Método de decodificación de aprendizaje por refuerzo de la información compartida de EEG de múltiples usuarios basada...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• Las interfaces cerebro-ordenador de imágenes motoras multiusuario (BCI) son prometedoras para mejorar la toma de decisiones y la interacción social.
• Los métodos de decodificación actuales para BCIs multiusuario son limitados, a menudo utilizando integración de características básicas y no capturando relaciones complejas entre cerebros.
• Esto lleva a la extracción incompleta de información de múltiples fuentes de usuarios.

Objetivo del estudio:

• Desarrollar un método avanzado de decodificación por electroencefalografía (EEG) para BCI multiusuario.
• Mejorar la extracción de información común entre múltiples usuarios al abordar las limitaciones de las técnicas de decodificación actuales.
• Mejorar la precisión y la eficiencia de los sistemas de BCI multiusuario.

Principales métodos:

• Un nuevo método de decodificación EEG basado en el aprendizaje por refuerzo (RL) que utiliza mecanismos de información mutua.
• Implementación de un modelo de retroalimentación dinámica con información mutua entre el cerebro para la recompensa/castigo en la selección del canal RL.
• Utilizando redes neuronales profundas para la extracción automática de características acopladas de señales seleccionadas de un solo cerebro e intercerebro.
• El uso de un mecanismo de votación de atención basado en señales de EEG prefrontales para la determinación de la salida final.

Principales resultados:

• Logró una mejora de precisión media del 16% en el reconocimiento de doble cerebro en comparación con el modo de un solo cerebro.
• Los estudios de ablación confirmaron contribuciones significativas: el módulo RL mejoró la precisión en un 14,5% y el módulo de votación de atención en un 15,7%.
• Se ha demostrado la eficacia de la extracción de información común de múltiples fuentes y de las características acopladas.

Conclusiones:

• El método de decodificación EEG basado en RL propuesto mejora significativamente el rendimiento del BCI multiusuario.
• La integración de la información mutua, RL, y los mecanismos de atención ofrece un enfoque robusto para la decodificación de complejas dinámicas intercerebrales.
• Este método proporciona una base para sistemas de interacción cerebro-ordenador multiusuario más sofisticados y precisos.