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

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.