La investigación de los sueños está atormentada por su dependencia del informe verbal subjetivo del soñador. No podemos verificar independientemente si una persona ha estado soñando. Todo lo que tenemos es su informe de que, de hecho, tuvo un sueño. Si vemos los patrones característicos de actividad cerebral del sueño REM en una máquina de EEG, entonces aumenta nuestra confianza de que esa persona está soñando, pero nunca está absolutamente seguro. Cuando las personas se despiertan de REM, no siempre informan un sueño. Sin embargo, la mayoría de las personas, la mayoría de las veces, informan un sueño cuando se despiertan del sueño REM.
Incluso si admitimos que una persona probablemente está experimentando un sueño cuando entra en el sueño REM, no tenemos idea de lo que está soñando. Para averiguar con qué sueñan las personas, debemos preguntarles. Una vez más, somos totalmente dependientes del informe subjetivo si queremos estudiar el contenido de los sueños.
Sería bueno si no tuviéramos que preguntarle a la persona de qué se trataba su sueño. Si, en cambio, conociéramos el código neural básico con el que el cerebro procesa el contenido cognitivo, entonces podríamos simplemente consultar el código que se muestra en los patrones de actividad cerebral y luego derivar el contenido del sueño. Por supuesto, estamos muy lejos de descifrar el código neuronal que el cerebro humano utiliza para representar el contenido cognitivo, PERO una publicación reciente nos ha acercado un paso más para hacer precisamente eso.
Horikawa et al. (Science, Vol 340, 4 de abril de 2013) reclutaron 3 voluntarios para estudiar su actividad cerebral (medida por fMRI y EEG) durante el estado de transición del sueño (S1) cuando muchas personas experimentan alucinaciones hipnagógicas. Cuando los voluntarios hicieron la transición a este estado S1, se despertaron e informaron verbalmente de su experiencia visual durante el sueño. Los patrones de actividad de fMRI se usaron como entrada en un programa de simulación por computadora que trató los patrones de fMRI como código para palabras que representan objetos visuales. Esos códigos de objetos visuales fueron etiquetados con palabras derivadas de la descripción verbal del sujeto de su experiencia visual durante el sueño. Por ejemplo, si la persona informó que había visto una casa roja mientras la resonancia magnética funcional mostraba un patrón X en la corteza visual, la máquina aprendió que el patrón X o un patrón similar a X siempre indicaban "casa roja".
Una vez que la máquina aprendió una gran cantidad de estas asociaciones patrón-objeto, podía predecir qué veía el sujeto durante el sueño basándose únicamente en los patrones de fMRI. Los investigadores no tuvieron que pedir al sujeto que informara su experiencia visual. La máquina podría hacer eso (al menos el 60% del tiempo) si los patrones de fMRI actuales coincidieran con los de su repertorio de emparejamientos de imágenes-objetos aprendidos.
Hay varias implicaciones y preguntas significativas para la investigación de sueños … Primero, cuando los voluntarios de Horikawa confirmaron que la máquina era en gran medida correcta en sus predicciones de lo que estaban viendo mientras dormían, implicó que finalmente podremos ver los registros de neuroimágenes de los estados de sueño y ser capaz de decir con qué sueñan las personas.
Si, algún día, observamos miles de estos registros de neuroimágenes de un grupo grande de sujetos y luego elaboramos un resumen de lo que estas personas sueñan, podemos recopilar los informes de sueños asociados de estas personas y comparar los informes con los registros de neuroimágenes. . Si esa comparación coincide muy bien (más allá de lo que cabría esperar por casualidad), entonces podemos confiar más fácilmente en los informes verbales de las personas sobre el contenido de sus sueños. Podemos confiar cada vez más en que los informes de las personas sobre sus sueños generalmente no son engañosos, verídicos ni verdaderos.
En segundo lugar, a medida que aumente nuestro conocimiento sobre el impacto de los sueños en la conducta de vigilia, podremos tratar a las personas con trastornos dolorosos del sueño (como pesadillas repetitivas) de manera más efectiva. Si, por ejemplo, el monstruo X siempre aparece con el patrón fMRI Y y el fármaco z elimina el patrón Y de la fMRI Y el paciente informa alivio después del tratamiento, entonces podemos inferir que esa imagen del sueño y su patrón cerebral asociado causaron la angustia.
En tercer lugar, a medida que la ciencia de los sueños comienza a identificar ciertas imágenes de contenido recurrente de sueño como fuertes predictores de patrones de comportamiento de vigilia, el análisis de la máquina de estas imágenes de sueño puede usarse para predecir patrones de conducta de vigilia.
En cuarto lugar, será fascinante comparar las firmas cerebrales para imágenes recurrentes de sueños con sus contrapartes en vigilia. ¿Ver una casa roja en un sueño requiere la misma firma neuronal que ver una casa roja durante la vigilia? Los resultados de Horikawa sugieren que la respuesta es sí, pero ese podría no ser el caso cuando nos alejamos del catálogo de imágenes visuales simples estudiadas en las asignaturas de Horikawa.
Quinto, el contenido interesante de los sueños más a menudo se refiere a las emociones. Las emociones están asociadas con las firmas neuronales. ¿Puede la máquina aprender a predecir el contenido emocional de los sueños basándose en las firmas neuronales?
