Channel dropout integrated with CAM to improve the interpretability of spatiotemporal uncertainty in the least performing mi subjects
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis presenta un marco unificado para mejorar la robustez y la interpretabilidad en la clasificación de imaginación motora (MI) basada en electroencefalografía (EEG), abordando tres desafíos persistentes en las interfaces cerebro–computador (BCI): la dependencia de configuraciones de EEG de alta densidad (HD-EEG), la elevada variabilidad intersujeto y la limitada interpretabilidad de los modelos de aprendizaje profundo (DL). En conjunto, estos factores generan una alta incertidumbre espacio-temporal que afecta especialmente a los sujetos de bajo desempeño y limita la aplicación práctica de los sistemas BCI basados en MI en entornos clínicos y reales. Para enfrentar estos desafíos, el marco propuesto evalúa sistemáticamente el impacto de la reducción del número de canales de EEG sobre la consistencia y la generalización de distintos modelos de aprendizaje profundo, incluyendo ShallowConvNet, EEGNet y TCFusionNet. Los resultados muestran que una configuración de 32 canales logra un desempeño comparable o superior al de esquemas completos de 64 canales, mientras que 16 canales constituyen una alternativa viable para sistemas portables; en contraste, montajes altamente dispersos producen una degradación significativa del rendimiento, especialmente en sujetos de bajo desempeño. Con base en estos hallazgos, el trabajo incorpora Monte Carlo Dropout (MCD) a nivel de canal como un mecanismo de regularización consciente de la incertidumbre para mitigar la variabilidad intersujeto y la inestabilidad asociada a la reducción de canales. Al aproximar un comportamiento tipo ensamble durante la inferencia, MCD mejora la consistencia de la clasificación, reduce el sobreajuste y disminuye la brecha de rendimiento entre sujetos. Finalmente, se integran técnicas de interpretabilidad basadas en mapas de activación de clases (Class Activation Mapping, CAM) para identificar patrones espacio-temporales discriminativos asociados a tareas de MI. La combinación de MCD y CAM genera mapas de activación más definidos y fisiológicamente coherentes sobre regiones sensorimotoras, permitiendo la identificación de biomarcadores espaciales confiables sin comprometer el desempeño del modelo. La validación sobre una base de datos pública de EEG para imaginación motora demuestra que el marco propuesto mejora la robustez, la interpretabilidad y la generalización frente a enfoques convencionales de aprendizaje profundo, contribuyendo al desarrollo de sistemas BCI más transparentes, confiables y portables para aplicaciones clínicas y del mundo real. Palabras clave: Imaginación Motora, EEG, Interfaz Cerebro–Computador, Aprendizaje Profundo, Reducción de Canales, Monte Carlo Dropout, Interpretabilidad (Texto tomado de la fuente).
Abstract
This thesis presents a unified framework for improving robustness and interpretability in EEG-based motor imagery (MI) classification, addressing three persistent challenges in brain–computer interfaces (BCIs): dependence on high-density EEG (HD-EEG) configurations, significant inter-subject variability, and the limited interpretability of deep learning (DL) models. These challenges jointly contribute to high spatiotemporal uncertainty, particularly affecting low-performing subjects and limiting the practical deployment of MI-based BCIs in clinical and real-world scenarios. To address these issues, the proposed framework systematically evaluates the impact of EEG channel reduction on model consistency and generalization using multiple deep learning architectures, including ShallowConvNet, EEGNet, and TCFusionNet. Experimental results demonstrate that a 32-channel configuration achieves performance comparable to or exceeding that of full 64-channel setups, while 16 channels remain a viable compromise for portable systems. In contrast, extremely sparse montages significantly degrade performance, especially for low-performing subjects, highlighting the need for robustness-oriented modeling strategies. Building upon these findings, the framework integrates channel-wise Monte Carlo Dropout (MCD) as an uncertainty-aware regularization mechanism to mitigate inter-subject variability and montage-induced instability. By approximating an ensemble of neural networks during inference, MCD improves classification consistency, reduces overfitting, and narrows the performance gap between high- and low-performing subjects across varying channel configurations. Finally, this work incorporates Class Activation Mapping (CAM) techniques to enhance model interpretability by identifying discriminative spatiotemporal patterns associated with MI tasks. The combination of MCD and CAM produces sharper, physiologically consistent activation maps over sensorimotor regions, particularly in low-performing subjects where standard models exhibit diffuse and unstable representations. This unified approach enables the identification of reliable spatial biomarkers while preserving classification performance. Extensive validation on a publicly available MI EEG dataset demonstrates that the proposed framework improves robustness, interpretability, and generalization compared to conventional deep learning baselines. The findings contribute to the development of more transparent, reliable, and portable MI-based BCI systems, supporting their translation from controlled laboratory settings to clinical neurorehabilitation and real-world applications. Keywords: Motor Imagery, EEG, Brain–Computer Interface, Deep Learning, Channel Reduction, Monte Carlo Dropout, Interpretability.
Descripción
ilustraciones, graficas, tablas