Exploración de diferencias en la actividad cerebral entre movimientos ejecutados e imaginados para optimizar terapias de neurofeedback en pacientes con accidente cerebrovascular

Abstract

Los sistemas de Interfaz Cerebro-Computadora (BCI: Brain-Computer Interface) basados en la imaginación motora (MI: Motor Imagery) tienen un gran potencial para la rehabilitación de pacientes con discapacidades motoras, como las personas que han sufrido de accidentes cerebrovasculares. Sin embargo, las metodologías actuales necesitan de una extensa calibración, que puede no ser efectiva en todos los casos debido a la variabilidad entre sujetos y la calidad de la ejecución de la tarea de MI. Esta limitación reduce la accesibilidad y eficacia de los sistemas BCI en aplicaciones clínicas. El objetivo de este Trabajo de Fin de Grado es desarrollar una estrategia innovadora para la clasificación de actividad cerebral medida mediante el EEG mientras el sujeto hace una tarea de MI. Con ese propósito, se han aplicado técnicas de aprendizaje por transferencia con el fin de mejorar la efectividad y accesibilidad de los sistemas BCI para la neurorehabilitación, mediante la reducción del tiempo de calibración, la realimentación más eficaz mediante el aprendizaje de patrones de movimientos ejecutados, o la creación de programas de entrenamiento personalizados. Para ello, se ha realizado un experimento de caracterización donde se han analizado las diferencias y similitudes en la actividad neuronal durante la ejecución motora (ME: Motor Execution) y la MI mediante técnicas espectrales, como la potencia relativa, y técnicas temporales, como la desincronización/sincronización relacionada con eventos (ERD/ERS: Event Related Desynchronization/Event Related Synchronization). Posteriormente, se ha diseñado una estrategia de aprendizaje por transferencia basado en modelos que consiste en aplicar modelos preentrenados con datos de EEG durante ME para la clasificación de MI, sin necesidad de extensas calibraciones. Los resultados de caracterización muestran que existen patrones similares en la actividad neural asociados a ME y MI, lo cual valida la posibilidad de utilizar estos datos para la clasificación de MI. Los resultados de clasificación demostraron que la estrategia de aprendizaje por transferencia permite el control de BCI, logrando una precisión del 80,31% en sujetos no entrenados al utilizar solo dos segundos de registros de EEG. Además, la utilización de registros de mayor duración o la calibración específica para cada sujeto optimiza aún más el rendimiento del sistema. La implementación de la estrategia diseñada en este trabajo podría disminuir significativamente el tiempo de calibración de los sistemas BCI basados en MI, lo cual es crucial para su aplicación en la rehabilitación de pacientes con discapacidades motoras. Esta mejora en la accesibilidad y eficiencia de los sistemas BCI podría optimizar los protocolos de rehabilitación de accidentes cerebrovasculares y mejorar la calidad de vida de los pacientes.