Rede neural gráfica baseada em um mecanismo inspirado no cérebro para classificação de imagética motora em interfaces cérebro-computador

Introdução No desenvolvimento de sistemas de interface cérebro-computador (BCI), é crucial considerar o impacto da dinâmica das redes cerebrais e dos mecanismos de transmissão de sinais neurais em tarefas de imagética motora baseada em eletroencefalograma (MI-EEG). No entanto, métodos convencionais de aprendizado profundo (DL) não conseguem refletir a relação topológica entre os eletrodos, dificultando a decodificação eficaz da atividade cerebral. Métodos Inspirado pelo conceito de mecanismo neuronal de avanço-avançado (F-F) do cérebro, apresenta-se uma nova estrutura de DL baseada em Rede Neural Gráfica combinando o mecanismo de avanço-avançado (F-FGCN). A estrutura F-FGCN visa melhorar o desempenho na decodificação do sinal EEG aplicando relacionamentos topológicos funcionais e mecanismos de propagação de sinal. O processo de fusão envolve converter o EEG multicanal em uma sequência de sinais e construir uma rede baseada no coeficiente de correlação de Pearson, representando efetivamente as associações entre os canais. Nosso modelo inicialmente pré-treina a Rede Neural Convolucional Gráfica (GCN) e ajusta a camada de saída para obter o vetor de características. Além disso, o modelo F-F é utilizado para extração avançada de características e classificação. Resultados e discussão A realização do F-FGCN é avaliada no conjunto de dados PhysioNet para uma categorização de quatro classes, comparando com vários modelos clássicos e de ponta. As características aprendidas do F-FGCN amplificam substancialmente o desempenho dos classificadores subsequentes, alcançando a maior precisão de 96,11% e 82,37% nos níveis de sujeito e grupo, respectivamente. Resultados experimentais afirmam a potência do FFGCN em melhorar o desempenho da decodificação do EEG, abrindo caminho para aplicações de BCI.