Objetivo: Las interfaces cerebro-máquina (BMI) se han utilizado para la rehabilitación motora de movimientos complejos, como los basados en la manipulación de objetos. Sin embargo, la identificación de la tarea durante estos movimientos sigue siendo un reto para la comunidad científica. Investigaciones recientes han sugerido que la conectividad corticomuscular puede mejorar el rendimiento de las IMC en la identificación de tareas. Por lo tanto, este estudio presenta un algoritmo que utiliza la conectividad basada en la potencia (PBC) como descriptor para mejorar la clasificación de tres pesos diferentes durante la manipulación de objetos, que se comparó con el algoritmo de referencia de densidad espectral de potencia (PSD). Métodos: Las señales de tres electroencefalografías (EEG) y cinco electrodos de electromiografía de superficie (sEMG) se analizaron utilizando el estimador de Welch para determinar las características de PSD y luego se correlacionaron utilizando la correlación de Spearman. El rendimiento se evaluó utilizando cuatro clasificadores de amplia aplicación en interfaces cerebro-ordenador (BCI). Además, se evaluaron diferentes bandas de frecuencia y la influencia de los canales EEG y sEMG en la identificación del peso del objeto utilizando métricas de precisión, puntuación F y coste computacional. Resultados: El algoritmo propuesto supera significativamente (pylt;0,05) al método estándar basado en PSD, con una diferencia en precisión del 19,15percent-flag-change y F-score del 10,40percent-flag-change y obteniendo un coste computacional de 6 s menos. Conclusiones: Estos resultados demuestran el prometedor potencial del método PBC para la identificación del peso de objetos en tareas complejas. La aplicación de estos algoritmos puede suponer mejoras significativas en la eficacia de los IMC para la manipulación de objetos, con beneficios potenciales para la rehabilitación y otras aplicaciones.
Purpose: Brain-machine interfaces (BMIs) have been used for motor rehabilitation of complex movements, such as those based on object manipulation. However, task identification during these movements remains a challenge in the scientific community. Recent research has suggested that corticomuscular connectivity may enhance the BMIs’ performance in task identification. Therefore, this study presents an algorithm that uses power-based connectivity (PBC) as a descriptor to improve the classification of three different weights during object manipulation which was compared with power spectral density (PSD) benchmark algorithm. Methods: Signals from three electroencephalography (EEG) and five surface electromyography (sEMG) electrodes were analyzed using Welch’s estimator to determine the PSD features and then correlated using Spearman’s correlation. The performance was evaluated using four classifiers that are widely applied in brain-computer interfaces (BCIs). Furthermore, different frequency bands and the influence of EEG and sEMG channels on object weight identification were evaluated using accuracy, F-score, and computational cost metrics. Results: The proposed algorithm significantly outperforms (pylt;0.05) the standard method based on PSD, with a difference in accuracy of 19.15percent-flag-change and F-score of 10.40percent-flag-change and obtaining a computational cost of 6 s less. Conclusions: These findings demonstrate the promising potential of the PBC method for object weight identification in complex tasks. The implementation of such algorithms can lead to significant improvements in the effectiveness of BMIs for object manipulation, with potential benefits for rehabilitation and other applications.
