Resumen de Evaluación del Impacto del Aprendizaje Auto-Supervisado en la Precisión de Interfaces Cerebro-Ordenador basadas en Imaginación Motora

Sergio Pérez Velasco, D. Marcos, E. Santamaría Vázquez, R. Ruiz, Roberto Hornero Sánchez

• 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 ...