La ortografía biónica SSVEP mejorada a través del aprendizaje profundo basado en xLSTM con técnicas de atención...

Área de la Ciencia:

• La neurociencia
• Ciencias de la computación
• Ingeniería biomédica

Sus antecedentes:

• Los potenciales evocados visuales de estado estacionario (SSVEPs) son cruciales para las interfaces cerebro-computadora (BCIs), especialmente para las personas con afasia.
• Los métodos basados en transformadores existentes a menudo no utilizan la información de frecuencia SSVEP e implican cálculos redundantes.

Objetivo del estudio:

• Proponer una nueva arquitectura de aprendizaje profundo, SED-xLSTM, para mejorar el análisis de señales SSVEP.
• Mejorar la eficiencia y la precisión de las BCI basadas en SSVEP mediante la integración de la información del dominio de tiempo y frecuencia.

Principales métodos:

• Desarrolló una arquitectura de red de codificador-decodificador apilado (SED) que incorpora un modelo xLSTM y un mecanismo de atención espacial (SED-xLSTM).
• Utilizó espectrogramas de bajo canal como entrada y aplicó técnicas de banco de filtros para capturar información armónica.
• Empleó un mecanismo de puertas para la extracción y fusión efectivas de características semánticas de canales espaciales de alta dimensión.

Principales resultados:

• SED-xLSTM demostró un rendimiento superior en la precisión de la clasificación y la velocidad de transferencia de información en tres conjuntos de datos públicos.
• El modelo superó a los métodos existentes, especialmente en los escenarios de validación cruzada en diferentes escalas temporales.
• Se logró una extracción y fusión efectivas de las características semánticas del canal espacial de las señales SSVEP.

Conclusiones:

• SED-xLSTM ofrece un avance significativo en las ortografías BCI basadas en SSVEP, particularmente para personas con afasia.
• La arquitectura propuesta aprovecha eficazmente la información del dominio de tiempo y frecuencia para mejorar el rendimiento del BCI.
• Este estudio destaca el potencial de xLSTM y la atención espacial en el análisis de señales neuronales complejas para aplicaciones de BCI.