Resumen

Basándonos en estudios recientes de electroencefalografía (EEG) y espectroscopia de infrarrojo cercano (NIRS) que mostraron que tareas como la imaginería motora y la aritmética mental inducen patrones de respuesta neuronal específicos, proponemos un paradigma de interfaz cerebro-ordenador híbrido (hBCI) en el que los datos de EEG y NIRS se fusionan para mejorar el rendimiento de la clasificación binaria. Registramos datos NIRS-EEG simultáneos de nueve participantes que realizaban siete tareas mentales (generación de palabras, rotación mental, sustracción, canto y navegación, e imágenes motoras y faciales). Se entrenaron clasificadores para cada par de tareas posibles utilizando (1) características de EEG solas, (2) características de NIRS solas, y (3) características de EEG y NIRS combinadas, para identificar los mejores pares de tareas y evaluar la utilidad de un enfoque multimodal. El enfoque NIRS-EEG condujo a un aumento medio del pico kappa de 0,03 cuando se utilizaron características extraídas de ventanas de un segundo (equivalente a un aumento del 1,5% en la precisión de la clasificación para clases equilibradas). El aumento fue mucho mayor (0,20, correspondiente a un aumento de la precisión del 10 de precisión) al centrarse en las ventanas de tiempo de alto rendimiento de la NIRS. Los análisis de EEG y NIRS revelaron además regiones cerebrales relevantes y tipos de características importantes. Este trabajo proporciona una base para futuros estudios NIRS-EEG hBCI con el objetivo de mejorar el rendimiento de la clasificación hacia BCIs más eficientes y flexibles.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:nirs, eeg, estudio eeg hbci, tipo de características importantes, alto rendimiento nirs, par de tareas, patrón de respuesta neural, región cerebral relevante, mejor par de tareas, rendimiento de clasificación binaria
• Keywords:nirs, eeg, eeg hbci study, important features type, high nirs performance, pair of task, neural response pattern, relevant brain region, best task pair, binary classification performance