Métodos de aprendizaje automático de mínima calibración para interfaces cerebro-computadora basadas en imaginería motora

Abstract

El deterioro de la función motora del miembro superior tras accidentes cerebrovasculares u otras condiciones neurológicas impacta significativamente en la calidad de vida. En este contexto, las interfaces cerebro-computadora basadas en imaginería motora (MI-BCIs) son una herramienta prometedora para la asistencia y rehabilitación, al permitir transformar la actividad cerebral en comandos de control sin utilizar las vías neuromusculares. Sin embargo, su aplicación se ve limitada por la compleja decodificación de señales de electroencefalografía (EEG) y, especialmente, por su alta variabilidad inter e intra-sujeto, lo que requiere extensas sesiones de calibración. En esta tesis se desarrollaron métodos de aprendizaje automático orientados a reducir estos tiempos y mejorar la robustez de la decodificación. En primer lugar, se propuso PySimMIBCI, un método para generar datos sintéticos de EEG con características fisiológicamente plausibles e información sujeto-específica para tareas de imaginería motora. Este enfoque permite incorporar factores de variabilidad como la fatiga o distintas capacidades de modulación, y fue utilizado para aumentación de datos, logrando mejoras significativas en el desempeño. En segundo lugar, se abordó la transferencia de aprendizaje entre sujetos y bases de datos mediante XS-BOT, un método de adaptación de dominio basado en transporte óptimo hacia atrás. Este enfoque alinea las características de nuevos usuarios con distribuciones previamente aprendidas, permitiendo alcanzar altos niveles de precisión con pocos datos de calibración y un número reducido de electrodos. En conjunto, estos aportes contribuyen al desarrollo de MI-BCIs más robustas, de mínima calibración y centradas en la persona usuaria.

Upper-limb motor impairment following stroke or other neurological conditions significantly impacts quality of life. In this context, motor imagery-based brain–computer interfaces (MI-BCIs) are a promising tool for assistance and rehabilitation, as they enable the transformation of brain activity into control commands without relying on neuromuscular pathways. However, their practical application is limited by the complexity of electroencephalography (EEG) signal decoding and, in particular, by high inter- and intra-subject variability, which requires extensive calibration sessions. In this thesis, machine learning methods were developed to reduce calibration time and improve decoding robustness. First, PySimMIBCI was proposed, a method for generating synthetic EEG data with physiologically plausible characteristics and subject-specific information for motor imagery tasks. This approach allows incorporating variability factors such as fatigue or differences in modulation capability, and was used for data augmentation, leading to significant improvements in decoding performance. Second, transfer learning across subjects and datasets was addressed through XS-BOT, a domain adaptation method based on backward optimal transport. This approach aligns the feature distribution of new users with previously learned distributions, enabling high accuracy with a minimal amount of calibration data and a reduced number of electrodes. Overall, these contributions support the development of robust, minimal-calibration MI-BCIs centered on the end user, aligned with the needs of motor rehabilitation.