EEG-based pain detection using gaussian functional connectivity and shallow deep learning with preserved interpretability

Abstract

This thesis presents an innovative approach for EEG-based pain classification, addressing the persistent challenge of intra and inter-subject variability. Leveraging Gaussian Functional Connectivity and shallow deep learning models, the study introduces a kernel-based functional connectivity method for single-trial pain classification. The proposed model optimizes spatio- temporal-frequency patterns through a cross-spectral distribution estimator, utilizing the universal approximation properties of the Gaussian kernel to improve feature extraction. This approach is designed to enhance interpretability, making it particularly suitable for brain-machine interface applications. The research also explores multi-modal analysis, incorporating demographic stratification techniques based on factors such as gender, age, and training performance. These strategies significantly improve the model’s generalization ability, yielding competitive performance metrics such as accuracy and AUC scores, while maintaining a high level of transparency in the decision-making process. By integrating frequency band filtering and advanced techniques like Grad-CAM++, the study provides deeper insights into the neural correlates of pain, bridging the gap between model performance and interpretability. Through extensive validation using EEG databases, the results demonstrate that the proposed methods outperform state-of-the-art models like EEGNet, offering superior classification accuracy across diverse subject groups. The findings of this research contribute to both the development of more effective pain assessment methodologies and the advancement of transparent deep learning models in clinical neurotechnology (Texto tomado de la fuente).

Esta tesis presenta un enfoque innovador para la clasificación del dolor basado en EEG, abordando el persistente desafío de la variabilidad intra e intersujeto. Aprovechando la Conectividad Funcional Gaussiana y modelos de aprendizaje profundo poco profundos, el estudio introduce un método de conectividad funcional basado en núcleos para la clasificación del dolor en ensayos individuales. El modelo propuesto optimiza los patrones espaciotemporales-frecuenciales a través de un estimador de distribución cruzada espectral, utilizando las propiedades de aproximación universal del núcleo gaussiano para mejorar la extracción de características. Este enfoque está diseñado para mejorar la interpretabilidad, lo que lo hace particularmente adecuado para aplicaciones de interfaz cerebro-máquina. La investigación también explora el análisis multimodal, incorporando técnicas de estratificación demográfica basadas en factores como género, edad y rendimiento en entrenamientos. Estas estrategias mejoran significativamente la capacidad de generalización del modelo, logrando métricas de rendimiento competitivas como la precisión y las puntuaciones AUC, mientras se mantiene un alto nivel de transparencia en el proceso de toma de decisiones. Al integrar el filtrado de bandas de frecuencia y técnicas avanzadas como Grad-CAM++, el estudio proporciona una comprensión más profunda de los correlatos neurales del dolor, cerrando la brecha entre el rendimiento del modelo y la interpretabilidad. A través de una validación extensa utilizando bases de datos de EEG, los resultados demuestran que los métodos propuestos superan a modelos de última generación como EEGNet, ofreciendo una precisión de clasificación superior en diversos grupos de sujetos. Los hallazgosde esta investigación contribuyen tanto al desarrollo de metodologías de evaluación del dolor más efectivas como al avance de modelos de aprendizaje profundo transparentes en neurotecnología clínica.