Una red de múltiples ramas para integrar las características espaciales, espectrales y temporales en la clasificación...

Área de la Ciencia:

• La neurociencia
• Ingeniería biomédica
• Aprendizaje automático

Sus antecedentes:

• La decodificación precisa de las señales del electroencefalograma (EEG) de imágenes motoras (MI) es crucial para los sistemas eficaces de interfaz cerebro-computadora (BCI).
• La extracción de características discriminatorias de señales de EEG complejas y no lineales a través de dimensiones espaciales, espectrales y temporales presenta un desafío significativo.
• Mejorar el rendimiento de decodificación del MI-EEG depende de abordar estas complejidades de extracción de características multidimensionales.

Objetivo del estudio:

• Desarrollar una red neuronal profunda capaz de modelar conjuntamente las características espaciales, espectrales y temporales en las señales MI-EEG.
• Mejorar el rendimiento de clasificación de la decodificación MI-EEG mediante la captura de características complejas y multidimensionales de la señal.
• Mejorar la utilidad práctica y la precisión de los sistemas de interfaz cerebro-computadora (BCI) mediante el procesamiento avanzado de señales.

Principales métodos:

• Se propuso una red neuronal profunda de múltiples ramas, integrando cuatro ramas de extracción de características complementarias.
• La red procesa tanto los tensores de densidad espectral de potencia 3D como las señales de EEG de dominio de tiempo 2D para el modelado multidimensional unificado.
• Se utilizó el mapeo de activación de clase ponderada por gradiente (Grad-CAM) para visualizar las características espaciales y espectrales priorizadas por el modelo, lo que ayuda a la interpretabilidad.

Principales resultados:

• El modelo propuesto logró una precisión del 86,34% y un coeficiente kappa de 0,829 en el conjunto de datos EEGMMIDB (tarea de cinco clases).
• En el BCI Competition IV Dataset 2a (BCIIV2A), el modelo alcanzó una precisión del 83,43% y un coeficiente de 0,779 kappa (tarea de cuatro clases).
• El rendimiento demostró su superioridad sobre los métodos de última generación existentes en la clasificación MI-EEG.

Conclusiones:

• La red neuronal profunda de múltiples ramas desarrollada decodifica efectivamente las señales de EEG de imágenes motoras (MI), superando los métodos actuales.
• La capacidad del modelo para capturar características multidimensionales mejora el rendimiento de la interfaz cerebro-computadora (BCI).
• Las visualizaciones Grad-CAM confirmaron la interpretabilidad neurofisiológica del modelo al resaltar los canales espaciales clave y las bandas de frecuencia.