificador neural no contexto de neuropróteses visuais. Eles descobriram que ele alcançou resultados notáveis, levando consistentemente a percepções visuais de alta qualidade em uma ampla gama de pacientes virtuais, o que é um passo significativo no caminho para alcançar uma visão biônica confiável.
O codificador neural criado por Granley e seus colegas gerou estímulos visuais muito mais convincentes do que outras estratégias de codificação convencionais, usando os mesmos conjuntos de dados de treinamento. Notavelmente, também podem ser facilmente aplicadas outras neuropróteses que podem ser descritas usando um modelo sensorial, incluindo aquelas projetadas para melhorar os sentidos da audição e do tato.
“Estou animado com o potencial impacto mais amplo de nossa estrutura”, disse Granley. “Conseguimos demonstrar o benefício obtido ao ‘fechar o ciclo na percepção’, ou em outras palavras, incluir no circuito um modelo dos efeitos da estimulação na percepção do paciente. Isso pode ser útil para uma variedade de próteses . Por exemplo, os implantes cocleares podem usar essa estrutura para melhorar as percepções auditivas.”
O modelo apresentado por essa equipe de pesquisadores poderia eventualmente ser usado por desenvolvedores para melhorar a qualidade da visão possibilitada por dispositivos neuroprotéticos visuais. Além disso, poderia ser aplicado a membros protéticos existentes para produzir sensações mais convincentes de toque cutâneo em pacientes que não possuem membros específicos ou sofreram amputações.
“Neste projeto, usamos apenas pacientes virtuais simulados”, acrescentou Granley. “No futuro, gostaria de testar nosso codificador em pacientes humanos com próteses visuais implantadas. Se pudéssemos alcançar a mesma melhora em pacientes reais, isso marcaria um grande passo para restaurar a visão de milhões de pessoas que sofrem de cegueira”.
Publicado em 25/06/2022 15h49
Artigo original:
Estudo original: