Eficiencia Mejorada en la Decodificación de Señales Espontáneas de EEG mediante Red Neuronal Convolucional...

Área de la Ciencia:

• Neurociencia
• Aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• Las interfaces cerebro-computadora (BCI) basadas en electroencefalograma (EEG) espontáneo ofrecen una interacción intuitiva pero enfrentan limitaciones de rendimiento con los métodos de decodificación clásicos.
• Los enfoques de redes neuronales (RN) mejoran el rendimiento, pero a menudo carecen de interpretabilidad y eficiencia computacional.
• La integración de principios de neurociencia en el diseño de RN es crucial para avanzar en la tecnología BCI.

Objetivo del estudio:

• Desarrollar un nuevo operador de RN que integre las características de las señales neuronales para la decodificación de EEG espontáneo.
• Mejorar el rendimiento, la interpretabilidad y la eficiencia computacional de las BCI basadas en EEG.
• Abordar las limitaciones de los métodos de RN existentes en la extracción de características de EEG.

Principales métodos:

• Se propuso una Red Neuronal Convolucional Predefinida por Función (FPCNN) que incorpora una nueva capa Convolucional Predefinida por Función (FPC).
• Se desarrolló un Detector Cuadrático Entrenable (TQD) basado en FPC para capturar cambios complejos de fase en las señales de EEG.
• Se integró la búsqueda de parámetros espacio-frecuenciales dentro de la capa FPC para la extracción de características interpretables.

Principales resultados:

• La FPCNN demostró mejoras significativas de rendimiento (2,09%–3,41%) sobre los métodos de vanguardia en tres conjuntos de datos de EEG espontáneo.
• Se lograron tiempos eficientes de entrenamiento y prueba (67,96 s y 19,36 s por época) en un entorno sin GPU.
• Los experimentos de visualización confirmaron la interpretabilidad y estabilidad del modelo FPCNN.

Conclusiones:

• La FPCNN propuesta decodifica eficazmente las señales de EEG espontáneo con una precisión y eficiencia mejoradas.
• La nueva capa FPC y el TQD proporcionan parámetros interpretables y físicamente significativos para el análisis de EEG.
• Este trabajo destaca los beneficios de combinar el procesamiento de señales tradicional con las RN para aplicaciones BCI robustas y eficientes.