Mejora de la Clasificación de la Imaginación Motora con Redes Neuronales Convolucionales de Grafos Residuales y Fusión de Multifuentes

El accidente cerebrovascular, una afección cerebrovascular abrupta que provoca daño en el tejido cerebral, ha impulsado la adopción de sistemas de interfaz cerebro-computadora (BCI) basados en la imaginación motora (MI) en la rehabilitación post-ictus. Sin embargo, analizar señales de electroencefalograma (EEG) de pacientes con ictus presenta retos. Para abordar los problemas de baja precisión y eficiencia en la clasificación del EEG, especialmente en MI, el estudio propone un marco de red neuronal convolucional de grafos residual (M-ResGCN) basado en la transformada S modificada (MST), e introduce el mecanismo de autoatención en la red convolucional de grafos residual (ResGCN). Este estudio utiliza MST para extraer características en el dominio tiempo-frecuencia del EEG, deriva características espaciales del EEG calculando el coeficiente de correlación de Pearson absoluto (aPcc) entre canales, y diseña un método para construir la matriz de adyacencia de la red cerebral usando el aPcc para medir la fuerza de la conexión entre canales. Los resultados experimentales con 16 pacientes con ictus y 16 sujetos sanos demuestran mejoras significativas en la calidad y robustez de la clasificación en pruebas y sujetos. La máxima precisión de clasificación alcanzó un 94,91% y un coeficiente Kappa de 0,8918. La precisión y puntuaciones F1 promedio tras una validación cruzada de 10 veces con 10 pliegues son 94,38% y 94,36% respectivamente. Al validar la viabilidad y aplicabilidad de redes cerebrales construidas usando aPcc en el análisis y codificación de características del EEG, se estableció que el aPcc refleja eficazmente la actividad cerebral global. El método propuesto presenta un enfoque novedoso para explorar las relaciones entre canales en MI-EEG y mejorar el rendimiento de clasificación. Tiene potencial para aplicaciones en tiempo real en sistemas BCI basados en MI.