cerebral NEO: o pipeline de IA por trás do BCI

O que a engenharia por trás do implante cerebral NEO ensina sobre IA em produção

Quando li no Olhardigital.com.br sobre o Dong Hui voltando a escrever após seis anos com ajuda de um implante cerebral, minha primeira reação não foi empatia — foi curiosidade técnica. Porque por trás de um vídeo emocionante existe um pipeline de engenharia brutal: captura de sinais neurais em alta frequência, decodificação em tempo real, e um modelo de machine learning que precisa aprender a “intenção de movimento” de um cérebro específico. É, no fundo, o mesmo desafio que enfrentamos quando colocamos um modelo em produção — só que com consequências biológicas em vez de financeiras.

O Dong Hui sofreu uma lesão medular aos 33 anos que interrompeu a comunicação entre o cérebro e o corpo. O córtex motor continua disparando os comandos, mas o sinal morre antes de chegar aos músculos. O implante NEO, desenvolvido pela Neuracle Technology em parceria com a Universidade de Tsinghua, lê esses sinais diretamente do cérebro e os traduz em ação. Parece simples. Não é.

A arquitetura técnica do NEO: o que está dentro do crânio

O NEO é um array de eletrodos implantado sobre o córtex motor — a região do cérebro responsável por planejar e executar movimentos voluntários. Os eletrodos capturam atividade neural em escala de microvolts, com amostragem tipicamente acima de 1 kHz por canal. Para um array com centenas de canais, isso significa streams de dados na casa das centenas de MB por hora.

Na prática, o pipeline se divide em três estágios clássicos de qualquer sistema BCI:

• Aquisição: filtragem passa-banda (geralmente 0,5–300 Hz) para remover ruído de linha e artefatos de movimento.
• Extração de features: cálculo de potência em bandas de frequência (mu: 8–12 Hz, beta: 13–30 Hz, gamma: 30–100 Hz) ou decodificação direta via spike sorting.
• Decodificação: um modelo de IA que mapeia features neurais em comandos motores — no caso do Dong Hui, trajetórias de uma caneta virtual.

O que me chamou atenção é que o paciente passou por onze meses de reabilitação antes de conseguir escrever o próprio nome. Isso não é bug — é feature. O modelo não funciona sozinho: ele precisa de uma fase de calibração onde o paciente imagina o movimento repetidamente enquanto o sistema aprende os padrões neurais individuais. Cada cérebro é um dataset único.

Comparando o NEO com outros jogadores do mercado de BCI

Não é o único projeto do tipo. Vamos colocar lado a lado para entender onde o NEO se posiciona tecnicamente:

Como dá pra ver, o trade-off é claro: quanto mais invasivo, maior a qualidade do sinal. O Synchron evita craniotomia mas paga o preço em resolução. O Neuralink quer densidade absurda de eletrodos, mas a cirurgia é mais complexa. O NEO aposta em ECoG — um meio-termo interessante que captura sinais de populações maiores de neurônios sem perfurar o córtex.

Na Prática: como um dev pode prototipar decodificação de sinais motores

Você não precisa de um implante cerebral para entender a fundo como isso funciona. Com Python, NumPy e um dataset público de EEG, dá pra simular o pipeline completo. O exemplo abaixo mostra o esqueleto de um classificador que tenta distinguir intenção de movimento da mão esquerda versus direita — o mesmo tipo de problema que o modelo do NEO resolve em produção.

import numpy as np
from scipy.signal import butter, filtfil
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 1. Simula sinais de dois canais de EEG (córtex motor)
# Em produção, isso viria dos eletrodos do implante
np.random.seed(42)
n_samples, n_channels, n_timepoints = 200, 64, 256
fs = 512  # Frequência de amostragem em Hz

X = np.random.randn(n_samples, n_channels, n_timepoints)
y = np.random.randint(0, 2, n_samples)  # 0 = mão esquerda, 1 = mão direita

# 2. Filtragem passa-banda (8-30 Hz — bandas mu e beta)
def bandpass(sig, lowcut, highcut, fs, order=4):
    b, a = butter(order, [lowcut, highcut], btype='band', fs=fs)
    return filtfilt(b, a, sig, axis=-1)

X_filtered = np.array([bandpass(trial, 8, 30, fs) for trial in X])

# 3. Extração de features: potência em banda mu+beta por canal
features = np.mean(X_filtered ** 2, axis=-1)  # (n_samples, n_channels)

# 4. Split treino/teste
X_train, X_test, y_train, y_test = train_test_split(
    features, y, test_size=0.2, random_state=42
)

# 5. Modelo simples — em produção seria uma RNN ou Transformer
clf = LogisticRegression(max_iter=1000)
clf.fit(X_train, y_train)

acc = accuracy_score(y_test, clf.predict(X_test))
print(f"Acurácia de decodificação: {acc:.2%}")
# Saída típica: Acurácia de decodificação: ~52%
# (baixa porque os dados são aleatórios — use BCI Competition IV para resultados reais)

Em sistemas reais, o modelo não é uma regressão logística. Pesquisadores da área usam RNNs, LSTMs ou Transformers causais para capturar a dinâmica temporal dos sinais. E há um detalhe que devs de backend vão reconhecer: a latência importa mais que a acurácia. Um modelo 95% preciso com 300 ms de delay é inútil para escrita — o usuário não consegue “fluir” no movimento. O NEO provavelmente usa modelos menores, quantizados, rodando em FPGA embarcado para manter a latência abaixo de 100 ms.

Erros comuns que devs cometem ao trabalhar com sinais neurais

Depois de ler dezenas de papers e experimentar com EEG, vejo três armadilhas recorrentes que pegam até engenheiros experientes:

• Tratar o cérebro como um dataset estático. Não é. A atividade neural deriva ao longo do dia — fadiga, hidratação, hora do dia, tudo muda o sinal. Modelos BCI precisam de recalibração contínua. Se você treina na segunda de manhã e testa na quarta à noite, prepare-se para ver degradação.
• Ignorar artefatos de hardware. Em software tradicional, ruído gaussiano é absorvido pelo modelo. Em sinais neurais, um artefato de 50 Hz da rede elétrica pode dominar completamente a feature. Filtros notch e blindagem elétrica não são opcionais.
• Esquecer do transfer learning entre pacientes. Cada cérebro tem anatomia e padrões próprios. Um modelo treinado em 50 pacientes raramente funciona bem no paciente 51. A solução é fine-tuning por paciente com poucos minutos de calibração — exatamente o que o NEO fez com o Dong Hui.

O que isso significa para quem programa no dia a dia

Você pode estar pensando: “Legal, mas eu faço CRUD em Node.js, não vou operar cérebros.” Justa. Mas três lições dessa tecnologia já estão impactando o trabalho de qualquer dev de IA:

• Modelos em edge são o futuro. Se um implante cerebral consegue rodar inferência em tempo real com hardware minúsculo e bateria limitada, não tem desculpa para app mobile que depende de round-trip ao servidor para inferência.
• Personalização por usuário é o novo padrão. O ajuste fino por paciente é análogo ao que já fazemos com LLMs via RAG e fine-tuning — cada usuário final é um “cérebro” diferente que precisa de adaptações.
• Interfaces cérebro-computador vão virar input devices. Em 5-10 anos, dispositivos vestíveis de EEG vão permitir selecionar texto ou navegar UI por intenção. Quem trabalha com UX precisa começar a pensar nisso agora.

FAQ — perguntas que devs realmente fazem

O NEO é open source? Tem como estudar o código?
Não diretamente. O hardware é proprietário da Neuracle Technology, mas os papers acadêmicos da Universidade de Tsinghua publicam datasets e arquiteturas. Procure por “ECoG motor decoding Tsinghua” no Google Scholar.

Qual a diferença entre EEG, ECoG e eletrodos intracorticais?
EEG lê da superfície do couro cabeludo (ruidoso, barato, não invasivo). ECoG lê da superfície do córtex sob o crânio (melhor SNR, requer cirurgia). Eletrodos intracorticais perfuram o córtex (melhor resolução, maior risco). O NEO usa ECoG — meio-termo entre qualidade e segurança.

Dá pra treinar um modelo desses em GPU comum?
Sim. Para protótipos com datasets públicos como o BCI Competition IV, uma RTX 3060 resolve. O gargalo não é GPU — é a quantidade de dados de pacientes reais, que é minúscula comparada com datasets de imagem.

Isso tem aplicação além de medicina?
Tem, e é onde fica interessante para o mercado tech. Controle de dispositivos por intenção, comunicação aumentativa para pessoas com ELA, e no futuro, interfaces imersivas para AR/VR que dispensam controle manual.

Por que ainda não temos BCI comercial?
Três barreiras: regulatória (FDA e equivalentes), técnica (longevidade dos eletrodos — o cérebro os “encapsula” com tecido glial ao longo dos meses) e de UX (treinar o paciente leva meses, como vimos no caso do Dong Hui).

Esse último ponto é o que mais me fascina. Quando você vê um paciente escrevendo após onze meses de reabilitação, entende que a tecnologia não é só o chip dentro do crânio — é todo o processo de colocar um sistema complexo em produção com um usuário que tem stakes altíssimos. Se isso não lembra o deploy de qualquer sistema crítico, você não prestou atenção.

💻 Ver no GitHub

Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.