How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

Resumen Técnico: EEG de Canal Único para la Clasificación de Estados Cerebrales en Interfaces Cerebro-Computadora

Planteamiento del Problema
Si bien la Electroencefalografía (EEG) es una piedra angular de la investigación en Interfaces Cerebro-Computadora (BCI) debido a su naturaleza no invasiva y su alta resolución temporal, los sistemas de alto rendimiento actuales dependen típicamente de configuraciones multicanal que cubren todo el cuero cabelludo. Estas configuraciones adolecen de altos costos, configuraciones complejas y movilidad reducida, lo que limita su adopción en aplicaciones clínicas y del "mundo real" diarias. Aunque el EEG de canal único ofrece una alternativa prometedora para las tecnologías vestibles, persisten desafíos significativos para decodificar eficazmente fenómenos neurológicos complejos (como el cálculo mental y la imaginación motora) desde un solo electrodo sin la información espacial que proporcionan las matrices multicanal. Además, las metodologías existentes a menudo se centran en entrenar con todos los canales y probar con uno, o en extraer características para tareas específicas, dejando en gran medida inexplorada la generalizabilidad de los modelos entrenados en un solo canal hacia otros canales.

Metodología
El estudio propone un pipeline para clasificar tareas cognitivas utilizando datos de EEG de canal único, aprovechando Redes Neuronales Convolucionales (CNN) con un enfoque en características espectro-temporales. El flujo de trabajo involucra tres etapas principales:

1. Adquisición y Preprocesamiento de Datos: El estudio utilizó tres conjuntos de datos distintos que involucraban a sujetos sanos realizando tareas de Cálculo Mental (MA) e Imaginación Motora (MI).
   • Conjunto de Datos 1 y 2: Se centraron en tareas de MA con diferentes conteos de electrodos (22 y 30 canales).
   • Conjunto de Datos 3: Se centró en tareas de MI (reposo, mano, codo) con 64 canales.
   • Las señales crudas fueron preprocesadas (filtrado paso banda, eliminación de artefactos, re-referenciación) y segmentadas en épocas.
2. Extracción de Características: En lugar de la ingeniería manual de características, el estudio empleó un análisis tiempo-frecuencia. La Potencia Espectral Relacionada con Eventos (ERSP) se utilizó para generar imágenes de espectrogramas (fijas en 224 × 224 píxeles) a partir de las épocas de EEG. Este enfoque captura tanto la frecuencia como la dinámica temporal, tratando los datos como imágenes 2D adecuadas para el procesamiento por CNN.
3. Arquitectura del Modelo y Estrategias de Entrenamiento:
   • Arquitectura: Se propuso una CNN 2D superficial, compuesta por dos bloques de capas Conv2D (50 filtros, kernel 5×5, activación ReLU) seguidos de normalización por lotes y agrupación máxima. Este diseño busca equilibrar la capacidad de extracción de características con una carga computacional baja.
   • Estrategia A (Entrenamiento Multicanal, Prueba de Canal Único): La CNN fue entrenada con datos de todos los canales disponibles para aprender patrones espaciales amplios. Luego fue probada individualmente en cada canal para evaluar el poder discriminativo de electrodos específicos.
   • Estrategia B (Entrenamiento de Canal Único, Prueba de Canal Único): La CNN fue entrenada exclusivamente con datos de un canal específico y luego probada en todos los demás canales. Este enfoque evalúa la capacidad del modelo para generalizar patrones aprendidos de una sola fuente a diversas condiciones y canales.
   • Evaluación: Los modelos fueron evaluados utilizando validación cruzada de 10 pliegues (dividiendo los datos en 70% entrenamiento, 15% validación, 15% prueba) a través de 15.840 a 93.000 ensayos. Las métricas incluyeron Precisión, Sensibilidad, Especificidad y Puntuación F1.

Resultados Clave
El estudio demostró que los sistemas de EEG de canal único pueden lograr un rendimiento de clasificación robusto tanto para tareas de MA como de MI:

• Rendimiento General: La CNN superficial superó significativamente a los métodos tradicionales (como el Análisis Discriminante Lineal con contracción y Máquinas de Vectores de Soporte) y a arquitecturas más profundas (como GoogLeNet y ShuffleNet) en términos de la relación precisión-carga computacional.
  • Conjunto de Datos 1 (MA): Logró una precisión mediana del 93,75%.
  • Conjunto de Datos 2 (MA): Logró una precisión mediana del 91,57% (comparado con el 75,9% con sLDA).
  • Conjunto de Datos 2 (MI): Logró una precisión mediana del 87,80% (comparado con el 65,6% con sLDA).
  • Conjunto de Datos 3 (MI de 3 clases): Logró una precisión mediana del 86,75% (comparado con el 68,68% con SVM).
• Hallazgos Específicos por Canal:
  • Resultados de la Estrategia A: Los canales frontales y fronto-centrales (por ejemplo, F4, AFF1h, FCC3h) mostraron la mayor precisión para tareas de Cálculo Mental (hasta 98,33%), mientras que las regiones centrales y parietales (por ejemplo, Pz, CCP3h) funcionaron mejor para la Imaginación Motora (hasta 96,55%). Los canales temporales generalmente mostraron un rendimiento inferior para estas tareas específicas.
  • Resultados de la Estrategia B: El modelo demostró una fuerte generalizabilidad. Por ejemplo, en el Conjunto de Datos 1, entrenar en canales como POO1, POO2 y P4 permitió al modelo lograr una precisión del 100% al probarse en canales como P7, P3 y C3. En el Conjunto de Datos 2, entrenar en canales específicos arrojó precisiones de hasta 91,55% para MA y 73,45% para MI al probarse en otros canales.
• Eficiencia del Modelo: La CNN superficial proporcionó una compensación favorable, evitando la pesada carga computacional de redes más profundas (como LSTM o GoogLeNet) mientras mantenía una precisión superior.

Significado y Afirmaciones
Los autores afirman que este estudio contribuye al desarrollo de sistemas BCI de canal único prácticos, de bajo costo y fáciles de usar. El significado del trabajo radica en:

1. Viabilidad de los BCI de Canal Único: Demostrar que los estados cerebrales complejos pueden ser decodificados utilizando un solo electrodo, eliminando potencialmente la necesidad de diademas multielectrodo voluminosas en aplicaciones del mundo real.
2. Biomarcadores Robustos: Identificar canales de EEG específicos (ROIs) que son más efectivos para tareas específicas, lo cual puede guiar la optimización de la colocación de electrodos para dispositivos vestibles.
3. Generalizabilidad: Probar que los modelos entrenados en canales únicos pueden generalizarse a otros canales, sugiriendo que las características neuronales subyacentes son transferibles a través del cuero cabelludo, lo que respalda la adaptabilidad de los diagnósticos basados en EEG.
4. Eficiencia Computacional: Validar que las redes neuronales superficiales son suficientes para esta tarea, haciéndolas adecuadas para su implementación en hardware vestible portátil y con recursos limitados.

El artículo concluye que, si bien los sistemas multicanal ofrecen alta resolución espacial, los enfoques de canal único respaldados por marcos de aprendizaje profundo ofrecen un potencial transformador para desplegar BCI en entornos cotidianos, equilibrando la simplicidad del sistema con una precisión de clasificación razonable.