Las matemáticas que mejoran los filtros de spam se usan para comprender cómo aprende el cerebro a mover nuestros músculos

Un equipo de ingenieros biomédicos ha desarrollado un modelo por ordenador que hace uso de las más o menos predecibles estimaciones de los movimientos musculares humanos para explicar cómo el cerebro recurre tanto a lo que aprendió recientemente como a lo que ya conocía para anticipar lo que necesita para desarrollar nuevas habilidades motoras.

Los ingenieros, de Johns Hopkins, MIT y Noroeste, explotaron el hecho de que toda la gente muestra unos patrones similares de aprendizaje “probable” y los usan para desarrollar y ajustar nuevos movimientos, ya sea en bebés que intentan andar o en pacientes de apoplejía que reconectan los vínculos entre el cerebro y los músculos del cuerpo.

En su informe de esta semana en Nature Neuroscience, el equipo dice que su nueva herramienta podría hacer posible predecir las mejores formas de enseñar nuevos movimientos y ayudar a diseñar regímenes de terapias físicas para los discapacitados o lesionados.

Reza Shadmehr, Doctor de ingeniería biomédica en Hopkins, quien construyó junto con sus colegas el nuevo modelo, dice que el cerebro artificial de un ordenador, como su homólogo natural, está guiado en parte por un tipo especial de teoría estadística de “probabilidad” llamada matemática bayesiana.

Al contrario que el análisis estadístico convencional, la probabilidad bayesiana es una “opinión” subjetiva, que mide un grado de creencia individual en el estudiante en un resultado particular cuando la entrada es incierta. La idea cuando se aplica al trabajo cerebral es que cada cerebro usa lo que ya conoces para “predecir” o “creer” que algo nuevo sucederá, y entonces usa la información para ayudarle a hacerlo.

“Usamos la idea de que la experiencia anterior y la creencia afectan a la probabilidad de futuros resultados, tales como tomar una ruta alternativa al trabajo el viernes porque hay atascos martes, miércoles y jueves, y creemos firmemente que el viernes será peor”, dice Shadmehr. Los filtros de spam del correo electrónico funcionan bajo un principio similar; predicen qué palabras de las que están “probablemente” adjuntas en tu correo no quieres y “aprenden” y mejoran con lo que se excluye de tu bandeja de entrada.

El modelo por ordenador, dice Shadmehr, duplica casi con total precisión los resultados de los experimentos que prueban la capacidad de los monos para seguir visualmente rápidos flashes de luz. Los experimentos que usan tales movimientos rápidos del ojo, o sacadas, son básicos en el estudio de cómo controla el cerebro los movimientos.

Inicialmente, el estudiante animal cometía grandes errores, pero también almacenaba la información sobre sus errores en un banco de memoria por lo que pudo adaptarse y hacer predicciones más precisas para la siguiente ocasión. Cada vez que el estudiante repetía la tarea, escudriñaría en sus bancos de memoria y haría una predicción de cómo moverse, lo cual, a su vez, sería también memorizado. Aunque la memoria a corto plazo es purgada periódicamente, los errores repetidos fueron finalmente transferidos a un banco de memoria a largo plazo.

Al estudiante ordenador se le puso como tarea “observar” un punto de luz. Entonces se apagaban todas las luces. Se encendía de nuevo la luz y se pedía de nuevo al estudiante ordenador que mirase al mismo punto. La velocidad y patrón de aprendizaje en adaptar sus movimientos encajaban con los resultados del experimento del mono casi perfectamente. “Encontramos que el modelo bayesiano puede explicar casi todos los fenómenos que observamos en relación al aprendizaje de movimientos motores”, dice Shadmehr.

Más allá del posible uso en la ayuda a pacientes de apoplejía, la nueva herramienta podría aplicarse también a una mejor comprensión de cómo aprendemos el lenguaje, desarrollamos ideas y creamos la memoria. “Cómo aprendemos a pensar funciona bajo muchos de los mismo principios de cómo aprendemos a movernos”, dice Shadmehr.

La investigación fue patrocinada por el Instituto Médico Howard Hughes y el Instituto Nacional de Salud.

Los autores del artículo son Konrad Kording de la Universidad del Noroeste, Joshua Tenenbaum del MIT y Shadmehr de Johns Hopkins.


Autor: Nick Zagorski / Audrey Huang
Fecha Original: 1 de junio de 2007
Enlace Original

Comparte:
  • Print
  • Digg
  • StumbleUpon
  • del.icio.us
  • Facebook
  • Twitter
  • Google Bookmarks
  • Bitacoras.com
  • Identi.ca
  • LinkedIn
  • Meneame
  • Netvibes
  • Orkut
  • PDF
  • Reddit
  • Tumblr
  • Wikio

Like This Post? Share It

Comment (1)

  1. [...] Las matemáticas que mejoran los filtros de spam se usan para comprender cómo aprende el cerebro a … [...]

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *