Medición de la Carga Mental con EEG+fNIRS

Estudiamos la capacidad de una técnica de neuroimagen funcional hibrida para cuantificar la carga mental humana (MWL). Hemos utilizado electroencefalografía (EEG) y espectroscopía funcional de infrarrojo cercano (fNIRS) como modalidades de imagen con diecisiete sujetos sanos realizando la tarea de n-back con letras, un paradigma experimental estándar relacionado con la memoria de trabajo (WM). El nivel de MWL se cambió paramétricamente variando n de 0 a 3. 19 canales de EEG cubrían toda la cabeza y 19 canales de fNIRS estaban ubicados en la frente para cubrir la región cerebral más dominante involucrada en WM. El promediado de bloques de las señales grabadas reveló comportamientos específicos del nivel de hemoglobina oxigenada durante los cambios en el nivel de MWL. Se ha utilizado un enfoque de aprendizaje automático para la detección del nivel de MWL. Extrajimos diferentes características de las señales de EEG, fNIRS y EEG+fNIRS como biomarcadores de MWL y se las suministramos a una máquina de soporte vectorial lineal (SVM) como conjuntos de entrenamiento y prueba. Estas características fueron seleccionadas en base a su sensibilidad a los cambios en el nivel de carga mental de acuerdo con la literatura. Introdujimos una nueva categoría de características dentro de los sistemas de fNIRS y EEG+fNIRS. Además, el nivel de rendimiento de cada categoría de características fue evaluado de manera sistemática. También evaluamos el efecto del número de características y del tamaño de la ventana en el rendimiento de la clasificación. Se utilizó un clasificador SVM para discriminar entre diferentes combinaciones de estados cognitivos de estados binarios y multiclas. Además del nivel de rendimiento validado cruzamente del clasificador, se calcularon otras métricas como sensibilidad, especificidad y valores predictivos para una evaluación integral del sistema de clasificación. El sistema Híbrido (EEG+fNIRS) tuvo una precisión que fue significativamente mayor que la de EEG o fNIRS. Nuestros resultados sugieren que las características de EEG+fNIRS combinadas con un clasificador son capaces de discriminar de manera robusta entre varios niveles de MWL. Los resultados sugieren que se debe preferir EEG+fNIRS en lugar de solo EEG o fNIRS, en el desarrollo de BCIs pasivos y otras aplicaciones que necesitan monitorear la MWL de los usuarios.