Modelo híbrido profundo de CNN-BiLSTM-Atención para la clasificación de EEG utilizando características de wavelet

Área de la Ciencia:

• Neurociencia
• Aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• La electroencefalografía (EEG) ofrece una excelente resolución temporal para estudiar la dinámica cerebral.
• El desequilibrio de clases y la variabilidad en los datos de EEG plantean desafíos para la discriminación automática del estado cerebral.
• La distinción de estados cognitivos a partir de EEG requiere métodos analíticos avanzados.

Objetivo del estudio:

• Clasificar las grabaciones de EEG en distintos estados cerebrales (reposo frente a estimulación con mantras auditivos).
• Mejorar el aprendizaje discriminatorio a partir de características de tiempo-frecuencia basadas en wavelet utilizando una red neuronal híbrida profunda.
• Mejorar la precisión de la clasificación automática del estado cerebral.

Principales métodos:

• Datos de EEG registrados de practicantes experimentados en estados de reposo y escucha de mantras.
• Se utilizaron transformadas de wavelet para la representación tiempo-frecuencia de segmentos de EEG.
• Se empleó un modelo híbrido de aprendizaje profundo que combina redes neuronales convolucionales (CNN), memoria a corto plazo bidireccional (BiLSTM) y mecanismos de atención.

Principales resultados:

• El modelo CNN-BiLSTM-Atención propuesto logró una alta precisión del 99,46 % en un conjunto de prueba independiente.
• Esto superó significativamente a los modelos de referencia como CNN, LSTM y CNN+LSTM.
• El análisis de la curva característica operativa del receptor (ROC) mostró un área bajo la curva (AUC) cercana a 1,0, lo que confirma una sólida capacidad discriminatoria.

Conclusiones:

• El marco híbrido de aprendizaje profundo mejora eficazmente el aprendizaje de características espacio-temporales para el análisis de EEG.
• El modelo demuestra un rendimiento sólido en la distinción entre los estados cerebrales de reposo y durante la estimulación auditiva con mantras.
• Este enfoque muestra potencial para la monitorización neurofisiológica y la detección del estado cognitivo en tiempo real.