Inferencia bayesiana en las interfaces cerebro-ordenador a través de GLASS | JoVE Visualize

Área de la Ciencia:

La neurociencia
Ingeniería biomédica
Aprendizaje automático

Sus antecedentes:

Las interfaces cerebro-ordenador (BCI) permiten la comunicación directa entre el cerebro y los dispositivos externos, crucial para las personas con discapacidades motoras graves.
Los BCI basados en P300 se basan en la clasificación de las respuestas cerebrales a los estímulos de las señales del electroencefalograma (EEG).
La baja relación señal-ruido (SNR) y las correlaciones complejas de la señal EEG plantean desafíos significativos para una clasificación precisa.

Objetivo del estudio:

Desarrollar un nuevo modelo estadístico para mejorar el rendimiento de los BCI P300.
Para hacer frente a los desafíos de baja SNR y complejas correlaciones espacio-temporales en las señales de EEG.
Mejorar la usabilidad de BCI para personas con discapacidades físicas graves, como la esclerosis lateral amiotrófica (ELA).

Principales métodos:

Introducción del modelo de canal latente de Gauss con efectos variados en el tiempo de Sparse (GLASS), un marco bayesiano.
Utilizando regresión logística multinomial restringida para la clasificación de estímulos desequilibrados.
Empleando la descomposición del canal latente para mitigar las correlaciones espaciales y un proceso gaussiano de umbral blando (STGP) previo para efectos temporales escasos y suaves.
Desarrollo de un algoritmo de inferencia variacional basado en gradientes (GBVI) eficiente para el cálculo posterior.

Principales resultados:

GLASS mejora significativamente el rendimiento del P300 BCI en participantes con ELA.
El modelo identifica los canales EEG clave (PO8, Oz, PO7, Pz) en las regiones parietal y occipital, de acuerdo con la literatura existente.
GLASS maneja eficazmente los datos desequilibrados y las características complejas de la señal EEG.

Conclusiones:

El modelo GLASS propuesto ofrece una mejora sustancial en el rendimiento del BCI, especialmente para las personas con ELA.
GLASS proporciona una solución robusta y accesible para el análisis de datos P300 BCI, con un módulo Python fácil de usar.
Los resultados ponen de relieve el potencial de los modelos estadísticos avanzados en el avance de las tecnologías de asistencia.