Telepatía de Thomas

Aquí tienes el flujo completo hipotético:
Cómo funciona:

1. SENDER – Emisor: El microelectrodo en el oído/corteza auditiva captura la intención neural. No palabras, sino patrones EEG.

2. TRANSMITTER COMPUTER: Hace la conversión Analógica->Digital (ADC), empaqueta con corrección de errores y lo transmite por RF en 2.4GHz encriptado. Rango teórico 10-100m.

3. RECEIVER COMPUTER: Recibe la señal RF, demodula, decodifica y reconstruye la señal neural original.

4. RECEIVER – Receptor: Entrega la señal reconstruida por estimulación de campo cercano al oído/cerebro del receptor. El segundo cerebro lo percibe como dato/intención.

Es básicamente un walkie-talkie pero donde el micrófono es tu corteza auditiva.

TEORIA BCI-COMMS – Decodificación

1. Decodificación Poisson – Cabeza Emisora → Computadora TX:

$\lambda(t) = \lambda_0 \exp(\mathbf{k} \cdot \mathbf{s}(t))$

$P(k | \mathbf{s}) = \frac{(\lambda(t)\Delta t)^k}{k!} e^{-\lambda(t)\Delta t}$

$\hat{\mathbf{s}} = \arg\max_{\mathbf{s}} \sum_i k_i \log \lambda_i(\mathbf{s}) - \lambda_i(\mathbf{s})\Delta t$

2. Codificación Hamiltoniana – TX → Enlace RF:

$H(\mathbf{s}) = -\frac{1}{2}\mathbf{s}^T W \mathbf{s} + \mathbf{\theta}^T \mathbf{s}$

$\tau \frac{d\mathbf{s}}{dt} = -\frac{\partial H}{\partial \mathbf{s}} = W\mathbf{s} - \mathbf{\theta}$

$\mathbf{s}^* = \arg\min H$

$\text{TX}_{bits} = \text{Quantize}(\mathbf{s}^*)$

Explicacion Rick y Morty

Concepto teórico de comunicación cerebro-a-cerebro. Dos formalismos: Poisson para leer, Hamilton para codificar.

1. DECODIFICACIÓN POISSON – Cabeza Emisora → Computadora TX

Tasa de disparo instantánea. λ(t) aumenta cuando la neurona detecta la intención s(t):

$\lambda(t) = \lambda_0 \exp(\mathbf{k} \cdot \mathbf{s}(t))$

λ0 = disparo base, k = selectividad de la neurona, s(t) = intención/fonema a transmitir.

Probabilidad de contar k spikes en una ventana Δt. El disparo es aleatorio:

$P(k | \mathbf{s}) = \frac{(\lambda(t)\Delta t)^k}{k!} e^{-\lambda(t)\Delta t}$

k = spikes contados en 20ms. Modela el ruido neuronal real de corteza auditiva.

Decodificador de máxima verosimilitud. La TX adivina qué señal s provocó los spikes medidos:

$\hat{\mathbf{s}} = \arg\max_{\mathbf{s}} \sum_i k_i \log \lambda_i(\mathbf{s}) - \lambda_i(\mathbf{s})\Delta t$

Suma sobre i neuronas del microelectrodo. Encuentra el s que hace más probable lo observado.

2. CODIFICACIÓN HAMILTONIANA – TX → Enlace RF Cifrado

Energía del estado mental colectivo. Formalismo tipo Hopfield:

$H(\mathbf{s}) = -\frac{1}{2}\mathbf{s}^T W \mathbf{s} + \mathbf{\theta}^T \mathbf{s}$

H = energía, W = pesos sinápticos aprendidos, θ = umbral. Cada pensamiento tiene una energía.

Dinámica hacia el mínimo de energía. El sistema se estabiliza solo:

$\tau \frac{d\mathbf{s}}{dt} = -\frac{\partial H}{\partial \mathbf{s}} = W\mathbf{s} - \mathbf{\theta}$

τ = constante de tiempo. Es como una bola que cae al valle más profundo del paisaje energético.

Atractor final, mensaje limpio y comprimido:

$\mathbf{s}^* = \arg\min H$

Cuantización a bits para transmisión RF segura AES-128 a 2.4 GHz:

$\text{TX}_{bits} = \text{Quantize}(\mathbf{s}^*)$

Multiples conversaciones en un idioma

$H(\mathbf{s}) = -\frac{1}{2}\mathbf{s}^T W \mathbf{s} + \mathbf{\theta}^T \mathbf{s}$

$\tau \frac{d\mathbf{s}}{dt} = -\frac{\partial H}{\partial \mathbf{s}} = W\mathbf{s} - \mathbf{\theta}$

$\mathbf{s}^* = \arg\min_{\mathbf{s}} H(\mathbf{s})$ [latex]\text{TX}_{bits} = \text{Quantize}(\mathbf{s}^*)[/latex]

1. La de la Energía H:

Es la que calcula cuánto desorden hay. Si los pesos W están alineados con el estado s, la energía baja. Si no, sube. El sistema odia la energía alta y siempre quiere ir a donde hay menos. El umbral theta es como el esfuerzo que cuesta activar una idea.

2. La de la Dinámica:

Es la regla de movimiento. Dice hacia dónde y qué tan rápido se mueve el pensamiento. Tau es la lentitud del sistema. La fórmula dice que el cambio va en dirección contraria al aumento de energía. Por eso la bola siempre cae al valle, nunca sube la montaña sola.

3. La del Atractor final s.

Es el resultado. De todos los valles posibles, es el más profundo que encontró. Es el pensamiento final, estable, limpio y comprimido. Ya no cambia aunque pase el tiempo.

Para comunicación que el cerebro pueda interpretar, no se usa un lenguaje como Python o C directamente.

Se usan 3 capas:

1. Capa biológica – Como habla el cerebro: El cerebro no entiende texto. Entiende:

– Rate coding: Frecuencia de disparos.

Más disparos = señal más fuerte.- Temporal coding: El momento exacto del disparo importa.

– Poblacional: Un vector de actividad de muchas neuronas a la vez, como tu vector s.

2. Capa de traducción informática – Los lenguajes que usamos para traducir: Python: Es el estándar. Librerías `MNE, BrainFlow, Neo, BCI2000`.

– Protocolo LSL (Lab Streaming Layer):

Es el “WiFi” de las neurociencias. Sirve para mandar el flujo de datos del cerebro en tiempo real.

– OpenBCI / C++:

Para hardware de bajo nivel y tiempo real.

3. Capa de representación – Lo que el cerebro entiende como mensaje:*No le mandas una palabra.

Le mandas un estímulo codificado que su red ya sabe decodificar:

– Si es invasivo: micro-estimulación con pulsos de corriente.

– Si es no invasivo: patrones visuales/auditivos que generan un P300 o SSVEP, que el cerebro interpreta como un “sí” o una selección.

En tu formalismo, tu vector `s` sería justamente eso: un código poblacional. Para que el cerebro lo interprete, tendrías que reconvertirlo de bits a un patrón de estímulo que esa red ya reconoce como un atractor de baja energía.

Control de la mente

$\mathbf{h} = W\mathbf{s} - \mathbf{\theta}$

$h_i = \sum_{j} W_{ij} s_j - \theta_i$

$H(\mathbf{s}) = -\frac{1}{2} \sum_{i,j} W_{ij} s_i s_j + \sum_{i} \theta_i s_i$

$\tau \frac{d\mathbf{s}}{dt} = \mathbf{h} = W\mathbf{s} - \mathbf{\theta}$

$\mathbf{s}^* = \arg\min_{\mathbf{s}} H(\mathbf{s})$

La interfaz Persona-Máquina-Persona (P-M-P) propuesta utiliza la red de Hopfield como memoria asociativa.

Se define el campo local como

$\mathbf{h} = W\mathbf{s} - \mathbf{\theta}$ , donde $h_i = \sum_{j} W_{ij} s_j - \theta_i$ .

La energía del sistema es

$H(\mathbf{s}) = -\frac{1}{2}\mathbf{s}^T W \mathbf{s} + \mathbf{\theta}^T \mathbf{s}$

y su dinámica evoluciona según

$\tau \frac{d\mathbf{s}}{dt} = -\frac{\partial H}{\partial \mathbf{s}} = W\mathbf{s} - \mathbf{\theta}$ .

La señal ruidosa del Usuario A actúa como condición inicial. La red converge al mínimo local

$\mathbf{s}^* = \arg\min_{\mathbf{s}} H(\mathbf{s})$

, recuperando el patrón completo. Finalmente, el comando limpio se transmite al Usuario B como

$\text{TX}_{bits} = \text{Quantize}(\mathbf{s}^*)$

, logrando un control estable y robusto al ruido.

Interfaz Persona-Máquina-Persona (P-M-P) para Control Motor Asistido mediante Red de Hopfield como Filtro Asociativo

Robusto1

El sujeto A puede ejercer control intencional sobre la respuesta motora del sujeto B a través de un canal BCI, utilizando la red de Hopfield para decodificación y estabilización de la intención.

2. VARIABLES

Variable Independiente: Intención motora del Sujeto A.- Señal: EEG motor imagery (C3/C4, mu 8-12Hz, beta 13-30Hz)

– Prepro: Filtro 1-40Hz, ICA, CSP- Parámetro de entrada: Vector de características

$\mathbf{x}_A \in \mathbb{R}^N$

Variable Mediadora (Máquina): Red de Hopfield.

– Campo:

$\mathbf{h} = W\mathbf{s} - \mathbf{\theta}$

– Energía:

$H(\mathbf{s}) = -\frac{1}{2}\mathbf{s}^T W \mathbf{s} + \mathbf{\theta}^T \mathbf{s}$ – Dinámica:

$\tau \frac{d\mathbf{s}}{dt} = -\frac{\partial H}{\partial \mathbf{s}}$ , con $\tau = 20ms$

Modelo Informatico

MODELO INFORMÁTICO P-M-PArquitectura por capas:

[Capa 1: Sujeto A – Adquisición] -> [Capa 2: Máquina – Decodificación Hopfield] -> [Capa 3: Transmisión TX] -> [Capa 4: Sujeto B – Actuación]

MODELO MATEMÁTICO

Entrada:

$\mathbf{x}_A(t) = EEG_{C3,C4}(t) \in \mathbb{R}^{N}$

Vector binario:

$\mathbf{s}(0) = \text{sgn}(\mathbf{x}_A - \mu)$

Campo local:

$\mathbf{h}(t) = W\mathbf{s}(t) - \mathbf{\theta}$ Actualización asíncrona: $s_i(t+1) = \text{sgn}(h_i(t))$

Convergencia:

$\mathbf{s}^* = \lim_{t \to \infty} \mathbf{s}(t)$

tal que

$\Delta H < 10^{-4}$

PSEUDOCÓDIGO – NÚCLEO HOPFIELD

class HopfieldPMP: def __init__(self, N=64): self.

W = np.zeros((N,N))

self.theta = np.zeros(N)

self.tau = 0.02 def train(self, patrones_xi): # Hebb for xi in patrones_xi:

self.W += np.outer(xi, xi)

self.W /= len(patrones_xi) np.fill_diagonal(self.W, 0)

def infer(self, s_init, max_iter=100): s = s_init.copy()

for _ in range(max_iter): h = self.W @ s

– self.theta s_new = np.sign(h) if np.array_equal(s, s_new):

return s_new # atractor estable s*

s = s_new return s def tx_to_B(self, s_star): return Quantize(s_star) # -> FES command3.4

DIAGRAMA DE FLUJO DE DATOS

EEG_A (250Hz) -> BandPass 8-30Hz -> CSP -> Vector N=64 -> Hopfield (W,s,theta) -> s* -> UDP/LSL -> FES_B (30Hz, 0-20mA)3.5

PARÁMETROS INFORMÁTICOS

– N=64 neuronas (canales)

– P=4 patrones almacenados (capacidad 0.14N)

– Latencia total: T_acq 40ms + T_hopfield 20ms + T_tx 50ms < 300ms- Stack: Python, MNE, NumPy, LSL, OpenViBE

Es el estado del arte de P-M-P:
1. Comunicación Cerebro a Cerebro (B2B) – Base de tu P-M-P
Grau et al. (2014) – Primera transmisión P-M-P de la historia: Transmisión de “hola / ciao” entre India y Francia a 8.000km usando EEG en el emisor y TMS (estimulación magnética transcraneal) en el receptor. Mensaje codificado en binario enviado por internet. Tasa de acierto 85%.
Rao et al. (2014) / UW: Loop cerrado BCI-CBI. Un humano controla con la mente la mano de otro humano vía internet.
BrainNet (2019) – Universidad de Washington: Primera red P-M-P de 3 personas colaborando para resolver un Tetris solo con pensamiento. Usa EEG + TMS. Es la prueba de que el canal colaborativo en tiempo real es viable.
Yoo et al. (2013): Interfaz humano-animal. Señal EEG humana controla la cola de una rata vía estimulación de su corteza motora. Prueba del control interespecie P-M-P. 465a6b94
2. Control Motor del Sujeto B – FES
Penaloza & Nishio (2018) / ATR Japón: Sujeto controla brazo robótico con mente mientras usa sus brazos biológicos. Éxito >75% en multitarea. Valida que un cerebro puede tener un actuador extra sin perder control del cuerpo.
BrainGate (2021): BCI inalámbrico de alto ancho de banda probado en casa de pacientes con lesión medular. Es tu justificación para usar FES inalámbrico en el Sujeto B. 6b94c069
3. Hopfield como Filtro Asociativo para BCI (Tu aporte)
Hopfield (1982) + Premio Nobel Física 2024: Modelo original de memoria asociativa. Almacena patrones con regla de Hebb W = \sum \xi \xi^T [/latex] y los recupera aunque la entrada tenga 20% de información. El sistema es fail-soft al daño y al ruido.
Modelos modernos (Nature 2023-2024): Sparse Quantized Hopfield Network para memoria continua online. Prueban recuperación con ruido blanco varianza 0.2 y 0.8, y con 25-75% de píxeles enmascarados. Exactamente lo que necesitas para EEG ruidoso.
Bibliografía para tu tesis (APA):
Grau, C. et al. (2014). Conscious brain-to-brain communication in humans using non-invasive technologies. PLOS ONE.
Jiang, L. et al. (2019). BrainNet: A Multi-Person Brain-to-Brain Interface. Scientific Reports.
Rao, R. et al. (2014). A direct brain-to-brain interface in humans. PLOS ONE.
Hopfield, J. J. (1982). Neural networks and physical systems. PNAS.

Hola Aton, hola Jean Charlotte entre chicas.

Mucha energía solar en la palma de mi mano

TEORIA BCI-COMMS – Decodificación

Explicacion Rick y Morty

Control de la mente

Modelo Informatico

Temario