Evaluación del Impacto del Aprendizaje Auto-Supervisado en la Precisión de Interfaces Cerebro-Ordenador basadas en Imaginación Motora
- Pérez Velasco, S.
- Marcos Martínez, D.
- Santamaría Vázquez, E.
- Ruiz Gávez, R.
- Hornero, R.
- Joaquín Roca González (coord.)
- Dolores Ojados González (coord.)
- Juan Suardíaz Muro (coord.)
Editorial: Universidad Politécnica de Cartagena
ISBN: 978-84-17853-76-1
Año de publicación: 2023
Páginas: 397-400
Congreso: Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB (41. 2023. Cartagena)
Tipo: Aportación congreso
Resumen
Las interfaces cerebro-ordenador (BCIs) buscan proporcionar vías de comunicación directas entre el cerebro humano y dispositivos externos. No obstante, la decodificación precisa de las intenciones del usuario es todavía un desafío, en parte por las limitaciones inherentes a la electroencefalografía (EEG), como son una resolución espacial limitada y relación señal-ruido reducida. Este estudio aborda estos desafíos mediante la aplicación de técnicas de aprendizaje auto-supervisado (SSL) en el preentrenamiento de una red basada en la arquitectura de transformer. Nuestra aproximación descompone la señal EEG en segmentos y utiliza un enmascarado y reconstrucción para obtener representaciones más robustas y efectivas. Evaluamos el impacto de estas técnicas en la mejora de la clasificación de un sistema BCI basado en imaginación motora (MI) con una base de datos pública de 109 sujetos, utilizando un esquema de validación cruzada inter-sujeto k-fold (k=5). Comparamos ...