Red Neuronal de Ponderación Dinámica Multidominio para la Decodificación de Imágenes Motoras

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Procesamiento de Señales

Sus antecedentes:

• Las Redes Neuronales Convolucionales (CNN) son estándar para decodificar señales de electroencefalograma (EEG) en interfaces cerebro-computadora (BCI) basadas en imágenes motoras (MI).
• Las CNN existentes enfrentan limitaciones para capturar completamente las intrincadas características de tiempo-frecuencia de las señales EEG debido a tamaños de kernel fijos y atención de características uniforme.
• Esto requiere métodos avanzados para mejorar la precisión y robustez de la decodificación MI-BCI.

Objetivo del estudio:

• Proponer la Red Neuronal de Ponderación Dinámica Multidominio (MD-DWNet) para mejorar el rendimiento de la decodificación MI-BCI.
• Abordar las limitaciones de las CNN tradicionales para capturar las características complejas de las señales EEG.
• Mejorar las capacidades de modelado adaptativo y generalización de los sistemas BCI.

Principales métodos:

• MD-DWNet integra características multimodales en los dominios de tiempo, frecuencia y espacial utilizando una estructura de ramas.
• Emplea filtrado multibanda, convolución espacial y varianza temporal para la extracción de características espectrales espaciales.
• Se utilizan un CNN de doble escala, un filtro global dinámico, un mecanismo de atención y una función de pérdida conjunta de doble rama para el procesamiento y optimización integral de características.

Principales resultados:

• MD-DWNet logró altas precisiones de clasificación en múltiples conjuntos de datos: 83,86 % (BCI Competition IV 2a), 88,67 % (IV 2b), 75,25 % (OpenBMI) y 84,85 % (conjunto de datos de laboratorio).
• La red propuesta superó a varios métodos avanzados en tareas de decodificación de señales MI.
• Los resultados experimentales validan el rendimiento superior y la efectividad de MD-DWNet.

Conclusiones:

• MD-DWNet mejora significativamente el rendimiento de decodificación de las BCI basadas en MI al capturar de manera efectiva las características complejas de las señales EEG.
• La integración de características multidominio y los mecanismos adaptativos de la red contribuyen a mejorar la precisión y la generalización.
• Los hallazgos sugieren que MD-DWNet es un avance prometedor para aplicaciones prácticas de BCI.