LPGGNet: Aprendizaje a partir de representaciones de grafos de partición local-global para el reconocimiento de EEG...

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Ingeniería Biomédica

Sus antecedentes:

• Los métodos existentes de decodificación de electroencefalografía de imágenes motrices (MI-EEG) luchan con representaciones de grafos limitadas, subutilización de información multiescala y poca adaptabilidad.
• Los enfoques actuales a menudo se basan en representaciones de grafos de conectividad únicas, lo que dificulta el análisis integral de la dinámica cerebral.

Objetivo del estudio:

• Desarrollar una Red de aprendizaje de grafos de partición local-global (LPGGNet) novedosa para superar las limitaciones de las técnicas existentes de decodificación de MI-EEG.
• Mejorar la decodificación de MI-EEG integrando conectividades cerebrales de múltiples vistas y estructuras de grafos construidas dinámicamente.

Principales métodos:

• El LPGGNet propuesto utiliza la Coherencia Parcial Dirigida (PDC) para matrices de adyacencia funcionales locales y convoluciones temporales para la extracción de características.
• Se empleó un módulo de aprendizaje de particiones con distancia gaussiana mediana y filtrado de grafos para la consistencia de características intrapartición.
• Se integró un módulo de aprendizaje global con matrices de adyacencia calculadas dinámicamente y convoluciones de grafos residuales para representaciones relevantes para la tarea.

Principales resultados:

• LPGGNet logró altas precisiones de clasificación del 82,9% en el conjunto de datos BCI Competition IV-2a y del 87,5% en un conjunto de datos de laboratorio.
• El modelo propuesto superó a varios métodos de decodificación de MI-EEG de última generación.
• Los estudios de ablación confirmaron la contribución significativa de cada módulo dentro de la arquitectura LPGGNet.

Conclusiones:

• La integración de conectividades cerebrales de múltiples vistas con estructuras de grafos construidas dinámicamente mejora significativamente el rendimiento de la decodificación de MI-EEG.
• El modelo LPGGNet presenta una solución novedosa, eficiente y superior para decodificar señales de electroencefalografía (EEG).
• Esta investigación avanza en el campo de las interfaces cerebro-computadora a través de un análisis mejorado de las señales de EEG.