Enhanced interpretability using regression networks for assessing domain dependences in motor imagery
Cargando...
Autores
Tipo de contenido
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La creciente demanda de sistemas cerebro-computadora (BCI) eficientes y accesibles ha impulsado la investigación sobre métodos que optimicen la interpretación de señales electroencefalográficas (EEG). En este contexto, mejorar la precisión y transparencia de los modelos computacionales representa un desafío crucial para avanzar en aplicaciones como la neurorehabilitación y la interacción humano–máquina.
Sin embargo, persisten tres problemas fundamentales en el desarrollo de sistemas BCI: (a) la no estacionariedad de las señales EEG, que compromete la estabilidad de los modelos; (b) la alta variabilidad intra e intersujeto en los registros EEG, que limita la generalización; y (c) la baja interpretabilidad fisiológica de los modelos utilizados, dificultando su validación neurocientífica.
Para abordar estos retos, esta tesis propone una arquitectura metodológica basada en modelos de aprendizaje automático y técnicas de conectividad funcional, orientada a optimizar la predicción, clasificación e interpretación de señales EEG en sistemas BCI. Se desarrollaron tres estrategias alineadas con los problemas mencionados: (i) un modelo de regresión regularizada para predecir canales completos a partir de un subconjunto reducido de electrodos, mitigando la no estacionariedad y mejorando el rendimiento en tareas de clasificación; (ii) una estrategia de extracción de características supervisada para predecir emociones musicales en formato MIDI, aplicando técnicas de alineación entre dominios y agrupamiento neuronal para enfrentar la variabilidad intra e intersujeto; y (iii) un enfoque de análisis de conectividad funcional mediante el índice ponderado de acoplamiento de fase (wPLI) y representaciones en grafos, dirigido a mejorar la interpretabilidad mediante la detección de patrones de desincronización cerebral previos al entrenamiento.
Los resultados muestran que el modelo predictivo basado en regresión elástica logró una precisión promedio del 78.16 %, superando a enfoques tradicionales con datos reducidos o completos. En el segundo objetivo, se evidenció que la combinación de alineación de dominios y codificación latente mejoró la predicción emocional y la síntesis musical en MIDI, preservando la coherencia temporal y tonal. Por último, el análisis de conectividad funcional permitió identificar regiones clave de desincronización cerebral, asociadas a distintos niveles de habilidad en la práctica de paradigmas BCI.
Las conclusiones más relevantes incluyen: (i) la regresión regularizada puede estimar señales de alta fidelidad a partir de pocos electrodos, favoreciendo sistemas más económicos y portables; (ii) la representación compartida entre EEG y datos musicales permite una predicción emocional más precisa, contribuyendo al diseño de entornos de neurointeracción personalizados; y (iii) el uso de métricas de conectividad funcional aporta explicaciones fisiológicas validadas, que mejoran la confianza en los modelos de clasificación.
Como trabajo futuro, se plantea validar la metodología propuesta en bases de datos más amplias y diversas, e incorporar arquitecturas generativas adversariales para fortalecer las capacidades de transferencia entre sujetos y condiciones (Texto tomado de la fuente).
Abstract
The growing demand for efficient and accessible brain-computer interface (BCI) systems has driven research into methods that enhance the interpretation of electroencephalographic (EEG) signals. In this context, improving the accuracy and transparency of computational models represents a crucial challenge for advancing applications such as neurorehabilitation and human–machine interaction.
However, three fundamental problems persist in the development of BCI systems: (a) the non-stationarity of EEG signals, which compromises model stability; (b) the high intra- and inter-subject variability in EEG recordings, which limits generalizability; and (c) the low physiological interpretability of the models used, which hinders neuroscientific validation.
To address these challenges, this thesis proposes a methodological framework based on machine learning models and functional connectivity techniques, aimed at optimizing the prediction, classification, and interpretation of EEG signals in BCI systems. Three strategies were developed, aligned with the aforementioned problems: (i) a regularized regression model to predict full-channel EEG from a reduced subset of electrodes, mitigating nonstationarity and improving classification performance; (ii) a supervised feature extraction strategy to predict musical emotions in MIDI format, applying domain alignment and neural clustering techniques to address intra- and inter-subject variability; and (iii) a functional connectivity analysis approach using the Weighted Phase Lag Index (wPLI) and graph-based representations, aimed at enhancing interpretability through the detection of pre-training brain desynchronization patterns.
The results show that the predictive model based on Elastic Net regression achieved an average classification accuracy of 78.16%, outperforming traditional approaches using either reduced or full-channel data. In the second objective, the combination of domain alignment and latent encoding improved emotional prediction and musical synthesis in MIDI, preserving both temporal and tonal coherence. Lastly, the functional connectivity analysis enabled the identification of key brain regions involved in desynchronization, associated with different levels of proficiency in BCI paradigms.
The most relevant conclusions include: (i) regularized regression can estimate high-fidelity signals from a small number of electrodes, promoting the development of more cost-effective and portable systems; (ii) shared representations between EEG and musical data enable more accurate emotional prediction, contributing to the design of personalized neurointeraction environments; and (iii) the use of functional connectivity metrics provides validated physiological explanations, enhancing confidence in classification models.
As future work, the proposed methodology will be validated using broader and more diverse datasets, and adversarial generative architectures will be incorporated to strengthen transferability across subjects and experimental conditions.
Palabras clave propuestas
Interfaz cerebro-computadora (BCI); Aprendizaje profundo; Imágenes motoras (IM); Electroencefalografía (EEG); Análisis de regularización; Análisis de regresión múltiple; Brain-computer interface; Deep learning; Motor imagery; Electroencephalography; Regularization analysis; Multiple regression analysis
Descripción
graficas