MountPat: investigaciones sobre señales EEG

Área de la Ciencia:

• Neurociencia
• Ciencias de la computación
• Ingeniería biomédica

Sus antecedentes:

• La electroencefalografía (EEG) es un método rentable para el monitoreo de la actividad cerebral.
• La interpretación de señales EEG complejas a menudo requiere modelos avanzados de aprendizaje automático (ML).
• La extracción eficaz de características es crucial para mejorar el rendimiento de los modelos de ML en el análisis de EEG.

Objetivo del estudio:

• Presentar y evaluar MountPat, una novedosa transformación determinista de ingeniería de características para señales EEG.
• Demostrar la capacidad de MountPat dentro de un marco de ingeniería de características explicables (XFE).
• Evaluar la generalización entre sujetos y la interpretabilidad del modelo XFE propuesto.

Principales métodos:

• Extracción de características utilizando la novedosa transformación MountPat.
• Selección de características mediante el análisis de componentes de vecindario iterativo ponderado acumulativo (CWNCA).
• Clasificación mediante k-vecinos más cercanos basados en el algoritmo t (tkNN).
• Generación de información explicable utilizando el método de inteligencia artificial explicable (XAI) Directed Lobish (DLob).

Principales resultados:

• El marco XFE basado en MountPat logró una alta precisión (76,36 % -98,88 %) en seis conjuntos de datos de EEG bajo validación independiente del sujeto (LOSO).
• La validación cruzada (CV) de diez veces por muestra superó el 89 % de precisión en todos los conjuntos de datos.
• El método DLob XAI proporcionó resultados interpretables, lo que ilustra la eficacia del marco.

Conclusiones:

• MountPat es un método novedoso y eficaz de extracción de características para el procesamiento de señales multicanal, particularmente para datos de EEG.
• El marco de ingeniería de características explicables (XFE) demuestra sólidas capacidades de generalización entre sujetos.
• La integración de XAI mejora la interpretabilidad de los modelos de ML en el análisis de señales de EEG.