¿Alguna vez te has preguntado qué pasa realmente en tu mente mientras duermes? ¿O has deseado recordar con claridad un sueño fugaz? Imagina despertar y poder ver lo que soñaste la noche anterior, como si hubieras grabado una película en tu propia mente. Lo que hasta hace poco parecía ciencia ficción hoy está un paso más cerca de la realidad gracias a un fascinante avance en la neurociencia y la inteligencia artificial.
Un equipo japonés del Laboratorio de Neurociencia Computacional ATR en Kioto, liderado por el profesor Yukiyasu Kamitani, ha desarrollado una tecnología experimental capaz de capturar patrones de actividad cerebral durante el sueño y reconstruir imágenes simbólicas de lo que soñamos. Lo logran mediante una combinación de resonancia magnética funcional (fMRI) e inteligencia artificial.
Aunque las representaciones visuales son aún muy básicas, este logro abre una ventana sin precedentes a nuestra comprensión de la mente y el subconsciente, prometiendo revolucionar nuestra forma de ver los sueños.
¿Cómo “capturan” los sueños?
El proceso es una combinación ingeniosa de la neurociencia y la Inteligencia Artificial. Los científicos utilizan una técnica llamada resonancia magnética funcional (fMRI). A diferencia de una resonancia magnética normal que muestra la estructura del cerebro, la fMRI mide los pequeños cambios en el flujo sanguíneo que ocurren con la actividad cerebral. Esto permite a los investigadores ver qué áreas del cerebro están “encendidas” en un momento dado.
¿Cómo funciona la MRI y qué es la fMRI?
La Resonancia Magnética (MRI) es una técnica de imagen médica que utiliza campos magnéticos y ondas de radio para generar imágenes detalladas de los órganos internos, sin necesidad de radiación. Se basa en un principio físico: los átomos de hidrógeno en el cuerpo responden al campo magnético alineándose; cuando se interrumpe ese campo, liberan energía que puede medirse y transformarse en imágenes por computadora.La resonancia magnética funcional (fMRI) es una variante de esta tecnología que permite observar la actividad cerebral en tiempo real. No mide directamente la actividad de las neuronas, sino los cambios en el flujo sanguíneo, a través de una señal llamada BOLD (Blood Oxygen Level Dependent). La idea es que las áreas activas del cerebro consumen más oxígeno, y la fMRI detecta esas variaciones como “mapas de activación” cerebrales.
¿Cómo se capturan las imágenes? fMRI al detalle
La fMRI permite visualizar las áreas activas del cerebro, como se muestra en estos mapas de activación neuronal durante el sueño REM. Estos patrones son la clave que la IA interpreta para reconstruir el contenido onírico. Para lograr esta proeza, los científicos idearon un protocolo meticuloso:
- Escaneo cerebral durante el sueño Los voluntarios duermen dentro de un escáner fMRI, una especie de gran tubo magnético, que mide el nivel de oxigenación en la sangre (señal BOLD) como indicador indirecto de actividad neuronal. Se registran tantas fases REM (Movimiento Ocular Rápido) como sea posible, ya que en ese momento los sueños son más intensos y vívidos.
- Despertar e informe del sueño En cuanto se detecta la fase REM, se despierta al voluntario para que describa lo soñado. Este proceso se repite cientos de veces (más de 200 por participante), creando una base de datos robusta que vincula imágenes mentales con patrones cerebrales, casi como un diccionario personalizado para cada soñador.
- Registro adicional durante vigilia Los sujetos luego observan imágenes conocidas (como objetos cotidianos o escenas) mientras el escáner fMRI registra la actividad cerebral asociada. Estas señales son cruciales, ya que sirven para entrenar el modelo de IA con ejemplos controlados y conocidos.
El algoritmo de IA: de fMRI a imágenes oníricas
El verdadero motor de esta decodificación reside en la sofisticación de los algoritmos de Inteligencia Artificial. Se emplean modelos de machine learning y, sobre todo, redes neuronales profundas (DNN).
El entrenamiento se hace mapeando patrones cerebrales observados durante la vigilia (cuando los voluntarios miran imágenes reales y el fMRI registra su cerebro) con las funciones visuales de una Red Neuronal Profunda (DNN) que ya ha sido ‘educada’ para reconocer millones de imágenes del mundo real. Esto es crucial: la IA primero aprende a “ver” cómo el cerebro representa imágenes conocidas.
Al aplicarse a los datos recogidos durante el sueño, el algoritmo predice qué tipo de imagen (o categoría visual) coincide con los patrones cerebrales observados. Las predicciones alcanzan una sorprendente precisión del 60% al 70%.
¿Qué modelos de machine learning se utilizan?
Para esta compleja tarea, los investigadores emplean una combinación de modelos de machine learning:
- SVM (Máquinas de Vectores de Soporte): Este modelo se utiliza para clasificar los patrones cerebrales. Por ejemplo, puede aprender a diferenciar entre cuando una persona está soñando con una “cara” frente a un “paisaje”. SVM dibuja una línea (o una superficie) que separa los datos en distintas categorías, útil para determinar a qué categoría pertenece un patrón cerebral.
- Regresión Lineal: Cuando se busca predecir una señal continua, como la intensidad de activación en una región del cerebro asociada a un objeto visual, se usa regresión lineal. Es como trazar una recta que se ajuste lo mejor posible a los puntos observados para predecir nuevos valores.
- Redes Neuronales Profundas (DNN): Estas redes, que intentan imitar cómo funciona el cerebro, son el corazón de la decodificación. Tienen muchas capas que extraen características desde lo más básico (como líneas y bordes) hasta lo más complejo (como caras completas o escenas). En este experimento, una DNN ya entrenada para reconocer imágenes del mundo real es fundamental. Se relacionan las señales cerebrales con las representaciones internas de la red, permitiendo al sistema “adivinar” qué clase de imagen vio (o soñó) el sujeto.
- Modelos Generativos (como DGN o modelos de difusión): Una vez que se adivina el contenido del sueño, se pueden usar redes generadoras para crear una imagen aproximada. Estas redes no solo reconocen, sino que también saben crear nuevas imágenes basadas en patrones aprendidos, lo que ayuda a dar forma visual a las predicciones.
Ejemplos visuales conceptuales
Aunque la tecnología aún no genera fotos reales, los resultados son reconstrucciones simbólicas o conceptuales:
- Reconstrucciones difusas: Son imágenes borrosas que sugieren la presencia de una persona, un objeto o un paisaje, más que una representación fotográfica.
- Simulación jerárquica: Este gráfico muestra cómo el algoritmo extrae características visuales en diferentes niveles, desde los más abstractos (formas básicas en las capas iniciales de la DNN) hasta los más concretos y semánticos (objetos reconocibles en las capas superiores). Es como si el cerebro construyera el sueño capa por capa, y la IA lo descifrara de la misma manera. El algoritmo asocia patrones cerebrales a representaciones visuales en distintos niveles (por ejemplo, base a capas superiores de una red neuronal).
- Representa el recorrido de la señal: El cerebro produce una señal de actividad (capturada por fMRI durante el sueño), esta señal se traduce en un ‘código’ o vector neuronal que es procesado por el algoritmo de IA, y finalmente, la IA genera una imagen simbólica reconstruida que intenta aproximarse al contenido del sueño.
- Redes generativas: Algunas reconstrucciones usan modelos como DGN o diffusion para mejorar la coherencia visual de las imágenes generadas.
🔬Anatomía del proceso técnico
| Etapa | Descripción detallada |
| Fase REM | Registro justo durante la fase REM para captar sueños vívidos, cuando la actividad cerebral es similar a la vigilia. |
| Señal BOLD | La fMRI mide cambios de oxigenación en la sangre (señal BOLD) como un proxy o indicador indirecto de la actividad neuronal en las regiones cerebrales. |
| Base de datos | Se vinculan las descripciones verbales de los sueños con los patrones de actividad fMRI correspondientes y, en fases posteriores, con imágenes visuales de referencia. |
| Entrenamiento IA | La Red Neuronal Profunda (DNN) correlaciona la actividad cerebral (registrada tanto en sueño como en vigilia) con características visuales jerárquicas aprendidas de vastos conjuntos de imágenes. |
| Reconstrucción | Una imagen simbólica o conceptual es generada por el algoritmo, basándose en las categorías visuales y características inferidas de los patrones cerebrales del sueño. |
Calidad y limitaciones
Es vital comprender que, por ahora, esta tecnología tiene sus límites. No estamos ante un “grabador de sueños” perfecto:
- Simbólico, no realista: La tecnología infiere el tipo de objeto o categoría visual (como “cara” o “coche”), pero no genera una imagen fiel y detallada como una fotografía o un video.
- Precisión moderada: Las predicciones alcanzan una precisión notable, pero aún moderada (60%-70% de acierto), lo que significa que el algoritmo no siempre acierta completamente.
- Modelos personalizados: Los modelos de IA suelen ser entrenados para cada persona, y no generalizan fácilmente entre individuos debido a las diferencias en la actividad cerebral.
- Modalidad visual unitaria: Por el momento, la decodificación se centra en la información visual de los sueños. Todavía no capta otros elementos como sonidos, olores, tacto o emociones.
Más allá de la curiosidad: ¿Qué aplicaciones podría tener?
Aunque la idea de ver nuestros sueños es fascinante por sí misma, el verdadero potencial de esta tecnología va mucho más allá del entretenimiento:
- Comprensión de la salud mental: Al analizar los patrones de sueño y su relación con las imágenes mentales, podríamos obtener una mejor comprensión de condiciones como la esquizofrenia o el trastorno de estrés postraumático (TEPT). ¿Podrían los sueños revelar pistas sobre el estado mental de una persona o cómo procesan sus traumas?
- Diagnóstico más preciso: Esta tecnología podría ofrecer una herramienta objetiva y novedosa para diagnosticar enfermedades neurológicas o psiquiátricas basándose en cómo se manifiestan en los sueños o en la actividad cerebral asociada a la imaginación.
- Nuevas terapias: Si pudiéramos entender mejor los sueños y su contenido, se podrían desarrollar nuevas formas de terapia que utilicen esta información para ayudar a los pacientes a procesar emociones o recuerdos de una manera más efectiva.
- Interfaces cerebro-máquina: Esta investigación sienta las bases para futuras interfaces cerebro-máquina (BCI) más avanzadas, permitiendo, por ejemplo, que personas con parálisis severa puedan comunicarse o controlar dispositivos simplemente ‘pensando’ en imágenes o conceptos.
Implicaciones éticas
Como con toda tecnología que se adentra en lo más íntimo del ser humano, surgen cuestiones éticas fundamentales que deben ser debatidas y reguladas cuidadosamente:
- Privacidad mental: Acceder a los sueños o pensamientos de una persona puede revelar contenido extremadamente sensible y privado, planteando serias preocupaciones sobre la invasión de la privacidad.
- Consentimiento: Es esencial asegurar un consentimiento informado y ético por parte de los participantes en las investigaciones sobre el subconsciente.
- Regulación: Los futuros usos comerciales o clínicos de esta tecnología deben estar protegidos legal y éticamente para evitar abusos o malinterpretaciones de los datos cerebrales.
El futuro: ¿Un subconsciente al descubierto?
El profesor Yukiyasu Kamitani, líder del estudio, ha explicado que el avance radica en poder “identificar el contenido de los sueños” a partir de la actividad cerebral, lo que concuerda con lo que los participantes reportaron.
Actualmente, las imágenes generadas por el algoritmo son simples, más bien patrones o formas básicas que representan lo soñado. No son grabaciones de alta resolución como una cámara. Sin embargo, los investigadores son optimistas. Con la mejora continua de los algoritmos de IA, el aumento de la capacidad de procesamiento de datos y una comprensión más profunda de cómo el cerebro codifica la información visual, es muy probable que en el futuro podamos visualizar nuestros sueños con mucho más detalle.
La pregunta que sigue en el aire es: ¿será la ciencia capaz de decodificar por completo el subconsciente humano, o los sueños seguirán guardando una parte de su misterio? Lo que sí es seguro es que, con cada avance en neurociencia e inteligencia artificial, los límites de lo que creíamos posible se expanden.
¿Qué te parece este fascinante avance? ¿Te gustaría poder ver tus propios sueños en una pantalla, o crees que ciertos aspectos de la mente deben permanecer sin descifrar?
Bibliografia:
https://neurotechjp.com/blog/kamitani-kyoto
https://www.open.edu/openlearn/body-mind/health/health-sciences/how-fmri-works
https://www.science.org/content/article/ai-re-creates-what-people-see-reading-their-brain-scans?
https://www.scientificamerican.com/article/ai-can-re-create-what-you-see-from-a-brain-scan/?
https://www.youtube.com/@ATRDNI (canal de youtube Kamitani Lab).
