Validación de modelos neurocomputacionales del control motor de la voz humana usando electroencefalografía y algoritmos bioinspirados

Abstract

El modelo neurocomputacional Directions into Velocities of Articulators (DIVA) fue desarrollado para abordar diversos aspectos de la producción y adquisición del habla normal y con trastornos. Los sustratos neurales de DIVA fueron establecidos mediante resonancia magnética funcional (fMRI), lo que proporcionó una validación fisiológica del modelo. Este estudio presenta EEG DIVA, una extensión de DIVA que utiliza electroencefalografía (EEG) para aprovechar la alta resolución temporal y la amplia disponibilidad del EEG en comparación con fMRI. Para el desarrollo de EEG DIVA, se derivaron señales similares al EEG a partir de las ecuaciones originales que describen la actividad de los diferentes mapas de DIVA. Se generó un EEG sintético asociado con la emisión de sílabas cuando se simuló un feedback auditivo sin perturbaciones y perturbaciones del feedback auditivo (perturbaciones del primer formante). Los mapas de activación cortical derivados del EEG sintético se asemejaron estrechamente a los del modelo DIVA original. Para validar EEG DIVA, se adquirió el EEG de individuos con voces típicas (N = 30) durante un paradigma de feedback auditivo alterado. Los mapas de actividad cerebral empírica resultantes se superpusieron significativamente con los predichos por EEG DIVA. El enfoque de validación también se empleo para el modelo LaDIVA el cual incluye información de la componente laríngea. También se validó preliminarmente el toolbox desarrollado que integra en una interfaz amigable un método de solución inversa llamado Bayesian Model Averaging. Estos avances sientan las bases para un marco completo de neuroinformática que puede guiar intervenciones personalizadas para tratar trastornos del habla y la voz. En conjunto con otras extensiones recientes del modelo, EEG DIVA y EEG LaDIVA sientan las bases para construir un marco neurocomputacional completo para abordar los trastornos vocales y del habla, lo que puede guiar intervenciones personalizadas basadas en modelos.