Classification of Motor Imagery EEG Signals Using a CNN Architecture and a Meta-heuristic Optimization Algorithm for Selecting Training Parameters

Abstract

Una interfaz cerebro-computadora (BCI, por sus siglas en ingles), es un sistema que permite la comunicación y control de dispositivos a partir del análisis de las señales cerebrales del usuario. Entre los diferentes esquemas BCI, se destacan los basados en Imaginación Motora (MI, por sus siglas en inglés); los cuales, permiten una interacción en tiempo real, utilizando solo las señales eléctricas generadas por el cerebro cuando imagina ciertos movimientos o acciones. La adquisición de estas señales se puede realizar mediante diferentes metodologías invasivas y no invasivas, siendo la electroencefalografía una de las técnicas no invasivas más empleadas, debido a que, como se basa en la colocación super ficial de los electrodos en el cuero cabelludo, no afecta la salud y el bienestar de los potenciales usuarios, además de ser una tecnología portable y de bajo costo, con respecto a otras alternativas. Entre las diferentes etapas que conforman un BCI, las tareas de caracterización y clasi cación de las señales, continuan siendo los mayores retos de investigación, pues de estas depende el desempeño del sistema en general. Esta tesis propone la implementación de redes neuronales convolucionales (CNN, por sus siglas en inglés) para la clasifi cación de señales electroencefalografi cas, con el fin de identificar la acción imaginada por una persona. La arquitectura propuesta es entrenada con representaciones de la densidad espectral de potencia de las señales, y los hiperparámetros de la red son de nidos por un algoritmo de optimizaciónn metaheuristico, para obtener la mejor exactitud en la clasfi cación de las señales. El desempeño del método propuesto fue evaluado utilizando bases de datos públicas y bien conocidas, como son BCI Competition IV 2a y BCI Competition IIIa. De acuerdo con los resultados obtenidos, el método propuesto proporciona una estrategia con table para diferenciar imaginación de movimiento, superando resultados del estado del arte para el mismo conjunto de datos, lo que demuestra que esta es una estrategia valiosa y prometedora para el diseño de interfaces cerebro computador. Además, se encontró que la arquitectura defi nida mediante el algoritmo de optimización metaheuristico mostró un desempeño muy superior al de la arquitectura sintonizada manualmente, lo cuál demuestra que el uso de algoritmos de optimización metaheuristicos para definir los hiperparametros de una red neuronal profunda es una estrategia altamente recomendada