Estrategia de procesamiento de señales EEG en sistemas BCI utilizando aprendizaje profundo y medidas de conectividad

Abstract

Las Interfaces Cerebro Computadora (BCI) basadas en Electroencefalografía (EEG) crean una conexión directa entre el cerebro humano y una computadora. Los paradigmas de Imaginación Motora (MI) permiten que los usuarios controlen el movimiento de un agente en el mundo físico o virtual al detectar y decodificar patrones cerebrales asociados con movimientos reales e imaginados. Estas interfaces poseen un amplio potencial de aplicaciones clínicas y no clínicas.

A pesar de ello, desarrollar sistemas BCI basados en EEG conlleva ciertos desafíos debido a problemas como la baja relación señal-ruido (SNR), la no estacionariedad y no linealidad de las señales EEG que causa la variabilidad intersujeto dificultando la identificación de características distintivas. Además, las capacidades limitadas de los sujetos para llevar a cabo tareas de MI en condiciones de baja SNR generan dificultades adicionales en la implementación de estos sistemas.

Con el fin de abordar estos desafíos, en este trabajo de tesis, se presenta dos nuevas metodologías para el procesamiento de señales EEG. La primera de ellas consiste en i) una metodología para el procesamiento de señales de EEG para la clasificación de tareas de MI en alta y baja densidad de canales, con la representación y clasificación de señales de EEG basada en imágenes para reducir el efecto de la variabilidad intersujeto y mejorar la interpretabilidad espacio-frecuencia en modelos de Aprendizaje Profundo (DL). Además, se presenta un protocolo de adquisición de datos para un sistema BCI-MI basado en EEG, que es de bajo costo, portátil y diseñado para abordar las restricciones inherentes en la captura de la actividad neuronal con electrodos en el cuero cabelludo. Se utiliza un marco de DL para mejorar la precisión y exactitud de las BCIs-MI, al mismo tiempo, ii) se introduce un novedoso sistema de bajo costo y pocos canales que permite la clasificación de tareas de MI en tiempo real, superando desafíos computacionales. Este sistema garantiza que los bloques de datos EEG estén disponibles para el usuario en un tiempo menor a su duración. Esta innovación ofrece perspectivas prometedoras para mejorar la accesibilidad y eficacia de las interfaces cerebro-computadora en aplicaciones prácticas.

Para concluir las metodologías propuestas en esta tesis contribuyen a mejorar la variabilidad intersujeto, la interpretabilidad espacio-frecuencia en modelos DL y el rendimiento de clasificación de los paradigmas de MI en sistemas BCI basados en EEG.

La representación de EEG basada en imágenes permite obtener interpretabilidad espacio-frecuencia al combinar la representación espacial de los pares de canales EEG para construir un mapa topográfico (topoplot) en diferentes bandas de frecuencia. Esto codifica relaciones no lineales relevantes mediante similitud basada en la distribución Gaussiana, lo que a su vez mejora la precisión y exactitud de las BCI. Además, se complementa con análisis por grupo, Mapas de Activación de Clase (CAMS) e Incrustación Estocástica de Vecinos con Distribución t (t-SNE), para brindar una mayor interpretación de los resultados de la clasificación. El procesamiento de señales de EEG para la clasificación de tareas de MI, tanto en alta como baja densidad de canales, aborda eficientemente los efectos de la variabilidad y los artefactos en la señal, así como la baja SNR. Este enfoque se dirige especialmente a los sujetos que no logran obtener un control suficiente sobre el BCI.

Por otro lado, la adquisición y procesamiento de señales de EEG en tiempo real nos permite realizar todas las etapas de un sistema de bucle cerrado utilizando métodos de ML y lograr resultados competitivos en nuestra base de datos adquirida mediante un sistema BCI distribuido, económico, portátil y con poca cantidad de canales. Al compararlo con bases de datos públicas, podemos afirmar que somos capaces de enfrentar los desafíos relacionados con la variabilidad, interpretabilidad y tiempo real en sistemas BCI.

Sin embargo, persisten desafíos por abordar para para mejorar el rendimiento y exactitud de las BCI. En particular tenemos previsto para investigaciones futuras, i) realizar pruebas utilizando una variedad más amplia de bases de datos públicas de MI; ii) seguir explorando en técnicas de extracción de características, iii) explorar arquitecturas de vanguardia, como por ejemplo los modelos basados en Transformer, como el EEG-transformer; iv) aumentar la densidad de canales para la adquisición de nuestras bases de datos (Texto tomado de la fuente)

Brain-Computer Interfaces (BCIs) based on Electroencephalography (EEG) establish a direct connection between the human brain and a computer. Motor Imagery (MI) paradigms enable users to control the movement of an agent in the physical or virtual world by detecting and decoding brain patterns associated with real and imagined movements. These interfaces have a wide range of potential clinical and non-clinical applications. However, developing EEG-based BCI systems comes with certain challenges due to issues such as low signal-to-noise ratio (SNR), non-stationarity, and non-linearity of EEG signals, causing inter-subject variability that hinders the identification of distinctive features. Additionally, subjects’ limited abilities to perform MI tasks in low SNR conditions pose additional difficulties in implementing these systems. To address these challenges, this thesis work presents two new methodologies for EEG signal processing. The first one includes i) a methodology for processing EEG signals for MI task classification in high and low channel density, with EEG signal representation and classification based on images to reduce the inter-subjec variability effect and improve the spatial-frequency interpretability in Deep Learning (DL) models. Additionally, a data acquisition protocol is introduced for a low-cost, portable EEG-based BCI-MI system designed to address the inherent constraints in capturing neuronal activity with scalp electrodes. A DL framework is used to enhance the accuracy and precision of BCIs-MI, while ii) a novel low-cost, few-channel system is introduced that allows real-time MI task classification, overcoming computational challenges. This system ensures that EEG data blocks are available to the user in less time than their duration. This innovation holds promising prospects for improving the accessibility and effectiveness of brain-computer interfaces in practical applications. In conclusion, the proposed methodologies in this thesis contribute to improving inter-subject variability, spatial-frequency interpretability in DL models, and the classification performance of MI paradigms in EEG-based BCI systems. Image-based EEG representation enables spatial-frequency interpretability by combining the spatial representation of EEG channel pairs to construct a topographical map in different frequency bands. This encodes relevant nonlinear relationships through Gaussian-distribution-based similarity, thereby enhancing the accuracy and precision of BCIs. It is further complemented with group-wise analysis, Class Activation Maps (CAMs), and t-distributed Stochastic Neighbor Embedding (t-SNE) embedding to provide better interpretation of classification results. EEG signal processing for MI task classification, in both high and low channel density, efficiently addresses the effects of signal variability and artifacts, as well as low SNR. This approach is particularly aimed at subjects who struggle to achieve sufficient control over the BCI. On the other hand, real-time EEG signal acquisition and processing allow us to perform all stages of a closed-loop system using ML methods and achieve competitive results in our acquired database through a distributed, cost-effective, portable, and low-channel BCI system. When compared to public databases, we can assert that we are capable of addressing challenges related to variability, interpretability, and real-time requirements in BCI systems. Nevertheless, there are challenges that remain to be addressed in order to enhance BCI performance and accuracy. In particular, for future research, we plan to i) conduct tests using a broader range of public MI databases; ii) continue exploring feature extraction techniques; iii) explore cutting-edge architectures, such as Transformer-based models, like the EEG-transformer; iv) increase channel density for data acquisition in our databases.