Resumen: La clasificación de la electroencefalografía (EEG) desempeña un papel clave en los sistemas de interfaz cerebro-computadora (BCI), pero sigue siendo un desafío debido a la baja relación señal-ruido, la variabilidad temporal de las respuestas neuronales y la disponibilidad limitada de datos. En este artículo, presentamos un estudio comparativo de arquitecturas de aprendizaje profundo para clasificar potenciales relacionados con eventos (ERP) en señales de EEG. El proceso de preprocesamiento incluye filtrado de paso de banda, filtrado espacial y normalización. Diseñamos y comparamos tres canales principales: una red neuronal convolucional (CNN) 2D que utiliza un patrón espacial común (CSP), una segunda CNN 2D entrenada directamente con datos sin procesar para una comparación justa y una CNN 3D que modela conjuntamente representaciones espaciotemporales. Para abordar las variaciones de latencia de ERP, introducimos una estrategia de aumento de turno temporal durante la capacitación. En el momento de la inferencia, empleamos un mecanismo de votación en el momento de la prueba basado en la confianza para mejorar la estabilidad de la predicción en las pruebas desplazadas. Una evaluación experimental de un protocolo de validación cruzada quíntuple estratificado demuestra que, si bien CSP proporciona un beneficio a la arquitectura 2D, la CNN 3D propuesta supera significativamente a ambas variantes 2D en términos de AUC y precisión equilibrada. Estos hallazgos resaltan la efectividad de las arquitecturas con reconocimiento temporal y las estrategias de aumento para una clasificación sólida de la señal EEG.
Publicado originalmente en export.arxiv.org el 16 de marzo de 2026.
Ver fuente original
