Rompiendo la barrera del rendimiento en BCIs de SSVEP basados en aprendizaje profundo: una estrategia conjunta de entrenamiento de frecuencia y fase | JoVE Visualize

Área de la Ciencia:

Neurociencia
Aprendizaje Automático
Ingeniería Biomédica

Sus antecedentes:

El aprendizaje profundo muestra una gran promesa para las interfaces cerebro-computadora (BCI) basadas en electroencefalografía (EEG) utilizando la clasificación de potencial evocado visual de estado estable (SSVEP).
Las señales SSVEP poseen características tanto de frecuencia como de fase cruciales para una clasificación precisa.
Los métodos actuales de aprendizaje profundo a menudo descuidan la utilización combinada de información de frecuencia y fase, lo que limita el rendimiento de la clasificación.

Objetivo del estudio:

Abordar las limitaciones de las estrategias de aprendizaje profundo existentes en la clasificación de SSVEP.
Proponer y validar una nueva Estrategia Conjunta de Entrenamiento de Frecuencia y Fase (JFPTS) para mejorar la clasificación de SSVEP.
Explotar plenamente las propiedades duales de frecuencia y fase inherentes a las señales SSVEP.

Principales métodos:

La Estrategia Conjunta de Entrenamiento de Frecuencia y Fase (JFPTS) propuesta emplea dos etapas distintas con muestreo especializado de ventana de tiempo.
La primera etapa utiliza un esquema de muestreo impulsado por la frecuencia prioritaria para optimizar la utilización del componente de frecuencia.
La segunda etapa implementa un esquema de muestreo bloqueado por fase para mejorar la consistencia de la fase intra-categoría.

Principales resultados:

Los experimentos realizados en dos conjuntos de datos públicos confirmaron la eficacia de JFPTS.
El modelo de aprendizaje profundo mejorado con JFPTS demostró un rendimiento superior en comparación con los métodos existentes de vanguardia.
El rendimiento superó significativamente el punto de referencia establecido del análisis de componentes discriminantes de tareas (TDCA).

Conclusiones:

JFPTS representa un nuevo paradigma de entrenamiento para el aprendizaje profundo en la clasificación de SSVEP.
Esta estrategia aprovecha eficazmente las características de frecuencia y fase de las señales SSVEP.
Se espera que el método propuesto avance las aplicaciones de aprendizaje profundo en BCIs de SSVEP y fomente una adopción más amplia.