Decodificación de EEG adaptativa al sujeto a través del banco de filtros Arquitectura Neural Búsqueda de aplicaciones...

Área de la Ciencia:

• La neurociencia es la neurociencia.
• Aprendizaje automático Aprendizaje automático.
• Procesamiento de señales Procesamiento de señales.

Sus antecedentes:

• Las diferencias individuales presentan un obstáculo importante en la investigación de la interfaz cerebro-computadora (ICC).
• Las arquitecturas de red existentes de aplicación universal son poco prácticas debido a la variabilidad del cerebro humano.

Objetivo del estudio:

• Introducir la Búsqueda de Arquitectura Neural del Banco de Filtro (FBNAS), un marco de decodificación EEG automatizado.
• Para abordar las diferencias individuales en BCI mediante la personalización del diseño de la arquitectura de red.

Principales métodos:

• FBNAS emplea tres células temporales para procesar diversas frecuencias de EEG utilizando convoluciones dilatadas.
• Un algoritmo de búsqueda de arquitectura neural (NAS) de múltiples trayectorias optimiza las arquitecturas para la extracción de características a escala múltiple.
• El marco fue comparado con tres conjuntos de datos de EEG (BCIC-IV-2a, OpenBMI, SEED) en dos paradigmas de BCI.

Principales resultados:

• El FBNAS logró una precisión de decodificación superior entre sesiones: 79.78% (BCIC-IV-2a), 70.66% (OpenBMI) y 68.38% (SEED).
• El método propuesto superó a seis algoritmos de aprendizaje profundo de última generación.
• FBNAS demostró una personalización efectiva de los modelos de decodificación para patrones cerebrales individuales.

Conclusiones:

• FBNAS aborda con éxito las diferencias individuales en el BCI, mejorando significativamente el rendimiento de decodificación.
• El estudio cambia el diseño del modelo de BCI de un enfoque impulsado por expertos a un enfoque asistido por máquina.
• El diseño automatizado y personalizado de la arquitectura de red es crucial para el avance de la tecnología BCI.