MSHANet: Una Red de Atención Híbrida Multiescala para la Decodificación de EEG de Imágenes Motrices

Área de la Ciencia:

• Neurociencia; Ingeniería Biomédica; Aprendizaje Automático

Sus antecedentes:

• La tecnología de interfaz cerebro-computadora (BCI) es crucial para la neurorrehabilitación y la restauración de la función motora en pacientes con accidente cerebrovascular o lesión de la médula espinal.; El electroencefalograma de imágenes motrices (EEG de IM) es una modalidad BCI clave, pero su precisión de decodificación se ve obstaculizada por la dinámica no lineal y la variabilidad entre sujetos.; Los métodos BCI existentes luchan por capturar eficazmente los patrones espacio-temporales complejos del EEG.

Objetivo del estudio:

• Proponer una novedosa Red de Atención Híbrida Multiescala (MSHANet) para la decodificación mejorada de EEG de IM.; Mejorar la precisión y la robustez de los sistemas BCI para aplicaciones de neurorrehabilitación.; Introducir un codificador consciente de la estructura espacial del electrodo para aprovechar la información de posicionamiento del electrodo.

Principales métodos:

• Desarrolló MSHANet, integrando extracción de características espacio-temporales (STFE), autoatención de cabeza parlante (THSA), atención dinámica de compresión y excitación (DSEA) y una red convolucional temporal (TCN).; Incorporó un codificador consciente de la estructura espacial del electrodo para procesar datos de posición de electrodos.; Evaluó MSHANet en los conjuntos de datos BCI Competition IV 2a y 2b, y EEGMMID utilizando diseños experimentales dentro del sujeto y entre sujetos.

Principales resultados:

• MSHANet logró altas precisiones de decodificación: 83,56 % (dentro del sujeto, BCI-2a), 89,75 % (dentro del sujeto, BCI-2b) y 75,66 % (dentro del sujeto, EEGMMID).; Los experimentos entre sujetos arrojaron precisiones de 69,93 % (BCI-2a), 81,85 % (BCI-2b) y 79,67 % (EEGMMID).; El codificador consciente de la estructura espacial del electrodo mejoró el rendimiento de la decodificación hasta en un 2,91 %.

Conclusiones:

• MSHANet demuestra un rendimiento superior en la decodificación de EEG de IM, superando a los métodos existentes.; La red propuesta tiene un potencial significativo para aplicaciones clínicas en neurorrehabilitación y reconstrucción de la función motora.; La integración de información espacial de electrodos mejora la efectividad del modelo BCI.