Por Alejandra Lis Fusco – Ingeniera en Sistemas de Información (UTN); Magíster en Ciencia de Datos (UBA)

Motivación 

Cuando pensamos en levantar una taza, nuestro cerebro activa redes muy parecidas a las que se encienden cuando efectivamente la levantamos. A esta capacidad de representar mentalmente un movimiento sin ejecutarlo se la conoce como imaginería motora, y es clave en el aprendizaje motor, el deporte y la rehabilitación. La metacognición nos permite, además, evaluar cuán vívidas son esas imágenes mentales. Pero ese reporte es subjetivo: ¿existen huellas objetivas en el movimiento real que delaten cuán nítida fue la imagen previa? 

Esta tesis aborda esa pregunta combinando estadística, machine learning y técnicas novedosas de modelado de trayectorias 3D, sobre datos de un experimento de la Humboldt-Universität de Berlín, y fue dirigida por la Dra. Elisa Filevich y codirigida por el Dr. Andrés Farall.  

El experimento 

Participaron 32 voluntarios que realizaron 200 ensayos cada uno con dos tipos de agarres tomados de la escalada deportiva: el Crimp (agarre en pinza) y el Sideway (tirón lateral). Estos movimientos fueron elegidos por ser claramente distinguibles entre sí. 

Figura 1. Tareas motoras utilizadas: Crimp (derecha) y Sideway (izquierda).

En cada ensayo, el participante debía imaginar la transición de la mano desde el reposo hasta uno de los dos agarres posibles y reportar su vividez en una escala de 1 a 4. Luego, se le pedía ejecutar un movimiento indicado que podía ser congruente (mismo movimiento) o incongruente (el contrario) respecto del imaginado. El 60 % de los ensayos fueron congruentes y el 40 % incongruentes, lo que permite estudiar la interferencia entre la imagen mental y la acción.

Figura 2. Diseño de los ensayos: imaginación, reporte de vividez y ejecución.

Los datos 

Cada mano se registró con 13 sensores que muestrearon posición 3D y orientación cada 16 ms, lo que arrojó entre 18 y 193 observaciones por ensayo. A esto se sumaron variables temporales (tiempo de reacción, duración del movimiento) y características de cada participante (edad, género, experiencia escalando). El resultado: un dataset rico pero altamente heterogéneo, con miles de trayectorias de duración variable. 

Metodología 

A partir de las trayectorias se calcularon descriptores como el centroide, la distancia total recorrida y la velocidad media. Mientras que estos últimos permiten comparar ensayos mediante un único valor, el centroide solo reduce la dimensionalidad sin resolver la variabilidad en la longitud de las series. Así, persiste una dificultad central: ¿cómo comparar trayectorias de distinta duración sin perder la riqueza del movimiento?

Figura 3. Trayectorias 3D registradas por los sensores en un ensayo Crimp (abajo) y un Sideway (arriba)

La estrategia fue ajustar las trayectorias con funciones continuas y normalizar el tiempo a un parámetro λ ∈ [0,1]. Los polinomios simples no capturaban adecuadamente los extremos ni las oscilaciones, por lo que se utilizaron natural cubic splines, que permiten mayor flexibilidad local mediante nodos. Se evaluaron distintas configuraciones (tanto en la cantidad de nodos como en su ubicación) buscando un equilibrio entre calidad de ajuste (R²) y complejidad, y se seleccionó una parametrización con 5 nodos equidistantes, que da lugar a 7 coeficientes por eje. De este modo, cada ensayo quedó representado por una cantidad acotada de coeficientes comparables entre sujetos. 

Figura 4. Comparación entre un polinomio de grado 5 y splines cúbicos para una misma trayectoria.

Para validar la representación, se entrenó una regresión logística con penalización LASSO y validación cruzada para clasificar Crimp vs. Sideway a partir de los coeficientes. Se alcanzó una exactitud del 94 % (κappa = 0,89), lo que indica un acuerdo alto y consistente más allá del azar. En conjunto, estos resultados muestran que los splines capturan información suficiente para distinguir los movimientos.

Finalmente, para la aplicación de las técnicas de aprendizaje automático, se definieron variables objetivo acordes a las preguntas del estudio. En particular, se combinaron vividez y congruencia para construir una variable de Priming Motor en dos variantes: una de 4 categorías (vividez baja/alta × congruencia) y otra de 8 categorías (vividez en escala original × congruencia).

Sobre estos datos se aplicaron tres familias de técnicas: 

• Modelos lineales mixtos (LMM): para evaluar el efecto de vividez y congruencia sobre el desempeño motor, modelando la variabilidad individual como efecto aleatorio por participante. 
• Regresiones logísticas multinomiales con selección LASSO de variables. 
• LightGBM con búsqueda bayesiana de hiperparámetros, entrenado tanto de forma global como personalizada por sujeto. 

Resultados 

El movimiento delata a la mente 

Los modelos lineales mixtos mostraron efectos claros y consistentes: 

• Mayor vividez reportada se asocia con tiempos de reacción más cortos (≈ 23 ms más rápidos en promedio, p < 0,001).
• La incongruencia entre lo imaginado y lo ejecutado ralentiza la respuesta (≈ 31 ms más, p < 0,001), lo que constituye evidencia conductual de interferencia cognitiva.

Figura 5. Tiempos de reacción según congruencia y nivel de vividez. Los puntos de color resumen el efecto medio por participante; las líneas muestran el ajuste poblacional del LMM. Gráfico izquierda: reactionTime ~ congruency + (congruency | id) La congruencia reduce el tiempo de reacción. Gráfico derecha: reactionTime ~ vividness_level + (vividness_level | id) Mayor vividez también acelera la respuesta.

Sin embargo, no se observó la interacción esperada: en la imaginería visual clásica, mayor vividez amplifica el costo de la incongruencia. Aquí, la vividez parece tener un efecto directo sobre la velocidad, independiente de la congruencia. 

Predecir la vividez resultó esquivo 

Los modelos de clasificación, tanto regresión logística como LightGBM, no lograron predecir con robustez la vividez reportada por los participantes (accuracy global cercano al 25 %, κ ≈ 0,04 para 8 clases). Las matrices de confusión y las curvas ROC mostraron desempeños apenas por encima del azar. 

Figura 6. Curva ROC e importancia de variables del modelo global LightGBM con target Priming Motor.

Cuando se entrenó un modelo personalizado por participante, las importancias de predictores variaron mucho de un sujeto a otro: hay patrones individuales reales, pero no parecen generalizables. 

Conclusiones 

Este trabajo aporta dos resultados principales: 

1. Conceptualmente, confirma que la imaginería motora deja huellas detectables en el movimiento posterior, vividez alta acelera la respuesta, incongruencia la ralentiza, pero pone en duda que el reporte subjetivo de vividez sea un indicador confiable. Es posible que los participantes confundan vividez con estado de alerta o atención, lo que explicaría por qué ningún modelo logra reconstruirla a partir del movimiento. 
2. Metodológicamente, propone un uso novedoso de natural cubic splines para resumir trayectorias de duración variable, validado con una clasificación de movimientos al 94 %. Esta representación es genérica y reutilizable en cualquier estudio que involucre series temporales multisensor de longitud heterogénea, desde biomecánica hasta interfaces cerebro-computadora. 

Próximos pasos 

Una línea natural es complementar estos datos con señales cerebrales (EEG o fMRI) para tener una medida objetiva de la claridad de la imagen mental, contrastable con el reporte subjetivo. También resulta interesante repetir el experimento con escaladores expertos, donde la representación mental del agarre podría ser más nítida y estable. 

Referencias 

• Pearson, J., Rademaker, R. L., y Tong, F. (2011). Evaluating the Mind’s Eye: The Metacognition of Visual Imagery. Psychological Science, 22(12). 
• Koß, F. y Filevich, E. (2020). Vividness of motor imagery and motor priming. Humboldt Universität zu Berlin. 
• Decety, J. y Grezes, J. (2006). The power of simulation: Imagining one’s own and other’s behavior. Brain Research, 1079(1). 
• Hétu, S. et al. (2013). The neural network of motor imagery: An ALE meta-analysis. Neuroscience & Biobehavioral Reviews, 37(5). 
• Ke, G. et al. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. NeurIPS. • Bates, D., Mächler, M., Bolker, B., y Walker, S. (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1).