Método de aprendizaje de características de EEG híbrido para la clasificación de estado de atención mental humana en...

Área de la Ciencia:

• La neurociencia
• Procesamiento de señales
• Aprendizaje automático

Sus antecedentes:

• La decodificación de los estados de atención mental del electroencefalograma (EEG) es vital para aplicaciones como el monitoreo cognitivo y las interfaces cerebro-computadora (BCI).
• Los métodos de EEG existentes luchan con la variabilidad entre sesiones y entre sujetos, lo que limita su aplicabilidad en el mundo real.
• La decodificación de atención robusta requiere modelos que se generalicen más allá de usuarios específicos o sesiones de grabación.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje de características híbridas para una clasificación robusta de los estados de atención mental (enfocado, desenfocado, somnoliento).
• Mejorar la generalización de la decodificación de la atención basada en EEG en diferentes sesiones e individuos.
• Establecer una base para sistemas prácticos y continuos de monitoreo del estado mental.

Principales métodos:

• Una tubería unificada que integra el preprocesamiento, la extracción de características espectrales por canal (STFT) y las características de conectividad (funcional y estructural).
• Una selección de características en dos etapas que combina el filtrado basado en correlaciones y la clasificación aleatoria del bosque para la reducción de la relevancia y la dimensionalidad.
• Máquina vectorial de soporte (SVM) para una clasificación final eficiente y generalizable.

Principales resultados:

• Se logró una alta precisión de clasificación del 86,27% y del 94,01% en dos conjuntos de datos de EEG entre sesiones y entre sujetos.
• Significativamente mejor que los métodos tradicionales de decodificación de la atención basados en EEG.
• Demostró la eficacia de la integración de las características de conectividad con el análisis espectral.

Conclusiones:

• La integración de características conscientes de la conectividad con el análisis espectral mejora significativamente la generalización de los modelos de decodificación de la atención.
• El marco híbrido propuesto ofrece un enfoque prometedor para el monitoreo del estado mental basado en EEG en el mundo real.
• Este trabajo allana el camino para interfaces cerebro-computadora más robustas y adaptables.