Un solo pensiero può accendere un interruttore cerebrale?

Immagina di controllare un dispositivo solo con il pensiero, senza muovere un dito. È quello che fa Neurodetector, un nuovo sistema che usa l'elettroencefalografia (EEG) e le potenziali evento-correlate (ERP) per valutare le capacità cognitive. Gli ERP sono picchi elettrici che il cervello genera quando prestiamo attenzione; qui diventano un “interruttore” virtuale.\n\nNel laboratorio hanno coinvolto 40 adulti sani, per lo più sotto i 60 anni, chiedendo loro di completare tre compiti di difficoltà crescente usando un unico pulsante mentale. Il risultato? Tutti hanno superato il livello di caso, dimostrando che il cervello può davvero comandare il dispositivo. Inoltre, i tassi di successo sono diminuiti con l’aumentare della difficoltà, indicando che la performance dipende dalla capacità cognitiva di ciascuno.\n\nIl team ha confrontato due metodi per decodificare gli ERP: il tradizionale basato sui picchi e un nuovo approccio di pattern‑matching. Quest’ultimo ha mostrato una precisione più alta e una maggiore sensibilità alle differenze individuali e alla complessità del compito.\n\nPerché è importante? Perché l’interruttore EEG non richiede movimenti fisici, aprendo la porta a valutazioni cognitive per persone con limitazioni motorie, come gli anziani o chi ha disabilità fisiche. Anche se lo studio ha coinvolto solo soggetti sani, i ricercatori puntano a testare il sistema su pazienti con lieve deterioramento cognitivo e demenza. Neurodetector potrebbe così diventare uno strumento accessibile e non invasivo per monitorare la salute mentale in futuro.

Le potenziali evento‑correlate (ERP) sono risposte neurali temporizzate che riflettono processi cognitivi come l'attenzione, la memoria di lavoro e la valutazione di stimoli. Nei protocolli di Neurodetector, gli ERP sono indotti da brevi stimoli visivi o auditivi, mentre i partecipanti devono riconoscere un target e, in risposta, attivare il “cambio di stato” dell’interruttore EEG.\n\nIl metodo tradizionale di decodifica si basa sull’identificazione di picchi specifici, ad esempio il P300, che appare circa 300 ms dopo lo stimolo target. Tuttavia, la latenza e l'ampiezza di questi picchi variano notevolmente tra individui e condizioni di vigilanza, limitando la robustezza del rilevamento. Il pattern‑matching introdotto nello studio utilizza algoritmi di machine learning supervisionato: le registrazioni EEG grezze vengono segmentate in finestre temporali, normalizzate e poi confrontate con un set di template costruiti da dati di addestramento. Tecniche come la correlazione cross‑corrispondenza e le reti neurali convoluzionali (CNN) consentono di catturare non solo il picco principale ma l’intero profilo spettrale dell’ERP, includendo componenti N200, P300 e late‑positive complex.\n\nI risultati mostrano che il pattern‑matching aumenta l'accuratezza di classificazione del 12‑15 % rispetto al picco‑based, soprattutto nei compiti più complessi dove la variabilità cognitiva è più marcata. Inoltre, la sensibilità a differenze individuali suggerisce che il modello può adattarsi a soggetti con ritmo cerebrale più lento o con rumore di fondo elevato, tipico di popolazioni anziane.\n\nDal punto di vista clinico, questa flessibilità è cruciale per l’applicazione a pazienti con lieve deterioramento cognitivo (MCI) o demenza, dove le ERP possono essere attenuate o ritardate. Un’interfaccia basata su pattern‑matching potrebbe quindi fornire biomarcatori più affidabili per monitorare la progressione della malattia o l’efficacia di interventi terapeutici.\n\nFuture direzioni di ricerca includono l’integrazione di segnali multimodali (EEG‑fNIRS, EMG residuo) per migliorare la robustezza del comando, l’ottimizzazione di algoritmi di apprendimento online per adattarsi in tempo reale alle variazioni di stato cognitivo, e studi longitudinali su coorti di pazienti MCI per validare la capacità predittiva dell’EEG Switch nella diagnosi precoce di demenza.