Resumen

Proponemos un esquema de clasificación de artefactos basado en un modelo combinado de red neuronal profunda y convolucional (DCNN), para identificar automáticamente artefactos cardíacos y oculares a partir de datos neuromagnéticos, sin necesidad de registros adicionales de electrocardiograma (ECG) y electrooculograma (EOG). A partir de componentes independientes, el modelo utiliza la información espacial y temporal de los datos descompuestos de magnetoencefalografía (MEG). En total, se utilizaron 7122 muestras tras el aumento de datos, en las que las grabaciones MEG relacionadas y no relacionadas con tareas de 48 sujetos sirvieron como base de datos para este estudio. Se aplicó el rechazo de artefactos mediante el modelo combinado, que alcanzó una sensibilidad y especificidad del 91,8 y 97,4%, respectivamente. La precisión global del modelo se validó mediante una prueba de validación cruzada y reveló una precisión media del 94,4%, lo que indica una alta fiabilidad de la eliminación de artefactos basada en DCNN en experimentos MEG relacionados con tareas y no relacionados con tareas. Las principales ventajas del método propuesto son las siguientes: (1) es un flujo de trabajo totalmente automatizado e independiente del usuario para la clasificación de artefactos en datos MEG; (2) una vez que el modelo está entrenado no hay necesidad de grabaciones de señales auxiliares; (3) la flexibilidad en el diseño del modelo y el entrenamiento permite varias modalidades (MEG/EEG) y varios tipos de sensores.

• Materias:Geomecánica Modelado de simulación Microrredes comunitarias
• Subjects:Geomechanics Simulation modeling Community microgrids
• Palabras claves:modelo, esquema de clasificación de artefactos, grabaciones de señales auxiliares, red neuronal convolucional, varios tipos de sensores, DCNN, MEG, necesidad, no tarea, tarea
• Keywords:model, artifact classification scheme, auxiliary signal recordings, convolutional neural network, various sensor types, DCNN, MEG, need, nontask, task