En su artículo “Design of a brain-machine interface for reducing false activations of a lower-limb exoskeleton based on error related potential”, Soriano-Segura y colaboradores abordan uno de los cuellos de botella clásicos de las brain-machine interfaces basadas en imaginación motora para control de exosqueletos: las falsas activaciones. En lugar de confiar únicamente en el clasificador de MI, el equipo propone integrar los potenciales relacionados con el error (ErrP) como una capa adicional de supervisión. Para ello diseñan un protocolo específico para evocar ErrP asociados a activaciones incorrectas del exoesqueleto de miembro inferior, y desarrollan un método iterativo de selección de parámetros que optimiza la detección de estos potenciales en EEG. El resultado es una BMI capaz de autocorregir comandos erróneos en tiempo casi real, con un impacto directo sobre la seguridad y la usabilidad del sistema durante la marcha asistida con el Exo-H3.
El trabajo más reciente, “Characterization of error-related potentials during the command of a lower-limb exoskeleton based on deep learning”, se apoya en esa base y da un paso más en dos direcciones clave: caracterización detallada del ErrP en tareas de marcha con exoesqueleto y mejora de su detección mediante deep learning. En este caso, el grupo emplea la red EEG-Inception como modelo convolucional para identificar ErrP durante el inicio y la detención de la marcha asistida, primero en condiciones estáticas y posteriormente en movimiento. Además, introducen técnicas de data augmentation para abordar el desbalanceo inherente de los datasets de ErrP. Los resultados muestran una mejora en precisión y robustez frente a clasificadores tradicionales, confirmando que la combinación de modelos profundos y protocolos específicos de evocación permite explotar mejor la señal cerebral asociada al error durante el uso del exoesqueleto.
Considerados en conjunto, estos dos estudios avanzan hacia una arquitectura de control de exosqueletos en la que el usuario no solo genera comandos de marcha a través de la BMI, sino que también “evalúa” y corrige de forma implícita el comportamiento del robot mediante sus propias respuestas neurales. La integración de ErrP, primero como mecanismo de reducción de falsas activaciones y después como señal explotada con modelos de deep learning, ilustra un camino claro para aumentar la fiabilidad de las interfaces cerebro-máquina en rehabilitación. Más allá de la mejora cuantitativa en métricas de clasificación, la contribución principal es conceptual: situar la monitorización continua de la interacción humano-robot en el centro del diseño de control, un enfoque que previsiblemente se extenderá a futuras generaciones de sistemas de neurorrehabilitación y exosqueletos robóticos.