Aprendizaje por transferencia para clasificación de EEG de imaginería motora independiente del sujeto utilizando...

Área de la Ciencia:

• Neurociencia
• Ciencias de la Computación
• Ingeniería Biomédica

Sus antecedentes:

• La clasificación de electroencefalografía (EEG) de imaginería motora (IM) es clave para las interfaces cerebro-computadora (BCI).
• La mala generalización entre sujetos limita la implementación práctica de BCI en la atención médica y las tecnologías de asistencia debido a la variabilidad de la actividad neuronal.
• El desarrollo de BCI independientes del sujeto es crucial para una adopción más amplia.

Objetivo del estudio:

• Presentar un marco de aprendizaje por transferencia, ConvoReleNet, para la clasificación de IM-EEG independiente del sujeto.
• Extraer representaciones neuronales invariantes al sujeto minimizando el olvido catastrófico.
• Mejorar la precisión y reducir la variabilidad entre sujetos en el rendimiento de BCI.

Principales métodos:

• Se utilizó un marco de aprendizaje por transferencia que integra extracción de características convolucionales, modelado relacional y procesamiento recurrente (ConvoReleNet).
• Se empleó preentrenamiento en un grupo diverso de sujetos seguido de un ajuste conservador.
• Se validó el marco en los puntos de referencia BNCI IV-2a (IM de cuatro clases) y BNCI IV-2b (IM binaria) para la clasificación independiente del sujeto.

Principales resultados:

• La precisión mejoró significativamente en comparación con el entrenamiento desde cero: BNCI IV-2a de 72,22 % a 79,44 %, BNCI IV-2b de 75,10 % a 83,85 %.
• El mejor rendimiento alcanzó el 87,55 % (BNCI IV-2a) y el 83,85 % (BNCI IV-2b).
• Redujo la varianza entre sujetos en un 45,9 % (BNCI IV-2a) y un 40,0 % (BNCI IV-2b), lo que demuestra una generalización mejorada.

Conclusiones:

• El aprendizaje por transferencia es una estrategia eficaz para la clasificación de IM-EEG independiente del sujeto.
• El marco ConvoReleNet mejora la precisión de BCI, reduce la variabilidad y mantiene la eficiencia computacional.
• Este enfoque fortalece la viabilidad de BCI robustos y fáciles de usar para aplicaciones de rehabilitación y asistencia.