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

  1. Juan, J. V. 1
  2. Martínez, R.
  3. Iáñez, E 1
  4. Ortiz, M. 1
  5. Tornero, J.
  6. J. M. Azorín 1
  1. 1 Universidad Miguel Hernández de Elche
    info

    Universidad Miguel Hernández de Elche

    Elche, España

    ROR https://ror.org/01azzms13

Libro:
CASEIB 2023. Libro de Actas del XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica: Contribuyendo a la salud basada en valor
  1. Joaquín Roca González (coord.)
  2. Dolores Ojados González (coord.)
  3. Juan Suardíaz Muro (coord.)

Editorial: Universidad Politécnica de Cartagena

ISBN: 978-84-17853-76-1

Año de publicación: 2023

Páginas: 385-388

Congreso: Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB (41. 2023. Cartagena)

Tipo: Aportación congreso

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Resumen

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 ...

Fuente de los datos: Dialnet