Implementación de una nueva estrategia de identificación del potencial p300 para interfaces cerebro-computadora utilizando información espectral del EEG Público Deposited

En este trabajo se propone una metodología para clasificar las épocas de EEG registradas durante la operación de la Interfaz Cerebro-Computadora (BCI) conocida como Deletreador de Donchin, cuya operación está basada en el paradigma de evento raro y la presencia o no de la onda P300 del Potencial Relacionado a Eventos (ERP). La propuesta es una alternativa al enfoque clásico de amplitud y latencia, como rasgos para clasificar las épocas de EEG post-estímulo como atendidas y no-atendidas (con/sin P300), y está basada en teorías que relacionan el origen de los ERPs con actividad de las diferentes bandas de frecuencia (espectral) del EEG de fondo. La estrategia extrae información espectral (tiempo-frecuencia) de épocas de EEG de 1 segundo de duración post-estímulo, mediante la Transformada Wavelet Continua (CWT) con wavelet madre Morlet Compleja, y clasifica las épocas mediante una máquina de soporte vectorial con kernel gaussiano (SVM-RBF). La metodología consta de 4 etapas: Preprocesamiento y extracción de rasgos, Selección preliminar de rasgos, Selección de rasgos e hiperparámetros óptimos y Prueba con datos no observados. El desempeño de clasificación se mide con el parámetro Área bajo la Curva ROC (AUROC), una medida general de la potencia de predicción para clasificadores binarios, que toma valores entre 0 y 1. Con este método se lograron identificar dos tipos de actividad EEG, correspondiente a distintos mecanismos cerebrales que participan en la operación del Deletreador Donchin: Un mecanismo predominante en épocas correspondientes a estimulaciones de columnas (procesamiento visual del estímulo), que involucra rasgos en latencias de 100 − 200 ms, bandas de frecuencia α, θ y β y canales parieto-occipitales (Oz, PO8, PO7). Un mecanismo predominante en épocas correspondientes a estimulaciones de filas (reconocimiento consciente del estímulo), que presenta rasgos en latencias de 300 − 500 ms, bandas de frecuencia δ y θ, y canales frontales, centrales y parieto-occipitales (Fz, C3, C4, Oz, PO8 y PO7).

En la etapa de selección de rasgos e hiperparámetros óptimos (entrenamiento) el máximo desempeño de clasificación promedio (en 10 sujetos) se alcanzó al promediar los rasgos en N = 10 épocas de EEG, obteniendo un valor de AUROC = 0.88 ± 0.06 para épocas de columnas y de 0.84 ± 0.05 para épocas de filas. En la etapa de prueba con datos no observados el mejor desempeño de clasificación promedio (entre sujetos) se alcanzó también con N = 10, con un valor de AUROC = 0.88 ± 0.08 para épocas de columnas y de 0.80 ± 0.08 para épocas de filas. Para el mejor sujeto en la etapa de prueba con muestras no-observadas (LAC) se obtuvo AUROC = 0.97 para épocas de columnas y AUROC = 0.95 para épocas de filas, en ambos casos con N = 10. El método propuesto es útil para clasificar las épocas de EEG registradas durante la operación del Deletreador de Donchin, a partir de los coeficientes CWT y el clasificador SVM-RBF: es capaz de identificar y seleccionar, los rasgos e hiperparámetros que optimizan el desempeño de clasificación (AUROC) para cada sujeto y condición (filas o columnas). El tipo de mecanismo cerebral predominante, además de la homogeneidad de los sub-conjuntos de rasgos, parecen ser dos factores que contribuyen directamente al desempeño de clasificación, que es mayor para épocas de columnas que de filas en casi todos los casos. Estas diferencias pueden estar relacionadas con inconvenientes propios del diseño basado en filas-columnas de la matriz del Deletreador de Donchin clásico, y su dependencia de la dirección de la mirada. Estos resultados motivan a continuar explorando métodos basados en rasgos espectrales para clasificar épocas de EEG registradas en la operación del Deletreador de Donchin.

Relaciones

En Conjunto Administrativo:

Descripciones

Nombre del atributoValores
Creador
Colaboradores
Tema
Editor
Idioma
Identificador
Palabra Clave
Año de publicación
  • 2016
Tipo de Recurso
Derechos
División académica
Línea académica
Licencia
Última modificación: 09/21/2022
Citaciones:

EndNote | Zotero | Mendeley

Elementos