Aprendendo a Controlar uma Interface Cérebro-Máquina para Alcançar e Agarrar por Primatas

Alcançar e agarrar em primatas dependem da coordenação da atividade neural em grandes conjuntos frontoparietais. Aqui demonstramos que primatas podem aprender a alcançar e agarrar objetos virtuais controlando um braço robô através de uma interface cérebro-máquina de feedback fechado (BMIc) que usa múltiplos modelos matemáticos para extrair vários parâmetros motores (ou seja, posição da mão, velocidade, força de agarre e os EMGs de múltiplos músculos do braço) da atividade elétrica de conjuntos neuronais frontoparietais. Como neurônios individuais tipicamente contribuem para a codificação de vários parâmetros motores, observamos que alta precisão do BMIc exigia o registro de grandes conjuntos neuronais. A operação contínua do BMIc pelos macacos levou a melhorias significativas tanto nas previsões do modelo quanto no desempenho comportamental. Usando feedback visual, os macacos conseguiram produzir movimentos de alcançar e agarrar do robô mesmo quando seus braços não se moviam. Aprender a operar o BMIc foi acompanhado por reorganização funcional em várias áreas corticais, sugerindo que as propriedades dinâmicas do BMIc foram incorporadas em representações corticais motoras e sensoriais.