Neurotecnología e Inteligencia Artificial: Fronteras legales y de gobernanza

105 o somnolencia 1 . Entre estos dispositivos, cabe destacar aquellos que incorporan tecnologías de encefalografía (en adelante, “EEG”). Si bien hasta hace escasas décadas el uso de esta técnica se encontraba reservado al ámbito clínico, en los últimos años se han produ- cido una serie de avances que han permitido su uso con otras finalidades, hasta el punto de que algunos meta-estudios afirman que las investigaciones sobre su aplica- ción “cotidiana” han desplazado en número a las centradas en su aplicación clínica 2 . En primer lugar, debe destacarse la mejora de la precisión de los electrodos secos. Frente a los “clásicos” impregnados en gel, estos permiten un uso más ágil y cómo- do para el usuario 3 , existiendo estudios que apuntan a una capacidad de medición equivalente entre ambos 4 . Por otro lado, los avances en algoritmos de “back-end” han permitido aumentar la precisión de discriminación entre información relevante y ruido 5 , mejorando la interpretación de los datos recabados 6 . Si bien los dispositivos EEG portátiles no pueden igualar la resolución de los dispositivos clínicos (pues utilizan normalmente entre 7 y 16 electrodos, frente a los 32-256 utilizados en el ámbito médico 7 ), sus mediciones resultan lo suficientemente precisas para determinar parámetros como el nivel de vigilancia, estrés, fatiga mental o de somnolencia 8 . En este sentido, destacan los múltiples estudios realizados en la posible aplicación 1 NAHAVANDI, Darius; ALIZADEHSANI, Roohallah; KHOSRAVI, Abbas; ACHARYA, U Rajendra: “Appli- cation of artificial intelligence in wearable devices: Opportunities and challenges”, Comput Methods Programs Bio- med (2022) 213:106541, p. 2. 2 NISO, Guiomar; ROMERO, Elena; MOREAU, Jeremy; ARAUJO, Álvaro; KROL, Laurens: “Wireless EEG: a survey of systems and studies”, Neuroimage (2023) 269:119774, p. 14. 3 ARICÒ, Pietro; SCIARAFFA, Nicolina; BABILONI, Fabio: “Brain-Computer Interfaces: Toward a Daily Life Employment”, Brain Sci (2020) 10(3):157, p. 2. 4 DI FLUMERI, Gianluca; ARICÒ, Pietro; BORGHINI, Gianluca; SCIARAFFA, Nicolina; DI FLORIO, Anto- nello; BABILONI, Fabio: “The dry revolution: Evaluation of three different EEG dry electrode types in terms of signal spectral features, mental states classification and usability”, Sensors (2019) 19:1365, p. 16. 5 ARICÒ, Pietro; BORGHINI, BORGHINI, Gianluca; SCIARAFFA, Nicolina; BABILONI, Fabio: “Passive BCI Beyond the Lab: Current Trends and Future Directions”, Physiol. Meas (2018) 39(8):08TR02, p. 13. 6 ARICÒ, Pietro; SCIARAFFA, Nicolina; BABILONI, Fabio: “Brain-Computer Interfaces: Toward a Daily Life Employment” Brain Sci. (2020) 10(3):157, p. 2. 7 JEBELLI, Houtan; HWANG, Sungjoo; LEE, SangHyun: “EEG-based workers’ stress recognition at construc- tion sites”, Automation in Construction (2018) 93, pp. 315–324, p. 316 8 LI, Heng; WANG, Di; CHEN, Jiayu; LUO, Xiaochun; LI, Jue; XING, Xuejiao: “Pre-service fatigue screening for construction workers through wearable EEG-based signal spectral analisis”, Automation in Construction (2019) 106:102851, p. 2. El uso de dispositivos de electroencefalografía para la prevención de accidentes de trabajo: Un análisis jurídico