Métodos de aprendizaje basados en gráficos para la decodificación de imágenes motoras EEG dependientes del sujeto e...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Ingeniería biomédica

Sus antecedentes:

• El análisis del electroencefalograma (EEG) del cuero cabelludo se enfrenta a desafíos debido a la alta variabilidad, lo que dificulta el rendimiento de la interfaz cerebro-computadora (BCI) de las imágenes motoras.
• Los métodos de aprendizaje de características existentes a menudo producen espacios de características incompletos y poco discriminativos, lo que limita la precisión de la clasificación EEG.

Objetivo del estudio:

• Introducir nuevos métodos de aprendizaje basados en gráficos para mejorar la decodificación de imágenes motoras tanto en el BCI dependiente del sujeto como en el independiente.
• Abordar las limitaciones de los métodos actuales para manejar la variabilidad del EEG y mejorar la discriminabilidad de las características.

Principales métodos:

• Construcción de un gráfico de características espaciales de tiempo-frecuencia (TFSG) integral mediante la fusión de características de gráficos de redes espaciales y cerebrales de unidades de frecuencia temporal.
• Desarrollo de dos métodos avanzados de regularización: optimización dispersa no convexa con regularización logarítmica y regularización de criterio de Fisher para aprender un espacio de características TFSG discriminativo.
• Marco algorítmico unificado para resolver los modelos de optimización propuestos.

Principales resultados:

• El espacio de la característica TFSG acoge efectivamente las variaciones intra e interindividuales del EEG.
• Se alcanzaron las mayores precisiones de clasificación promedio: 82,93% (dependiente del sujeto), 68,52% (independiente del sujeto) y 71,69% (adaptativo al sujeto).
• Demostró una mejora significativa en el rendimiento de decodificación dependiente del sujeto y independiente del sujeto.

Conclusiones:

• Los métodos de aprendizaje de características basados en gráficos propuestos mejoran significativamente la precisión de decodificación de imágenes motoras en BCIs.
• Las características del TFSG y los modelos de regularización avanzados mejoran la inclusión y la discriminabilidad del espacio de características, lo que mejora el rendimiento del BCI.