Evaluación del Impacto del Aprendizaje Auto-Supervisado en la Precisión de Interfaces Cerebro-Ordenador basadas en Imaginación Motora
Ver/
Compartir
Métricas
Estadísticas
Ver Estadísticas de usoMetadatos
Mostrar el registro completo del ítemGrupo de investigación
Grupo de Ingeniería Biomédica (GIB)Área de conocimiento
Tecnología ElectrónicaPatrocinadores
Este estudio ha sido financiado por los proyectos TED2021-129915B-I00, PID2020-115468RB-I00 y RTC2019-007350-1 financiadas por el Ministerio de Ciencia e Innovación/Agencia Estatal de investigación/10. 13039/501100011033/', FEDER Una forma de hacer Europa; y por ‘Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBERBBN)’ a través de ‘Instituto de Salud Carlos III’. S. Pérez-Velasco y D. Marcos-Martínez son beneficiarios de una ayuda PIF de la Consejería de Educación de la Junta de Castilla y León.Fecha de publicación
2023-11Editorial
Universidad Politécnica de CartagenaCita bibliográfica
PEREZ VELASCO, S., et. al. Evaluación del Impacto del Aprendizaje Auto-Supervisado en la Precisión de Interfaces Cerebro-Ordenador basadas en Imaginación Motora. En: XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Cartagena: Universidad Politécnica de Cartagena, 2023. Pp. 397-400. ISBN: 978-84-17853-76-1Palabras clave
Interfaces cerebro-ordenador (BCIs)Electroencefalografía (EEG)
Técnicas de aprendizaje auto-supervisado (SSL)
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 ...
El ítem tiene asociados los siguientes ficheros de licencia:
Redes sociales