Resumen

Actualmente existe un gran interés por descifrar los estados mentales a partir de las grabaciones de electroencefalografía (EEG). Las señales de EEG son específicas de cada sujeto, son sensibles a las perturbaciones y tienen una baja relación señal-ruido, lo que se ha mitigado con el uso de equipos de adquisición de EEG de grado de laboratorio en condiciones muy controladas. En el presente estudio, investigamos la decodificación de un solo ensayo de estímulos naturales y complejos basada en el EEG del cuero cabelludo adquirido con un sistema portátil de 32 electrodos secos en un entorno típico de oficina. Probamos la generalización mediante un enfoque de validación cruzada de un solo sujeto. Demostramos que los clasificadores de la máquina de vectores de apoyo (SVM) entrenados en un conjunto relativamente pequeño de pseudotriales denotados (promediados) funcionan a la par que los clasificadores entrenados en un gran conjunto de muestras ruidosas de un solo ensayo. Proponemos un método novedoso para calcular los mapas de sensibilidad de los clasificadores SVM basados en EEG para la visualización de las firmas de EEG explotadas por los clasificadores SVM. Además, aplicamos un marco de remuestreo NPAIRS para la estimación de la incertidumbre del mapa, y así mostramos que los tamaños de los efectos de los mapas de sensibilidad para los clasificadores entrenados en pequeñas muestras de datos denotados y grandes muestras de datos ruidosos son similares. Por último, demostramos que el clasificador de pseudotrial promedio puede predecir con éxito la clase de ensayos individuales de sujetos retenidos, lo que permite un rápido entrenamiento del clasificador, la optimización de los parámetros y la evaluación del rendimiento sin sesgos en los enfoques de aprendizaje automático para la decodificación del cerebro.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:mapa de sensibilidad, entrenamiento rápido del clasificador, entorno típico de oficina, adquisición de eeg de grado, clasificador, clasificador de pseudotrial promedio, mapa de eeg, clasificador svm basado, evaluación de rendimiento insesgada, sistema de sensores de electrodos
• Keywords:sensitivity map, fast classifier training, typical office setting, grade eeg acquisition, classifier, average pseudotrial classifier, map of eeg, based svm classifier, unbiased performance evaluation, electrode sensor system