Método de clasificación de EEG de imágenes motoras utilizando CNN 3D y LSTM para aplicaciones de rehabilitación

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Ingeniería biomédica

Sus antecedentes:

• Las aplicaciones actuales de interfaz cerebro-ordenador (BCI) que utilizan electroencefalografía (EEG) se enfrentan a desafíos debido a las limitaciones en la precisión y la robustez de la clasificación.
• La clasificación precisa y robusta del EEG es crucial para el avance de las BCI basadas en imágenes motoras (MI).

Objetivo del estudio:

• Desarrollar y evaluar un nuevo método de clasificación EEG, 3D CNN y LSTM para imágenes motoras (3D-CLMI), para mejorar la precisión y la robustez en las tareas de IM.
• Validar el rendimiento del método propuesto con respecto a las técnicas más avanzadas y evaluar su potencial en un entorno práctico de rehabilitación.

Principales métodos:

• Método 3D-CLMI propuesto que combina las redes neuronales convolucionales 3D (CNN) y la memoria larga a corto plazo (LSTM) con los mecanismos de atención.
• Las señales MI-EEG integradas de múltiples canales en características 3D, extraen características espaciales utilizando núcleos de convolución 3D a múltiples escalas.
• Empleó una estructura paralela para extraer las características espaciales y temporales de forma independiente, y luego las combinó para la clasificación.

Principales resultados:

• Logró una precisión de clasificación del 92,7% y una puntuación de 0,91 F1 en el conjunto de datos BCI Competition IV 2a, superando a los métodos existentes.
• Se ha demostrado una precisión de clasificación superior y una puntuación F1 en un conjunto de datos recientemente recopilado de 12 participantes que realizan una tarea de IM de cuatro clases.
• Los experimentos de ablación confirmaron la eficacia de los componentes individuales dentro del método 3D-CLMI.

Conclusiones:

• El método 3D-CLMI ofrece mejoras significativas en la precisión y la robustez para la clasificación de señales MI-EEG.
• El método propuesto es prometedor para aplicaciones prácticas de IBC, incluido un sistema de rehabilitación basado en RV para pacientes con función motora de la mano deteriorada.