AMANet: una red convolucional de atención temporal multiescala aumentada por datos para la clasificación de imágenes...

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Ingeniería Biomédica

Sus antecedentes:

• Las interfaces cerebro-computadora de imágenes motoras (MI-BCI) muestran potencial para la plasticidad neural pero enfrentan desafíos con datos limitados y ruido en la señal.
• El alto rendimiento de decodificación en MI-BCI se ve obstaculizado por muestras insuficientes específicas del sujeto y la susceptibilidad a artefactos en las señales de EEG.

Objetivo del estudio:

• Proponer una novedosa red de aprendizaje profundo, AMANet, para mejorar la decodificación de imágenes motoras.
• Abordar los desafíos de datos limitados y ruido en el procesamiento de señales MI-EEG.
• Mejorar la precisión y robustez de las interfaces cerebro-computadora.

Principales métodos:

• Se desarrolló una Red Convolucional de Atención Temporal Multiescala Aumentada por Datos (AMANet), que incorpora aumento de datos (ventana deslizante, CSP, escalado lineal), convolución temporal multiescala, atención ECA y convolución separable en profundidad.
• La red integra la extracción de características espaciales y temporales con ponderación adaptativa de canales para una clasificación robusta de señales MI-EEG.
• Se empleó validación cruzada de 10 pliegues en conjuntos de datos de referencia (Conjuntos de datos 2a y 2b de la Competición BCI IV) y el conjunto de datos High-Gamma.

Principales resultados:

• AMANet logró precisiones de clasificación del 84,06% y 85,09% en los conjuntos de datos 2a y 2b de la Competición BCI IV, respectivamente.
• En el conjunto de datos High-Gamma, AMANet alcanzó una precisión de clasificación del 95,48%.
• El AMANet propuesto superó significativamente a los modelos de referencia como Incep-EEGNet.

Conclusiones:

• El AMANet demuestra un rendimiento superior en tareas de decodificación de imágenes motoras, superando eficazmente las limitaciones de los métodos MI-BCI existentes.
• La arquitectura de la red facilita la extracción y clasificación robusta de características complejas de EEG, allanando el camino para BCIs más confiables.
• Este estudio destaca el potencial de las técnicas avanzadas de aprendizaje profundo para avanzar en la tecnología de interfaz cerebro-computadora.