Pipeline Híbrido ESN‐LSTM Resiliente ao Ruído para Transmissão de Sinais Neurais

RESUMO A transferência confiável de sinais cerebrais provenientes do EEG de imaginação motora deve obedecer a rígidos limites de latência e memória, mantendo a precisão frente a ruídos e derivações. Um pipeline híbrido Echo State Network‐Long Short‐Term Memory (ESN‐LSTM) é apresentado aqui. Este pipeline combina pré-processamento robusto com alinhamento automático do atraso temporal entre predições e alvos. Para capturar a estrutura perdida apenas por erros lineares, a avaliação combina métricas tradicionais de regressão (MSE/MAE/R²) com medidas de dependência não linear (correlação de distância resolvida no tempo e teste omnibus HHG). Um procedimento leave-one-subject-out (LOSO) é usado para investigar a generalização entre sujeitos, e testes de estresse em múltiplas relações sinal-ruído (SNR) são conduzidos para avaliar a robustez. Em experimentos de ablação, o impacto de filtragem, normalização, alinhamento e hiperparâmetros importantes (tamanho do reservatório/raio espectral/vazamento; camadas LSTM/ocultas/dropout) é isolado. Por outro lado, um instantâneo de eficiência reporta latência e uso de RAM sob cargas idênticas para os modos ESN-Only, LSTM-Only e ESN-LSTM. Em todos os participantes, o híbrido melhora consistentemente a variância explicada e as pontuações de dependência, mantendo um custo computacional controlado, indicando viabilidade para uso quase em tempo real. Todas as tabelas e Figuras são regeneradas a partir de CSVs registrados usando scripts, arquivos de configuração e sementes fixas, garantindo a reprodutibilidade.