CTSSP: Un algoritmo de optimización conjunta temporal-espectral-espacial para la decodificación de EEG de imaginación motora | JoVE Visualize

Área de la Ciencia:

Neurociencia
Ingeniería Biomédica
Procesamiento de Señales

Sus antecedentes:

Las interfaces cerebro-computadora de imaginación motora (BCI de MI) muestran una gran promesa para la neurorrehabilitación.
Los desafíos de las señales de EEG, como la no estacionariedad, la baja relación señal-ruido (SNR) y la variabilidad entre sesiones, limitan el rendimiento actual de las BCI de MI.
Los métodos de decodificación existentes a menudo aíslan la optimización de características temporales, espectrales y espaciales, lo que conduce a resultados subóptimos.

Objetivo del estudio:

Desarrollar un marco unificado para la optimización conjunta de características temporales, espectrales y espaciales en BCI de MI.
Mejorar la robustez y la precisión de la decodificación de EEG en escenarios desafiantes de neurorrehabilitación.
Abordar las limitaciones de la optimización fragmentada en los métodos actuales de decodificación de BCI de MI.

Principales métodos:

Se propusieron Patrones Temporales-Espectrales-Espaciales Comunes (CTSSP), un marco unificado para la optimización conjunta de filtros.
Se integró la segmentación temporal multiescala para capturar la evolución neuronal dinámica.
Se emplearon filtros FIR adaptativos al canal y regularización de bajo rango para mejorar la detección de ritmos y la generalización.

Principales resultados:

CTSSP logró un rendimiento de última generación en cinco conjuntos de datos públicos.
Demostró precisiones superiores: 76,9 % (dentro del sujeto), 68,8 % (entre sesiones) y 69,8 % (entre sujetos).
Superó significativamente a los métodos de referencia y demostró ser competitivo frente a modelos de aprendizaje profundo, con filtros aprendidos alineados con los mecanismos de la corteza motora.

Conclusiones:

CTSSP extrae de manera efectiva patrones espacio-temporales-espectrales robustos, interpretables y acoplados.
Proporciona una solución potente y eficiente en cuanto a datos para decodificar EEG de MI en condiciones ruidosas y no estacionarias.
El marco desarrollado supera las limitaciones de la extracción de características desacopladas para mejorar los resultados de la neurorrehabilitación.