Integrando el Aprendizaje Profundo y los Registros Intracorticales para Investigar las Representaciones de la Memoria Humana Naturalista

Las experiencias naturales requieren acciones dirigidas a objetivos dentro de entornos complejos y ricos en estímulos sensoriales. Los recuerdos de estas experiencias son inherentemente multidimensionales, integrando características perceptuales con representaciones abstractas y contextos espacio-temporales. A pesar del creciente interés en comprender la memoria en condiciones naturales, la neurociencia cognitiva históricamente ha carecido de un marco integrador para explicar cómo se forman, almacenan y reactivan las representaciones de la memoria en el cerebro humano. Esto ha cambiado en la última década con la aparición de las redes neuronales profundas (DNNs, por sus siglas en inglés) como un enfoque prometedor para investigar el procesamiento de información en cerebros biológicos y artificiales. Para resolver tareas complejas, las DNNs transforman progresivamente información perceptual en representaciones relevantes a través de múltiples niveles jerárquicos de abstracción. Estas representaciones jerárquicas se moldean por el diseño arquitectónico, los algoritmos de aprendizaje y las funciones objetivo de las redes, parámetros que pueden manipularse sistemáticamente en simulaciones para explorar cómo afectan el comportamiento y rendimiento de la red. Como modelos sintéticos, integrales y orientados a tareas del comportamiento natural, las DNNs constituyen un paradigma poderoso para modelar la formación y el almacenamiento de representaciones cognitivas. Si bien las DNNs se han aplicado ampliamente en tareas como el reconocimiento de objetos, el procesamiento del lenguaje y la toma de decisiones, su potencial para rastrear representaciones cognitivas durante procesos mnemónicos ha sido poco explorado. Además, la mayoría de los estudios basados en DNNs se han apoyado en datos de resonancia magnética funcional (fMRI) o datos electrofisiológicos en modelos animales. Sin embargo, los modelos animales no capturan completamente la complejidad de las representaciones cognitivas humanas, y la fMRI carece de la resolución temporal necesaria para examinar las dinámicas neurofisiológicas de la memoria humana. Las grabaciones de EEG intracraneal en pacientes humanos con epilepsia (iEEG) superan estas limitaciones, proporcionando acceso a representaciones neuronales en múltiples niveles de organización cerebral, desde ensamblajes celulares locales en estructuras profundas del cerebro hasta redes neocorticales a gran escala, con una resolución temporal a nivel de milisegundos. En un esfuerzo interdisciplinario que integra enfoques metodológicos de la inteligencia artificial y la neurociencia, incluidas técnicas de aprendizaje profundo y grabaciones con electrodos profundos, DEEPEEG aprovechará las representaciones en múltiples capas generadas por DNNs entrenadas en tareas naturalistas complejas y la alta resolución espaciotemporal del iEEG para modelar los formatos representacionales y las dinámicas temporales de la memoria humana con niveles de detalle sin precedentes. Basándonos en nuestro trabajo previo modelando representaciones de memoria de trabajo visual con DNNs convolucionales recurrentes e iEEG, en este proyecto entrenaremos e implementaremos modelos de aprendizaje profundo avanzados para investigar la base neurofisiológica de memorias naturalistas complejas.