La electroencefalografía permite la decodificación continua de los ángulos de movimiento de la mano en coordenadas...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• Los movimientos de la mano a menudo se describen en coordenadas cartesianas o polares.
• Las interfaces cerebro-computadora (BCI) basadas en electroencefalografía (EEG) utilizan comúnmente coordenadas cartesianas.
• Las coordenadas polares representan de forma natural el movimiento circular y la información angular.

Objetivo del estudio:

• Investigar la viabilidad de decodificar continuamente los ángulos de movimiento de la mano en coordenadas polares utilizando señales de EEG.
• Comparar el rendimiento de varios modelos de aprendizaje profundo para esta tarea de decodificación.

Principales métodos:

• Los participantes humanos realizaron tareas de trazado circular bimanual mientras se registraban los datos de EEG.
• Se utilizaron seis modelos de aprendizaje profundo, incluidas variantes de EEGNet, DeepConvNet, ShallowConvNet y sus variantes LSTM.
• El rendimiento se evaluó utilizando el Error Cuadrático Medio (MSE), el Error Absoluto Medio (MAE) y el Coeficiente de Correlación (CC).

Principales resultados:

• Todos los seis modelos superaron significativamente el nivel de azar (P < 0.01) en ocho participantes.
• El modelo con mejor rendimiento logró una MSE de 1.012 rad², una MAE de 0.627 rad y un CC de 0.895.
• Demostró una decodificación angular continua exitosa del movimiento circular de la mano.

Conclusiones:

• La decodificación continua de los ángulos de movimiento de la mano en coordenadas polares utilizando señales de EEG es factible.
• Este enfoque proporciona una alternativa viable a la decodificación basada en cartesianas para movimientos circulares o rotacionales.
• Los modelos de aprendizaje profundo muestran un potencial significativo para avanzar en las BCI basadas en EEG.