EEG2GAIT: Una red convolucional jerárquica de grafos para la decodificación de la marcha basada en EEG | JoVE Visualize

Área de la Ciencia:

Neurociencia
Ingeniería Biomédica
Aprendizaje Automático

Sus antecedentes:

La decodificación de la dinámica de la marcha a partir de señales de electroencefalografía (EEG) es un desafío debido a los complejos procesos motores y a la limitada disponibilidad de conjuntos de datos de alta calidad.
La extracción precisa de características temporales y espectrales es crucial para una decodificación fiable de la marcha.

Objetivo del estudio:

Introducir EEG2GAIT, un novedoso modelo jerárquico basado en grafos para la decodificación mejorada de la marcha basada en EEG.
Mejorar el rendimiento de la decodificación a través de una función de pérdida de recompensa temporal-espectral híbrida (HTSR).
Contribuir con un nuevo conjunto de datos de EEG de marcha (GED) para avanzar en la investigación en este campo.

Principales métodos:

Se utilizó una pirámide de red convolucional de grafos (GCN) jerárquica para capturar incrustaciones espaciales multinivel de los canales de EEG.
Se desarrolló una función de pérdida de recompensa temporal-espectral híbrida (HTSR) que integra componentes basados en el dominio del tiempo, el dominio de la frecuencia y la recompensa.
Se recopiló y sincronizó un nuevo conjunto de datos de EEG de marcha (GED) con datos de ángulos articulares de las extremidades inferiores de 50 participantes.

Principales resultados:

EEG2GAIT con HTSR logró un alto rendimiento en el conjunto de datos GED (r=0.959, R²=0.914, MAE=0.193).
Superó a los métodos existentes en el conjunto de datos MoBI (r=0.779, R²=0.597, MAE=4.384).
Los estudios de ablación y de saliency validaron los componentes del modelo y destacaron la participación de la región cerebral relacionada con el movimiento.

Conclusiones:

EEG2GAIT con HTSR demuestra un rendimiento superior en la decodificación de la dinámica de la marcha a partir de señales de EEG.
El modelo muestra un potencial significativo para avanzar en las aplicaciones de interfaces cerebro-computadora, especialmente en la rehabilitación de las extremidades inferiores.
El conjunto de datos y el modelo desarrollados proporcionan recursos valiosos para la investigación futura en análisis de la marcha y BCI.