{"id":14950,"date":"2021-10-15T02:00:58","date_gmt":"2021-10-15T02:00:58","guid":{"rendered":"https:\/\/domosistemas.com\/?p=14950"},"modified":"2021-10-15T02:00:58","modified_gmt":"2021-10-15T02:00:58","slug":"el-proyecto-europeo-plan4act-aplica-la-red-neuronal-para-controlar-en-un-futuro-los-sistemas-inteligentes-de-las-viviendas","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=14950","title":{"rendered":"El proyecto europeo Plan4Act aplica la red neuronal para controlar en un futuro los sistemas inteligentes de las viviendas"},"content":{"rendered":"
\n

El proyecto europeo Plan4Act<\/a> ha desarrollado una tecnolog\u00eda que permitir\u00e1 gestionar las viviendas inteligentes a trav\u00e9s de una predicci\u00f3n de secuencias de la actividad cerebral de los usuarios. Esta tecnolog\u00eda ofrecer\u00e1 a las personas con discapacidad motora edificios m\u00e1s accesibles.<\/p>\n

\"Logotipo
El proyecto Plan4Act pretende utilizar la red neuronal para gestionar las viviendas inteligentes sin la necesidad interactuar f\u00edsicamente con los dispositivos conectados.<\/figcaption><\/figure>\n

El objetivo de Plan4Act es conseguir en un futuro que los dispositivos inteligentes puedan dotar a las personas de la capacidad de planificar un objetivo de la vida diaria, como, por ejemplo, preparar caf\u00e9, sin la necesidad de ejecutar cada una de las acciones individuales.<\/p>\n

Para ello, el proyecto ha desarrollado un prototipo de interfaz cerebro-m\u00e1quina automatizada (BMI) capaz de extraer y procesar la base neuronal de un plan de acci\u00f3n con el que controlar diferentes funciones en una vivienda inteligente de forma proactiva.<\/p>\n

Recopilaci\u00f3n de los datos neuronales<\/h2>\n

La complejidad del proyecto reside en la recopilaci\u00f3n de los datos neuronales de m\u00faltiples \u00e1reas del cerebro y en su procesamiento para que se conviertan en ejecuciones en un entorno inteligente. Para ello, los investigadores del proyecto recopilaron el patr\u00f3n neuronal utilizando primates, los cuales llevaban a cabo una tarea de comportamiento que les obligaba a realizar una secuencia de acciones individuales con el fin de conseguir su objetivo de comportamiento, como, por ejemplo, recibir una recompensa.<\/p>\n

\"Esquema.\"
Los primates deber\u00edan escoger entre m\u00faltiples opciones para conseguir para conseguir su objetivo o recompensa.<\/figcaption><\/figure>\n

Para ello, se present\u00f3 al primate un \u00e1rbol de decisiones que comienza en un punto A concreto y ten\u00eda que decidir entre m\u00faltiples opciones, etapa B. Tras su elecci\u00f3n, el animal deb\u00eda decidir entre un segundo conjunto de opciones, correspondiente a la etapa C. Esta secuencia de acciones permiti\u00f3 investigar la base neuronal de la planificaci\u00f3n de acciones proactivas.<\/p>\n

Los investigadores dise\u00f1aron, construyeron y probaron un entorno de jaula instrumentado (Reach Cage), donde el primate se mov\u00eda libremente. Este entorno inclu\u00eda un sistema de interacci\u00f3n visual-hep\u00e1tico en tiempo real, que contaba con m\u00faltiples dispositivos t\u00e1ctiles distribuidos en un espacio tridimensional para que el primate interactuase con ellos, un microcontrolador de interfaces y una computadora externa para el control experimental en tiempo real.<\/p>\n

\"Esquema.\"
Se utiliz\u00f3 un entorno de jaula instrumentado, donde le primate ten\u00eda libertad de movimiento.<\/figcaption><\/figure>\n

Dentro del entorno Reach Cage, tambi\u00e9n se realiz\u00f3 la captura de movimiento mediante Plexon CinePlex Tracking, una tecnolog\u00eda que rastrea la posici\u00f3n de la mu\u00f1eca y la cabeza en un espacio tridimensional mientras el primate mueve su brazo y alcanza los objetivos. Gracias a esta tecnolog\u00eda, los investigadores pudieron registrar el comportamiento f\u00edsico y correlacionarlo con los datos neuronales que se registraron simult\u00e1neamente a trav\u00e9s de un sistema inal\u00e1mbrico.<\/p>\n

Para las grabaciones neuronales se implementaron seis matrices de microalambres flotantes, con 32 canales cada uno, en tres \u00e1reas cerebrales diferentes del primate. Los datos recopilados se enviaron al sistema neuronal Cerebus, cuyos registros fueron grabados y guardados en un servidor de archivos local, donde se almacenaban las grabaciones de todas las sesiones.<\/p>\n

Procesamiento de los datos neuronales<\/h2>\n

Gracias a este entorno de simulaci\u00f3n, los investigadores tuvieron la oportunidad de realizar un desarrollo m\u00e1s r\u00e1pido y general del sistema BMI, al tiempo que se crearon m\u00e9todos para analizar la actividad neuronal resultante (simulada o real) para extraer la informaci\u00f3n sobre la planificaci\u00f3n proactiva.<\/p>\n

\"Esquema.\"
A trav\u00e9s de la interfaz cerebro-m\u00e1quina (BMI), se pueden analizar y clasificar las se\u00f1ales neuronales para ejecutar el control de la vivienda inteligente.<\/figcaption><\/figure>\n

Para validar todos los datos neuronales, Plan4Act utiliz\u00f3 un clasificador de se\u00f1ales basado en una red neuronal artificial para interpretar estas se\u00f1ales y crear comandos de control para el entorno de la vivienda inteligente.<\/p>\n

Durante el proyecto, se recopil\u00f3 una gran cantidad de datos, por lo que se requiri\u00f3 la aplicaci\u00f3n del software de red neuronal artificial (ANN, por sus siglas en ingl\u00e9s), para acelerar los c\u00e1lculos de las se\u00f1ales interpretadas, las cuales se trasladaron a un hardware basado en una matriz de puertas l\u00f3gicas programable en campo (FPGA, por sus siglas en ingl\u00e9s). Junto a esta tecnolog\u00eda, se desarroll\u00f3 una herramienta para llevar a cabo una reprogramaci\u00f3n y adaptaci\u00f3n m\u00e1s r\u00e1pida del FPGA, con el fin de implementar en minutos los cambios producidos durante el an\u00e1lisis.<\/p>\n

\n
\n