Clasificación de señales EEG de imaginación motora intersujeto basada en aprendizaje por transferencia meta

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Ingeniería Biomédica

Sus antecedentes:

• La clasificación de electroencefalogramas (EEG) de imaginación motora (IM) es crucial para las interfaces cerebro-computadora (BCI).
• Las señales de EEG sufren de baja relación señal-ruido y no estacionariedad, lo que dificulta los enfoques de aprendizaje automático tradicionales.
• Los métodos existentes muestran limitaciones en tareas de clasificación intersujeto y con muestras pequeñas.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo optimizado para la clasificación de IM-EEG.
• Abordar los desafíos de la baja calidad de la señal y los datos limitados en la investigación de BCI.
• Mejorar el rendimiento de las BCI en entornos prácticos, del mundo real y clínicos.

Principales métodos:

• Se propuso CMHA-Net, una red neuronal convolucional (CNN) diseñada específicamente para IM-EEG.
• Se integraron convoluciones separables en profundidad, convoluciones profundas y mecanismos de atención de múltiples cabezales.
• Se empleó un marco de aprendizaje por transferencia meta basado en Meta-SGD para mejorar la generalización.

Principales resultados:

• Logró una precisión del 81,61% en el conjunto de datos BCI-IV-2a y del 88,15% en el conjunto de datos High Gamma.
• Superó a los modelos existentes por un margen significativo del 4-15% en precisión.
• Demostró un rendimiento superior en escenarios de clasificación con muestras pequeñas.

Conclusiones:

• CMHA-Net ofrece una solución robusta para la clasificación de IM-EEG, superando las limitaciones clave de los métodos actuales.
• El modelo propuesto muestra un potencial significativo para avanzar en las aplicaciones clínicas y de BCI en el mundo real.
• El aprendizaje por transferencia meta combinado con una arquitectura CNN especializada mejora la usabilidad y efectividad del sistema BCI.