La classificació de senyals cerebrals continua sent un dels reptes més apassionants i complexos en la interacció humà-màquina. Els sistemes d'interfície cerebro-computadora (BCI) basats en electroencefamografia (EEG) permeten traduir l'activitat neuronal en comandaments digitals, obrint portes en rehabilitació, control de dispositius i comunicació augmentativa. Tanmateix, la naturalesa sorollosa, no estacionària i altament variable dels senyals EEG exigeix models que siguin alhora precisos i extremadament eficients en termes de paràmetres i còmput. Els enfocaments tradicionals com l' anàlisi discriminant lineal, les màquines de vectors de suport o les xarxes neuronals multicapa solen requerir un gran nombre de pesos, la qual cosa incrementa el risc de sobreajust i la necessitat de grans volums de dades etiquetades.
En aquest context sorgeix una proposta innovadora: els Circuits Fasorials Variacionals (VPC). Inspirats en els circuits quàntics variacionals, els VPC operen exclusivament sobre el manifold del cercle unitat S¹, utilitzant desplaçaments de fase entrenables i operacions de mescla unitària en lloc de matrius de pesos denses. Aquest enfocament, purament clàssic i determinista, ofereix una representació alternativa de la informació: cada característica es codifica com una fase en el pla complex, i la interferència entre aquestes fases —constructiva o destructiva— genera una funció de decisió lineal en un espai de lifting cosino/seno. És a dir, el model aprèn a alinear i cancel·lar vectors de fase per separar les classes, sense recórrer a la no linealitat tradicional de les neurones artificials.
Els resultats obtinguts amb senyals EEG reals d'imaginació motora —procedents de la base PhysioNet Motor Movement/Imagery— són especialment reveladors: una precisió mitjana de 0.60, la més alta entre els classificadors convencionals (LDA, regressió logística, SVM amb kernel RBF i perceptró multicapa), però utilitzant un ordre de magnitud menys de paràmetres i mostrant la menor variància entre subjectes. Això suggereix que l'estructura de fases captura de forma natural la informació de potència en bandes de freqüència —característica predominant a l'EEG—, alhora que evita la complexitat innecessària. No obstant això, els autors reconeixen honestament una limitació fonamental: els VPC no poden representar funcions de paritat, un sostre que la profunditat no aconsegueix superar, la qual cosa els fa idonis per a problemes amb separabilitat gairebé lineal en l' espai de fases, però no per a tasques que requereixin lògica XOR o altres patrons no separables per hiperplans en aquesta representació.
Per a l' àmbit empresarial i del desenvolupament tecnològic, aquesta arquitectura presenta un gran atractiu: baix consum de recursos, facilitat de desplegament en maquinari edge i alta interpretabilitat. Una empresa com Q2BSTUDIO, especialitzada en el desenvolupament d' aplicacions a mida i programari a mida, pot integrar aquest tipus de classificadors en sistemes de BCI portàtils o solucions de monitoratge neurofisiològic. A més, la capacitat d' executar inferències amb pocs paràmetres fa que aquests models siguin perfectes per a entorns amb limitacions de còmput o energia, com dispositius vestibles. La combinació d'intel·ligència artificial amb tècniques de processament de senyals biomèdics és un camp en plena expansió, i Q2BSTUDIO ofereix serveis que abasten des de la consultoria fins a la implementació, incloent serveis cloud aws i azure per escalar l'entrenament i la inferència, així com ciberseguretat per protegir dades sensibles de pacients.
Un altre aspecte rellevant és la possibilitat d'hibridar VPC amb mòduls quàntics reals o simulats, creant sistemes front-end clàssics que alimentin processadors quàntics. En aquest sentit, els agents IA poden orquestrar el flux de treball: des de l' adquisició i filtratge del senyal EEG fins a la classificació amb VPC i la presa de decisions posterior. Q2BSTUDIO també desenvolupa solucions de serveis intel·ligència de negoci i Power BI que permeten visualitzar en temps real l'activitat cerebral i l'evolució dels models, facilitant la presa de decisions en entorns clínics o de recerca. Tot això s'integra de manera natural sota el paraigua de ia per a empreses, on l'eficiència computacional i la personalització són claus.
En conclusió, els Circuits Fasorials Variacionals representen un pas endavant cap a classificadors més lleugers, interpretables i robustos per a senyals fisiològiques. El seu èxit en la tasca d' imaginació motora demostra que, de vegades, menys és més: amb pocs paràmetres i una estructura geomètrica ben definida es poden superar a models densos tradicionals. Per a organitzacions que busquen implementar solucions BCI reals, comptar amb un soci tecnològic com Q2BSTUDIO —que ofereix ia per a empreses i desenvolupament de programari a mida— permet explorar aquestes arquitectures d'avantguarda i adaptar-les a contextos específics, ja sigui en rehabilitació neurològica, control de pròtesis o interfícies home-màquina del futur.


