Explorando la capacidad de clasificar los datos EEG de percepción visual e imaginería visual: hacia un sistema BCI intuitivo
Autores: Lee, Sunghan; Jang, Sehyeon; Jun, Sung Chan
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Explorando la capacidad de clasificar los datos EEG de percepción visual e imaginería visual: hacia un sistema BCI intuitivo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Interfaz cerebro-computadora
Imaginería visual
Datos de EEG
Clasificación
Redes de aprendizaje profundo
Diseño experimental
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Proporcionar una interfaz intuitiva para el uso real de la interfaz cerebro-computadora (BCI) puede aumentar enormemente la conveniencia de los usuarios de BCI. Exploramos la posibilidad de que la imaginería visual pueda ser utilizada como un paradigma que pueda constituir un BCI más intuitivo y activo. Para ello, se recopilaron datos de electroencefalografía (EEG) durante experimentos de percepción e imaginería visual. Se utilizaron tres categorías de imágenes (objeto, dígito, forma) y tres imágenes diferentes por categoría como estímulos visuales. Los datos de EEG de siete sujetos se utilizaron en este trabajo. Tres tipos de datos de EEG de percepción/imaginería visual fueron preprocesados para la clasificación: datos de series temporales en bruto; mapas tiempo-frecuencia; y patrón espacial común (CSP). Cinco tipos de clasificadores (EEGNet, red neuronal convolucional 1D (CNN), MultiRocket, MobileNet, máquina de vectores de soporte (SVM)) se aplicaron a cada tipo de datos aplicable entre los tres tipos preprocesados. Así, investigamos la viabilidad de clasificar percepción/imaginería visual de tres categorías o nueve clases sobre varios clasificadores y tipos de datos preprocesados. Encontramos que la red MultiRocket mostró el mejor rendimiento de clasificación: con aproximadamente un 57.02% (máximo 63.62%) para la clasificación de tres categorías en percepción visual y aproximadamente un 46.43% (máximo 71.38%) de precisión para la clasificación de tres categorías en imaginería visual. Sin embargo, no se logró un rendimiento significativamente mejorado en la clasificación de nueve clases en percepción visual o imaginería, aunque la percepción visual tuvo una precisión ligeramente mayor que la imaginería visual. A partir de nuestra extensa investigación, encontramos que los datos de percepción visual e imaginería visual pueden ser clasificados; sin embargo, es algo dudoso si alguno de los dos puede ser aplicable a un sistema BCI real. Se cree que la introducción de redes de aprendizaje profundo avanzadas mejor diseñadas junto con extracciones de características más informativas puede mejorar el rendimiento de las clasificaciones de percepción/imaginería visual de EEG. Además, un paradigma de diseño experimental más sofisticado puede mejorar el potencial para lograr un BCI de imaginería visual más intuitivo.
Descripción
Proporcionar una interfaz intuitiva para el uso real de la interfaz cerebro-computadora (BCI) puede aumentar enormemente la conveniencia de los usuarios de BCI. Exploramos la posibilidad de que la imaginería visual pueda ser utilizada como un paradigma que pueda constituir un BCI más intuitivo y activo. Para ello, se recopilaron datos de electroencefalografía (EEG) durante experimentos de percepción e imaginería visual. Se utilizaron tres categorías de imágenes (objeto, dígito, forma) y tres imágenes diferentes por categoría como estímulos visuales. Los datos de EEG de siete sujetos se utilizaron en este trabajo. Tres tipos de datos de EEG de percepción/imaginería visual fueron preprocesados para la clasificación: datos de series temporales en bruto; mapas tiempo-frecuencia; y patrón espacial común (CSP). Cinco tipos de clasificadores (EEGNet, red neuronal convolucional 1D (CNN), MultiRocket, MobileNet, máquina de vectores de soporte (SVM)) se aplicaron a cada tipo de datos aplicable entre los tres tipos preprocesados. Así, investigamos la viabilidad de clasificar percepción/imaginería visual de tres categorías o nueve clases sobre varios clasificadores y tipos de datos preprocesados. Encontramos que la red MultiRocket mostró el mejor rendimiento de clasificación: con aproximadamente un 57.02% (máximo 63.62%) para la clasificación de tres categorías en percepción visual y aproximadamente un 46.43% (máximo 71.38%) de precisión para la clasificación de tres categorías en imaginería visual. Sin embargo, no se logró un rendimiento significativamente mejorado en la clasificación de nueve clases en percepción visual o imaginería, aunque la percepción visual tuvo una precisión ligeramente mayor que la imaginería visual. A partir de nuestra extensa investigación, encontramos que los datos de percepción visual e imaginería visual pueden ser clasificados; sin embargo, es algo dudoso si alguno de los dos puede ser aplicable a un sistema BCI real. Se cree que la introducción de redes de aprendizaje profundo avanzadas mejor diseñadas junto con extracciones de características más informativas puede mejorar el rendimiento de las clasificaciones de percepción/imaginería visual de EEG. Además, un paradigma de diseño experimental más sofisticado puede mejorar el potencial para lograr un BCI de imaginería visual más intuitivo.