Aplicación de modelo de Deep Learning IFNet en decodificación de imaginación motora del pedaleo para señales EEG

El principio fundamental para decodificar la Imaginación Motora (MI, Motor Imagery) en interfaces cerebro-máquina (BMIs, Brain-Machine Interfaces) basadas en electroencefalogramas (EEG) radica en la extracción eficiente de características discriminativas de tareas, abarcando los dominios espectrales, espaciales y temporales de manera conjunta. Sin embargo, las señales EEG presentan desafíos debido a su no estacionalidad y a la fuerte presencia de ruido habitual en los registros, lo que dificulta el diseño de algoritmos de decodificación altamente efectivos. Estos algoritmos son esenciales para el control de dispositivos en tareas de neurorrehabilitación, ya que activan la corteza motora del paciente y contribuyen a su recuperación. Debido a estas razones, este estudio plantea un algoritmo de decodificación de MI en señales EEG fundamentado en características espaciales, y una mejora del mismo basada en técnicas de aprendizaje profundo o Deep Learning. Estos métodos han propiciado un acierto promedio del 72.5% y de hasta un 85% en algunos sujetos sanos. Estos avances son prometedores para el control preciso de dispositivos en tareas de neurorrehabilitación y podrían tener un impacto positivo en la recuperación de pacientes.