Interfaces Cérebro-Computador: pessoas voltando a “falar” com a mente

Em 1973, o cientista Jacques Vidal apresentou o termo “Brain-Computer Interface (BCI)” e publicou o primeiro artigo que estudava a capacidade de usar sinais cerebrais para controlar computadores. Jacques foi o responsável por introduzir a ideia da interface cérebro-computador.

Após 1973, nas décadas de 1980 e 1990, Jonathan Wolpaw, Niels Birbaumer, Dennis J. McFarland, Gerwin Schalk, Eberhard Fetz e Philip Kennedy desenvolveram sistemas experimentais para interpretar a atividade cerebral através do equipamento de eletroencefalografia. Nesses sistemas, eles possibilitaram a capacidade de controlar cursores ou selecionar letras lentamente, começando a possível comunicação sem a necessidade da fala, utilizando apenas bombardeios do cérebro.

Logo após o artigo de Jacques e a consequente inovação dos pesquisadores das décadas de 1980 e 1990, os BCIs passaram a ser testados em pacientes com casos específicos a partir dos anos 2000. Essa nova ferramenta foi testada por Niels e Jonathan em pacientes com esclerose lateral amiotrófica, através de sistemas que lhes permitiam responder “sim” ou “não”, selecionar letras em uma máquina que possuía teclado virtual e escrever palavras de forma lenta, como visto anteriormente nos testes dos recursos produzidos. Matt Nagle foi o caso mais conhecido dentro da história dos BCIs, pois em 2001 foi esfaqueado e acabou sofrendo uma lesão na medula cervical que o deixou tetraplégico. Logo, em 2004, foi utilizado um voluntário para testar um implante do projeto BrainGate, que está diretamente conectado com o início dos equipamentos de interfaces cérebro-computador. Graças a esse implante, Matt conseguiu mover o cursor de computadores, abriu e-mails, jogou jogos simples, controlou uma televisão e operou outros dispositivos eletrônicos apenas através dos impulsos cerebrais que seu recurso captava e transformava em atividade. Ele foi a primeira demonstração divulgada de uma BCI funcionando em um ser humano. Outros casos, como Erik Sorto, Jan Scheuermann e Nathan Copeland, foram referidos devido, por meio dos BCIs, à evolução de terem conseguido controlar um braço robótico pelo pensamento.

Nos anos seguintes, em 2021, Edward Chang, David Moses, Sean L. Metzger, Jessie R. Liu e Karunesh Ganguly, pesquisadores da Universidade da Califórnia em San Francisco, marcaram um avanço no mundo das interfaces cérebro-computador após terem desenvolvido uma ferramenta capaz de converter os sinais cerebrais em tempo real, o que antes era um processo lento, agora se tornou praticamente instantâneo.

Mais recentemente, em 2023 e 2024, foram se aperfeiçoando tais tecnologias para que a comunicação dos BCIs fosse se tornando cada vez mais rápida e possibilitasse maior comunicação por parte do paciente que estava usando-as, aproximando-se do tom de uma conversa natural.

Nos anos seguintes, em 2021, Edward Chang, David Moses, Sean L. Metzger, Jessie R. Liu e Karunesh Ganguly, pesquisadores da Universidade da Califórnia em San Francisco, marcaram um avanço no mundo das interfaces cérebro-computador após terem desenvolvido uma ferramenta capaz de converter os sinais cerebrais em tempo real, o que antes era um processo lento, agora se tornou praticamente instantâneo.

Mais recentemente, em 2023 e 2024, foram se aperfeiçoando tais tecnologias para que a comunicação dos BCIs fosse se tornando cada vez mais rápida e possibilitasse maior comunicação por parte do paciente que estava usando-as, aproximando-se do tom de uma conversa natural.

Nas seções subsequentes será explicado o mecanismo de funcionamento das BCIs. Tudo começa na intenção. O ser humano apresenta uma vontade, por exemplo, sede, fome, vontade de levantar da cama etc. Após esse desejo de algo ou de fazer alguma coisa, o cérebro passa a entrar em atividade para planejar a execução disso, começando pelo córtex pré-frontal, que planeja a mensagem, até a área de Wernicke, que seleciona as palavras e o significado. Dentro desse ciclo, após o trabalho do córtex pré-frontal, vêm a área de Broca, que organiza os movimentos da fala, o córtex motor, que programa os músculos envolvidos, e a área motora suplementar, que monta a sequência dos movimentos, até chegar à área de Wernicke. Vale ressaltar que mesmo que uma pessoa sofra de paralisia, essas atividades, ainda que não consigam resultar no produto final, produzem atividade elétrica dentro do sistema nervoso, especificamente no cérebro.

Após todo esse planejamento, a próxima etapa é realizada pelos neurônios, que comunicam entre si através dos potenciais de ação. Sempre que um neurônio é disparado, os íons de sódio entram na célula, os de potássio saem e passa a existir uma diferença elétrica dentro daquele corpo celular. Essa atividade nunca acontece apenas com um neurônio, pois ele não possui capacidade suficiente para gerar um sinal grande; por isso, milhões são disparados para gerar um campo elétrico suficientemente intenso que possa ser captado pelos eletrodos.

A partir deste passo a seguir que se inicia a função dos sensores BCIs, que são divididos em três formas principais:

• EEG (não invasivo): responsável por conter eletrodos que ficam sobre o couro cabeludo captando ritmos alfa, beta, gama e potenciais de eventos.
• ECoG (eletrodos sobre o córtex cerebral): captam bandas delta, theta, alfa, beta, gama e gama de alta frequência.
• Microeletrodos intracorticais (implantados dentro do córtex): captam potenciais de ação, taxa de disparo neuronal, padrões de populações neurais, potenciais de campos locais, codificação do movimento, planejamento motor, informações da fala e plasticidade neural.

Após essa captação realizada por meio dos sensores de BCIs, os computadores precisam transformar toda a informação recebida em números, pois os sinais são analógicos. Tais ferramentas digitais podem fazer esse processo acontecer por meio de amplificação, filtragem e conversão analógico-digital. Um fato curioso é que cada milissegundo possui milhares de valores numéricos representando a atividade cerebral.

Entra-se na parte mais complexa: processamento por inteligência artificial (IA). Converter os sinais em números para um ser humano pode não parecer informação importante ou rentável para ser utilizada, mas a IA é capaz de reconhecer padrões dentro dessa imensidão de números. Mas antes de reconhecer os padrões, ela precisa tirar elementos desnecessários, fazendo esse processo através de ações como remoção de interferência elétrica, remoção de piscadas, remoção de movimentos da cabeça e normalização dos sinais. Feito isso, as características são extraídas (frequência, amplitude, sincronização, taxa de disparo e potência espectral). Assim, após passar por todas essas etapas, começamos a ter relações do tipo: esse determinado padrão exemplifica a intenção de mover a mão; este outro faz menção à palavra “água”.

Por fim, depois da decodificação, o computador transforma o pensamento em texto, voz sintetizada, movimento de cursor, braço robótico, cadeira de rodas, próteses e teclado virtual. Um exemplo concreto pode ser explicado através do pensar “quero beber água”, e instantaneamente aparece no visor de um monitor ou por uma caixa de som “estou com sede”.

Vale ressaltar que antes de sua utilização concreta, a inteligência artificial precisa passar por um treinamento com o paciente para que ela possa aprender sobre a atividade cerebral daquela pessoa. Para isso, o paciente repete milhares de vezes a mesma tarefa para que a ferramenta possa anotar em seu armazenamento de dados quais os padrões daquela tarefa. Se um paciente pensa “sim”, a IA codifica os números das atividades cerebrais correspondentes àquele pensamento e registra um padrão; se o paciente pensa “não”, ela registra outro. Além disso, as BCIs possuem um ciclo de feedback chamado loop fechado (closed-loop) para ajustar constantemente a conexão entre cérebro e algoritmo e assim aumentar cada vez mais a precisão e neutralidade dessa nova tecnologia.

O primeiro tipo de sensor a ser diagnosticado será o EEG (eletroencefalografia). Suas vantagens abrangem: não requer cirurgia, baixo risco ao paciente, menor custo, equipamentos portáteis disponíveis, fácil instalação e manutenção, adequado para estudos grandes, excelente resolução temporal e muito utilizado em pesquisa e reabilitação. Em contrapartida, suas desvantagens pontuam o fato de que, por conta de sua instalação no couro cabeludo, os sinais podem ser atenuados e distorcidos, baixa resolução espacial, não identifica neurônios individuais, alta suscetibilidade a ruídos, velocidade de comunicação limitada e menor precisão na decodificação.

Avaliando o ECoG (eletrocorticografia), ele apresenta vantagens de ter sinais mais limpos que os do EEG, alta resolução espacial, excelente resolução temporal, detecta oscilações de alta frequência que são importantes, menor interferência, alta precisão de decodificação e estabilidade maior do que a de implantes intracorticais. Porém, requer cirurgia, existe risco de infecção, sangramento e outras complicações, não registra a atividade de neurônios individuais, tem custo elevado e tem menor disponibilidade clínica.

Os microeletrodos intracorticais possuem maior resolução espacial disponível, registram potenciais de ação de neurônios individuais, captam potenciais de campo locais, identificam padrões detalhados, elevada precisão para controle de próteses, excelente desempenho de decodificação e potencial para interfaces comunicativas rápidas. Todavia, requer cirurgia altamente invasiva, maior risco de complicações, formação de cicatrizes ao redor dos eletrodos, que pode reduzir a qualidade dos sinais com o tempo, vida útil limitante, alto custo de implantação e manutenção e necessidade de acompanhamento especializado.

A melhor escolha referente a qual dos sensores se deve utilizar depende da função que ele precisa exercer, pois, por exemplo, enquanto os microeletrodos intracorticais oferecem maior capacidade tecnológica, ao mesmo tempo oferecem maiores riscos para o paciente. Assim como o EEG apresenta baixa inovação, traz mais conforto para o paciente. Por isso, é de extrema importância analisar quais objetivos se espera alcançar com o sensor, para assim poder escolher a melhor alternativa a ser usada para aquela situação em específico.

Ainda assim, podemos avaliar qual a melhor alternativa para cada uma das situações a seguir: acessibilidade, segurança e utilização; restauração da comunicação; máximo desempenho. Para este primeiro, recomenda-se o EEG, pois ele é o mais indicado para se realizar pesquisas, comunicação simples para pacientes que não possuem a fala, baixo custo e principalmente por ser pouco invasivo. Já para restaurar a comunicação em pessoas com paralisia grave, recomenda-se o ECoG, pois ele fornece maior capacidade de receber e decodificar os sinais elétricos recebidos do cérebro e, assim, permite maior agilidade na comunicação através dos BCIs. E por fim, para máximo desempenho possível considera-se os microeletrodos intracorticais por apresentarem a maior quantidade de detalhes na questões de converter os impulsos cerebrais recebidos, mesmo que necessita-se uma cirurgia mais invasiva e alguns desafios na recuperação.

Sabe-se que os BCIs constituíram um importante avanço na neurociência devido à sua capacidade de converter pensamentos em ações concretas até mesmo para pacientes que sofrem com paralisia e perderam a habilidade de falar ou se locomover, por exemplo. Mas, mesmo sendo apresentado como uma inovação tecnológica avançada, ele ainda enfrenta algumas limitações quanto ao uso e à aplicação para pesquisas. Tais limitações serão abordadas nos parágrafos que se iniciam a seguir.

O principal desafio para os BCIs consiste na aquisição dos sinais neurais. Isso acontece porque os sinais elétricos produzidos pelos neurônios são extremamente pequenos e podem ser mascarados por ações como movimentos da cabeça, piscadas de olhos, atividade dos músculos faciais, interferência elétrica e deslocamento de eletrodos. Tudo isso pode prejudicar a precisão da decodificação, além de trazer instabilidade para os sinais. Não só as ações mencionadas previamente, mas também o fato de os padrões neurais mudarem com o tempo constituem outro desafio dentro da aquisição dos impulsos elétricos cerebrais. Fatores como fadiga, atenção, sono, uso de medicamentos, aprendizagem e alterações fisiológicas são responsáveis por mudar a forma com que os neurônios comunicam entre si, e consequentemente alterando os padrões codificados.

Pontua-se também a limitação dos sensores. Como já foi falado anteriormente, cada sensor apresentou suas vantagens, mas mostrou desvantagens também. Esses pontos negativos de cada um contribuem para que não exista um único sensor que seja adequado para qualquer tipo de situação, independentemente de qual seja. Assim, os cientistas precisam escolher algum que apresente menos falhas, dependendo da situação em que precisam utilizá-lo.

As inteligências artificiais (IAs) fazem parte de um dos processos dentro do mecanismo de funcionamento dos BCIs e constituem um dos papéis mais importantes dentro de todo o processo. Mas, elas também apresentam seus desafios, e são eles a necessidade de treinamento e a generalização limitada, pois um algoritmo treinado para uma pessoa normalmente não funciona adequadamente em outro e ainda não existem modelos universais que são capazes de interpretar sinais elétricos de qualquer cérebro.

Também possui limitações na comunicação, visto que a velocidade dela costuma ser menor que a de uma fala natural, o vocabulário é limitado, a precisão diminui quando o paciente está cansado ou distraído e há falta de capacidade de interpretar pensamentos complexos sempre. Há limitações biológicas, ou seja, o fato de o cérebro não produzir exatamente os mesmos sinais todas as vezes, pois a atividade varia conforme emoções, estresse, atenção, aprendizagem, envelhecimento e doenças. Por exemplo, o padrão do “sim” no dia em que o usuário estava feliz pode não ser o mesmo padrão de “sim” quando ele está triste.

Analisam-se as limitações clínicas, nas quais nem todos os pacientes são candidatos ao uso de BCIs por restrições de condições neurológicas específicas, riscos cirúrgicos, epilepsia, infecções e estado geral de saúde. Limitações energéticas e tecnológicas, devido aos dispositivos implantáveis precisarem de alimentação elétrica contínua, transmissão segura dos dados, miniaturização dos componentes e controle do aquecimento gerado pelos circuitos.

Outros desafios surgem nas questões éticas, econômicas e científicas. Na parte ética, os BCIs levantam questões relacionadas à privacidade dos dados neurais, segurança contra acessos não autorizados, consentimento do paciente, autonomia na tomada de decisões e responsabilidade em casos de falhas. Na economia, a maior parte dessa ferramenta possui custo elevado pelo equipamento especializado, procedimentos cirúrgicos, equipes multidisciplinares e manutenção dos dispositivos, limitando o acesso à maior parte da sociedade. E na parte científica, por não ser possível, até o momento, compreender por completo como o cérebro codifica informações complexas, dificultando o desenvolvimento de tecnologias capazes de realizar a interpretação de pensamentos abstratos, criatividade, emoções, imaginação e tomada de decisões.

Na pesquisa e no subsequente artigo científico acima foram abordadas questões que trataram acerca do tema “Interfaces Cérebro-Computador: pessoas voltando a ‘falar’ com a mente”, apontando a divisão de tópicos em introdução, desenvolvimento e considerações finais. Foram discutidas exemplificações sobre a história de criação e constante evolução das Brain-Computer Interfaces (BCIs), todo o processo por trás do seu mecanismo de funcionamento, vantagens e desvantagens de cada tipo de sensor utilizado no tratamento por BCIs, limitações em suas utilizações e curiosidades científicas.

É importante ressaltar que, mesmo que as interfaces constituam um avanço significativo para a ciência e a saúde, essa ferramenta ainda possui riscos e desafios a serem enfrentados, principalmente quanto às desvantagens nos sensores e limitações nas questões aquisitivas, sensoriais, de inteligência artificial, comunicativas, biológicas, clínicas, energéticas, tecnológicas, éticas, econômicas e científicas.

1. Vidal, J. J. (1973). Toward Direct Brain-Computer Communication. Annual Review of Biophysics and Bioengineering, 2, 157–180.
2. Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., & Vaughan, T. M. (2002). Brain-computer interfaces for communication and control. Clinical Neurophysiology, 113(6), 767–791.
3. Wolpaw, J. R., & Wolpaw, E. W. (Eds.). (2012). Brain-Computer Interfaces: Principles and Practice. Oxford University Press.
4. He, B. (Ed.). (2013). Neural Engineering. Springer.
5. Kandel, E. R., Koester, J., Mack, S., & Siegelbaum, S. (2021). Principles of Neural Science (6th ed.). McGraw-Hill.
6. Niedermeyer, E., & Lopes da Silva, F. H. (2011). Electroencephalography: Basic Principles, Clinical Applications, and Related Fields.
7. Schalk, G., & Leuthardt, E. C. (2011). Brain-computer interfaces using electrocorticographic signals. IEEE Reviews in Biomedical Engineering.
8. Nicolelis, M. A. L. (2001). Actions from thoughts. Nature.
9. Nicolelis, M. A. L. (2003). Brain-machine interfaces to restore motor function and probe neural circuits. Nature Reviews Neuroscience.
10. Hochberg, L. R., et al. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature.
11. Hochberg, L. R., et al. (2012). Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature.
12. Moses, D. A., et al. (2021). Neuroprosthesis for Decoding Speech in a Paralyzed Person with Anarthria. The New England Journal of Medicine.
13. Metzger, S. L., et al. (2023). A high-performance neuroprosthesis for speech decoding and avatar control. Nature.
14. Anumanchipalli, G. K., Chartier, J., & Chang, E. F. (2019). Speech synthesis from neural decoding of spoken sentences. Nature.
15. Roy, Y., et al. (2019). Deep learning-based electroencephalography analysis: a systematic review. Journal of Neural Engineering.
16. Doidge, N. (2015). The Brain That Changes Itself.
17. Georgopoulos, A. P., et al. (1986). Neuronal population coding of movement direction. Science.
18. Lebedev, M. A., & Nicolelis, M. A. L. (2006). Brain-machine interfaces: past, present and future. Trends in Neurosciences.
19. Ramadan, R. A., & Vasilakos, A. V. (2017). Brain-computer interface: Control signals review. Neurocomputing.
20. Lotte, F., et al. (2018). A review of classification algorithms for EEG-based brain-computer interfaces. Journal of Neural Engineering.
21. Musk, E., et al. (2019). An integrated brain-machine interface platform with thousands of channels. Journal of Medical Internet Research.
22. Purves, D., et al. (2018). Neuroscience (6th ed.).
23. Cohen, M. X. (2017). Analyzing Neural Time Series Data.
24. Ceruzzi, P. E. (2012). Computing: A Concise History.
25. Campbell-Kelly, M., & Aspray, W. (2004). Computer: A History of the Information Machine.