Redes neuronales y sistemas expertos aplicados a la neurociencia y neurorobótica

Una de las líneas que hemos iniciado y puesto a trabajar entre Homonovus, el Grupo de Computación Natural (NNCG) del Depto de Inteligencia Artificial de la Fi (UPM) y el Grupo de Investigación de Neurociencia y Neurobótica de la UCM es la posibilidad de utilizar las redes neuronales y sistemas expertos (modelo híbrido) en el reconocimiento de acciones mentales y su interfaz con prótesis robóticas. Muy interesante. Os transcribo algunas reflexiones y argumentos:

REDES NEURONALES Y SISTEMAS EXPERTOS

ESTADO DEL ARTE

Hasta el momento Honda ha avanzado en el interfaz cerebro-robot con una tecnología que tiene dos puntos clave: un dispositivo de extracción de la información del cerebro y, lo que según los ingenieros es la parte más complicada, la identificación de las diferentes órdenes cerebrales. Para este segundo paso, Honda ha utilizado por primera vez una combinación de la tecnología del EEG (Electroencefalograma), que mide las variaciones de los impulsos eléctricos del cerebro, y la NIRS (Espectroscopia Cercana de Infrarrojo), con la que calibra los cambios en el flujo sanguíneo.

Nuestro enfoque es utilizar técnicas híbridas de redes neuronales y sistemas expertos de última generación. La aplicación de redes neuronales a sistemas de robótica están muy comprobados pero la combinación en sistemas híbridos y su aplicación a la interfaz cerebro-impulsos es un reto para abordar.

PRINCIPIOS DEL SISTEMA

Uno de los grandes retos del sistema es la necesidad de diseñar un sistema capaz de adaptarse a cada usuario potencial y capaz de aprender para configurar las múltiples posibilidades de información relativa a los nervios y su acción relacionada a nivel cerebral de forma que dichos impulsos/pensamientos se transformen en acciones acordes en el robot asistencial.

Un sistema basado en redes neuronales es el más adecuado para clasificar los diferentes escenarios de interpretación de las relaciones entre los impulsos en los nervios y las asociaciones con acciones mentales.

Las redes neuronales de base radial junto los algoritmos genéticos proporcionan unos potentes clasificadores de señales.

Una vez que se establece un conjunto de acciones/impulsos elevados el sistema debe aprender a asociarlos con la persona y convertirlos en reglas del sistema experto que finalmente podrán transformarse en órdenes para el miembro robotizado.

Hasta ahora las técnicas empleadas en otros experimentos logran hasta un 90% de éxito pero se pretende elevar dicho índice de éxito al aplicar de forma combinada técnicas de redes neuronales y de sistemas expertos.

Este enfoque es debido al gran comportamiento de las redes neuronales en sistemas dinámicos dado que el sistema después de haber recibido unos patrones iniciales comienza a identificar, acepta, aprende y responde ante diferentes señales. Sin importar que estas no sean idénticas a los patrones iniciales. Que es la hipótesis de trabajo inicial más adecuada para interfaces como el del presente proyecto que además deben personalizarse para cada paciente.

Ventajas de las Redes Neuronales Artificiales (RNA)

"Debido a su constitución y a sus fundamentos, las RNA presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas. Estas ventajas incluyen:

1. Aprendizaje Adaptativo: Es una de las características más atractivas de las redes neuronales, es la capacidad de aprender a realizar tareas basadas en un entrenamiento o una experiencia inicial.

En el proceso de aprendizaje, los enlaces ponderados de las neuronas se ajustan de manera que se obtengan unos resultados específicos. Una RNA no necesita un algoritmo para resolver un problema, ya que ella puede generar su propia distribución de los pesos de los enlaces mediante el aprendizaje. También existen redes que continúan aprendiendo a lo largo de su vida, después de completado e periodo inicial de entrenamiento.

La función del diseñador es únicamente la obtención de la arquitectura apropiada. No es problema del diseñador el cómo la red aprenderá a discriminar; sin embargo, si es necesario que desarrolle un buen algoritmo de aprendizaje que proporcione la capacidad de discriminar de la red mediante un entrenamiento con patrones.

2. Autoorganización: Las redes neuronales usan su capacidad de aprendizaje adaptativo para organizar la información que reciben durante el aprendizaje y/o la operación. Una RNA puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. Esta autoorganización provoca la facultad de las redes neuronales de responder apropiadamente cuando se les presentan datos o situaciones a los que no habían sido expuestas anteriormente.

3. Tolerancia a Fallos: Comparados con los sistemas computacionales tradicionales, los cuales pierden su funcionalidad en cuanto sufren un pequeño error de memoria, en las redes neuronales, si se produce un fallo en un pequeño número de neuronas, aunque el comportamiento del sistema se ve influenciado, sin embargo no sufre una caída repentina.

Hay dos aspectos distintos respecto a la tolerancia a fallos: primero, las redes pueden aprender a reconocer patrones con ruido, distorsionados, o incompleta. Segundo pueden seguir realizando su función (con cierta degradación) aunque se destruya parte de la red.

La razón por la que las redes neuronales son tolerantes a fallos es que tienen su información distribuida en las conexiones entre neuronas, existiendo cierto grado de redundancia en ese tipo de almacenamiento, a diferencia de la mayoría de los ordenadores algorítmicos y sistemas de recuperación de datos que almacenancada pieza de información en un estado único, localizado y direccionable.

4. Operación en Tiempo Real: Los computadores neuronales pueden ser realizados en paralelo, y se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.

5. Fácil inserción dentro de la tecnología existente. Debido a que una red puede ser rápidamente prototipada, comprobada, verificada y trasladada a una implementación hardware de bajo costo, es fácil insertar RNA para aplicaciones específicas dentro de sistemas existentes (chips, por ejemplo). De esta manera, las redes neuronales se pueden utilizar para mejorar sistemas de forma incremental, y cada paso puede ser evaluado antes de acometer un desarrollo más amplio."

Las redes de neuronas de función de base radial (RBF) son una alternativa de gran alcance mejorando a la redes de neuronas con perceptron multicapa (MLP) para aproximar o para clasificar un sistema de patrones. El método híbrido que utilizan las redes de base radial tiene dos partes, fase no supervisada y fase supervisada.

En la fase no supervisada se determinan los centros y amplitudes de las neuronas de la capa oculta, mientras que en la supervisada se determinan pesos y umbrales de la capa de salida.

Presentamos un algoritmo en Aachen, Germany con el articulo A NEW ALGORITHM TO COMPUTE CENTRES IN RADIAL BASIS FUNCTION NEURAL NETWORKS. Rodriguez, F., Mingo, L.F., Castellanos .J.; European Congress on Intelligent Techniques and Soft Computing. Aachen, Germany. ISBN: 3-89653-500-5. pp. 292-296. September. 1998).

Posteriormente hemos desarrollado varias aplicaciones, como por ejemplo el control de sistemas caóticos, recogidas en el articulo SIMULTANEOUS CONTROL OF CHAOTIC SYSTEMS USING RBF NETWORKS. Supplement to the International Journal "INFORMATION TECHNOLOGIES & KNOWLEDGE" Castellanos, A. , Gonzalo, R., Martinez, A. Volume 2 / 2008 Sofia, Bulgaria

Ventajas de los Sistemas Expertos

Logrado un sistema basado en redes neuronales capaces de modelizar la relación pensamiento/impulsos motrices es imprescindible combinarlo con la capacidad de los sistemas expertos de generar marcos y reglas que sean fácilmente trasladables a procedimientos de actuación de las primitivas de control de un robot articulado para conseguir ejecutar la acción de manera adecuada y satisfactoria.
Además el sistema experto debe ser capaz de aprender y realimentarse por la percepción del paciente de haber cumplido y en qué grado la acción deseada. Esto no sólo generará nuevas reglas sino que deberá realimentar la red neuronal para poder mejorar las interpretaciones iniciales.

Resumen

Cómo podeis comprobar, neurociencia, neurobótica, redes neuronales y sistemas expertos no son tan ciencia ficción como parece y tienen mucho potencial industrial. Estamos empezando los trabajos, pero estoy seguro que tendremos apasionantes conclusiones y descubrimientos.

servido por felipe 1 comentario compártelo