.jpg)
Quan parlem d'interfícies cervell-ordinador (BCI) basades en potencials relacionats amb esdeveniments (ERP), la mètrica d'èxit no sempre és la que un imagina. En sistemes com els deletrejadors visuals, l'objectiu final no és simplement classificar correctament un senyal, sinó aconseguir que l'usuari pugui escriure caràcters de forma eficient. Aquí sorgeix una pregunta clau: quina mètrica reflecteix realment la precisió d'escriptura? La resposta va més enllà de l'exactitud tradicional.
Els datasets provinents d'experiments ERP solen presentar un fort desequilibri de classes: el senyal objectiu (el caràcter que l'usuari desitja seleccionar) apareix molt poques vegades enfront dels estímuls no rellevants. En aquest context, mètriques com l'accuracy poden resultar enganyoses, ja que un classificador que sempre predigui la classe majoritària obtindrà un bon percentatge però serà inútil per a la comunicació real. Per això, la comunitat científica ha començat a recomanar indicadors més robustos com l'àrea sota la corba ROC (ROC AUC), el coeficient de correlació de Matthews (MCC), el Brier score o l'àrea sota la corba precision-recall (PR AUC).
Una troballa rellevant d'estudis recents és que la taxa de deletreig (spelling rate) —és a dir, la quantitat de caràcters correctament seleccionats per unitat de temps— correlaciona fortament amb mètriques que penalitzen tant els falsos positius com els falsos negatius. Això té implicacions directes per al disseny de paradigmes BCI i per a l'optimització dels classificadors. No es tracta només de maximitzar un nombre abstracte, sinó de garantir que l'usuari tingui una experiència fluida i precisa en escriure.
En l'àmbit del desenvolupament de programari per a aquest tipus de sistemes, és fonamental disposar d'eines que permetin implementar models de classificació avançats i avaluar-los amb les mètriques adequades. A Q2BSTUDIO, treballem el desenvolupament d'aplicacions a mida per a entorns d'investigació i empresarials, integrant components d'intel·ligència artificial que processen senyals biomèdiques de forma eficient. A més, oferim IA per a empreses que necessiten solucions de classificació en temps real, adaptades a dades desequilibrades.
L'elecció de la mètrica correcta no només afecta l'avaluació del model, sinó també la configuració dels experiments. Per exemple, en repetir assajos (trial repetition), algunes mètriques com l'accuracy tendeixen a estabilitzar-se ràpid, mentre que el ROC AUC o el MCC continuen sent sensibles a millores marginals. Això és especialment rellevant quan es busca optimitzar el nombre d'estímuls necessaris per aconseguir una escriptura fiable, reduint la fatiga de l'usuari.
Des d'una perspectiva tècnica, implementar un sistema BCI ERP robust implica combinar processament de senyals, algoritmes de machine learning i una interfície d'usuari intuïtiva. A Q2BSTUDIO, també oferim serveis cloud AWS i Azure per desplegar models d'inferència al núvol, així com serveis d'intel·ligència de negoci amb Power BI per monitoritzar el rendiment dels sistemes en temps real. La ciberseguretat és un altre pilar clau, especialment quan es manegen dades sensibles d'usuaris.
En definitiva, la resposta a la pregunta inicial no és única: la precisió d'escriptura en BCIs ERP es reflecteix millor mitjançant un conjunt de mètriques que combinin sensibilitat al desequilibri, interpretabilitat clínica i correlació directa amb l'experiència de l'usuari. Adoptar aquestes mètriques no només millora la investigació, sinó que aplanar el camí per a aplicacions comercials més fiables, com les que desenvolupem amb agents IA i automatització de processos.
