ITSEF: marco conjunto de dos etapas basado en el inicio para la detección de P300

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Ingeniería biomédica

Sus antecedentes:

• Las interfaces cerebro-computadora (BCI) basadas en P300 enfrentan desafíos que incluyen una baja relación señal-ruido, variabilidad entre sujetos y desequilibrio de clase.
• Los métodos existentes luchan para abordar efectivamente estas limitaciones, lo que dificulta la precisión óptima de detección de la señal P300.
• Los enfoques de aprendizaje profundo ofrecen potencial, pero requieren arquitecturas especializadas para el procesamiento de señales complejas.

Objetivo del estudio:

• Proponer un nuevo marco de ensamblaje de dos etapas basado en Inception (ITSEF) para mejorar la precisión de detección de P300 en BCIs.
• Mejorar el rendimiento de la clasificación para las clases minoritarias y mejorar la generalización general del modelo.
• Proporcionar una solución innovadora de aprendizaje profundo para el análisis de señales P300.

Principales métodos:

• Desarrolló una red neuronal convolucional basada en Inception (ICNN) para la extracción de características a escala múltiple y el aprendizaje entre canales.
• Implementó un marco conjunto de dos etapas (TSEF) con estrategias de formación previa y ajuste fino.
• Utilizó una estrategia de aprendizaje acumulativo con predicciones ponderadas dinámicamente de ramas convencionales y de reequilibrio para centrarse en las clases minoritarias.

Principales resultados:

• El ITSEF logró una precisión de clasificación P300 de vanguardia del 86,16% en el conjunto de datos BCI Competition III II y del 92,13% en el BCIAUT-P300.
• Se han demostrado mejoras de rendimiento del 4,61% y del 1,01% con respecto a los métodos de última generación existentes en los respectivos conjuntos de datos.
• Mostró mejoras significativas en comparación con los modelos de referencia y las estrategias comunes de reequilibrio de clase.

Conclusiones:

• El ITSEF propuesto aborda eficazmente los desafíos de la detección P300, incluida la baja relación señal-ruido y el desequilibrio de clases.
• El marco exhibe un rendimiento superior y capacidad de generalización, ofreciendo una solución robusta para P300-BCI.
• ITSEF presenta un marco de aprendizaje profundo prometedor con un potencial de aplicación significativo en los sistemas P300-BCI.