Predicción de la cinética de movimientos imaginados a partir de EEG de época única utilizando redes neuronales convolucionales

Abstract

La decodificación de la cinética de movimientos imaginados a partir del electroencefalograma (EEG) permite obtener m´as grados de libertad en el control de dispositivos por medio de una interfaz cerebro computadora, a costa de un aumento en la complejidad del problema. Intentos recientes para discernir entre diferentes niveles de fuerza y velocidad en la imaginación de movimientos obtuvieron resultados cercanos al nivel de aleatoriedad, lo que demanda una mejora en la exactitud de la predicción. En este sentido, las redes neuronales profundas han demostrado ser capaces de resolver problemas complejos a partir de la abstracción de la señal de entrada; entre ellas, las redes neuronales convolucionales (ConvNet) además son capaces de aprender relaciones topológicas en los datos. En particular, en el presente trabajo se implementó una ConvNet para distinguir entre niveles de fuerza y velocidad durante la imaginación de una tarea de agarre, a partir de EEG de época única. Se obtuvo una exactitud mayor a 70% con un pre-procesamiento mínimo del EEG, constituyendo una mejoría sensible por sobre resultados previos a partir de los mismos datos utilizando estrategias alternativas.