A machine learning framework for EEG-based BCI-MI skill prediction with preserved explainability
Cargando...
Archivos
Autores
Caicedo Acosta, Julian Camilo
Tipo de contenido
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La comprensión del funcionamiento del cerebro, incluida su estructura y las redes dinámicas generadas en
diferentes situaciones, ha sido uno de los temas de investigación más difíciles de los últimos años. En este
sentido, las interfaces cerebro-computador (BCI) se han convertido en los principales sistemas para adquirir
y procesar señales cerebrales, permitiendo el desarrollo de técnicas cada vez más especializadas como el
aprendizaje automático y los métodos de inteligencia artificial que permiten reemplazar, restaurar, mejorar,
suministrar y mejorar la funcionalidad cerebral. Por lo tanto, los sistemas BCI pueden ser una herramienta
prometedora para varios campos, incluyendo la salud, la rehabilitación, la educación, el marketing y el
juego, entre otros. Además, el desarrollo de BCI es un campo de estudio en continuo crecimiento no sólo en
investigación sino también en el contexto empresarial, con un mercado que proyecta más de cuatrocientos
millones de dólares para 2029. Sin embargo, a pesar de los avances en la construcción de sistemas BCI,
alrededor del 30% de los usuarios de BCI no son capaces de administrar eficazmente el dispositivo debido
a múltiples factores como la variabilidad intra- e inter-sujeto, el sobreajuste y la presencia de pequeños
conjuntos de datos para el entrenamiento. Este problema es conocido como el fenómeno del ‘analfabetismo
del BCI’. Dado que la electroencefalografía (EEG) es el método de adquisición más utilizado debido a su
alta resolución temporal, portabilidad y bajo costo en comparación con las otras técnicas, en este trabajo
estudiamos las causas del fenómeno del analfabetismo previniendo el rendimiento del usuario durante las
tareas de imagen motor (MI). En este sentido, hemos desarrollado un marco de aprendizaje automático para
mejorar el rendimiento del sujeto analfabeto bajo un esquema de predicción de sus habilidades. En primer
lugar, desarrollamos un modelo de aprendizaje profundo basado en los datos, llamado DRN, sobre la base de
la extracción de indicadores neurofisiológicos de frecuencia temporal que permiten codificar la variabilidad
intersubjetiva prediciendo el rendimiento del MI-BCI. Además, para abordar los problemas de sobreajuste
en la presencia de pequeños conjuntos de datos y representaciones de alta dimensión, también desarrol-
lamos un enfoque regularizado de Monte-Carlo dropout basado en la conectividad funcional modificando
el DRN propuesto para extraer patrones relevantes de las relaciones de canales. Por último, para mejorar
el rendimiento de los sujetos analfabetos, desarrollamos un enfoque de aprendizaje profundo multi-tareas
de propósito general basado en un esquema de regularización usando una arquitectura de autoencoder, que
transfiere los conocimientos aprendidos de las tareas de predicción de rendimiento a las tasas de clasificación
de imaginación motora. Los resultados obtenidos en este trabajo son prometedores y superan los méto-
dos base tanto en la predicción del desempeño del BCI como en la clasificación de la imaginación motora.
Además, los métodos de predicción propuestos son capaces de encontrar patrones de comportamiento grupal
entre sujetos con grados similares de variabilidad, mientras que las técnicas de transferencia de aprendizaje
permiten mejorar el rendimiento de sujetos analfabetos con información de otros sujetos, contribuyendo a
la generalización de los sistemas BCI.
Abstract
The understanding of brain functioning, including its structure and the dynamic networks generated under
different situations, has been one of the most challenging research topics in recent years. In this sense, brain-
computer interfaces (BCI) have become the main systems to acquire and process brain signals, allowing the
development of increasingly specialized techniques like machine learning and artificial intelligence methods
in order to replace, restore, enhance, supply, and improve brain functionality. Thus, BCI systems may be a
promissory tool for several fields, including health, rehabilitation, education, marketing, and gaming, among
others. Besides, BCI development is a continuously growing field of study not only in research but also in
the business context, with a market that projects more than four hundred million USD by 2029. However,
despite advances in building BCI systems, around 30% of BCI users are unable to effectively manage the
device due to multiple factors such as intra- and inter-subject variability, overfitting, and small datasets.
This issue is known as the ‘BCI illiteracy phenomenon’. Since electroencephalography (EEG) is the most
used acquisition method due to its high temporal resolution, portability, and low cost compared with the
other techniques, in this work we study the causes of the illiteracy phenomenon by predicting the user
performance during motor imagery (MI) tasks. In this sense, we developed a machine learning framework
to improve the illiterate subject’s performance under a skill prediction scheme. First, we develop a data-
driven deep learning model, termed DRN, based on extracting time-frequency neurophysiological indicators
that allow coding the inter-subject variability by predicting MI-BCI performance. Besides, to address the
overfitting issues in the presence of small datasets and high-dimensional representations, we also developed
a functional connectivity-based Monte-Carlo dropout regularized approach by modifying the proposed DRN
to extract relevant patterns from channel relationships. Last, to improve illiterate subjects’ performance,
we develop a general-purpose end-to-end multi-task deep learning approach founded on an autoencoder-
based regularization scheme that transfers learned knowledge from performance prediction tasks to MI
classification tasks. The results obtained in this work are promising and outperform the baseline methods
in both BCI-performance prediction and MI classification. Furthermore, the proposed prediction methods
are able to find behavioral group patterns between subjects with similar degrees of variability, while the
transfer learning techniques allow to improve the performance of illiterate subjects with information from
other subjects, contributing to the generalization of BCI systems (Texto tomado de la fuente)
Palabras clave propuestas
BCI-illiteracy; EEG; Brain computer interface; Motor imagery; Neurophysiological indicators; MI performance prediction; MI classification; Improvement BCI-illiterate subjects; Interfaz Cerebro-Computadora; Imaginación motora; Indicadores neurofisiológicos; Predicción de rendimiento en MI; Clasificación en MI; Mejoramiento de los sujetos BCIilliterate
Descripción
graficas, tablas