La clasificación de electroencefalogramas (EEG) ha cobrado impulso como herramienta no invasiva para analizar la actividad neuronal cerebral, con aplicaciones que van desde la detección de neurodegeneraciones hasta interfaces cerebro-ordenador. KnowEEG, un enfoque innovador en el campo, promete no solo mejorar la precisión en esta clasificación sino también ofrecer explicabilidad gracias a la importancia de las características que destaca.

El método desarrollado aprovecha un rango amplio de estadísticas por electrodo y las conjuga con medidas de conectividad entre electrodos, empleando un modelo de Bosque Aleatorio modificado llamado Fusion Forest. Esto no solo permite la incorporación de conocimientos tanto del dominio general de series temporales como del específico EEG, sino que también asegura una explicabilidad inherente a través de las puntuaciones de importancia de características.

KnowEEG fue probado en cinco tareas de clasificación: detección de emociones, clasificación de carga mental, detección de ojos abiertos/cerrados, clasificación de EEG anormal y detección de eventos, mostrando resultados similares o superiores a los modelos de aprendizaje profundo más avanzados en la actualidad.

Un ejemplo notable se encuentra en la tarea de clasificación de ojos abiertos/cerrados, donde la importancia de las características en KnowEEG permitió descubrir diferencias en la conectividad funcional del cerebro que coinciden con la literatura actual en neurociencias. Esto respalda no solo la efectividad del modelo en términos de precisión, sino también su capacidad para servir como herramienta de descubrimiento de conocimiento en campos donde la explicabilidad es crítica, como en la sanidad.

KnowEEG no solo destaca por su rendimiento superior sino también por la accesibilidad debido a su implementación que no requiere recursos GPU exigentes. Esta característica lo convierte en una opción viable para una variedad de usuarios interesados en llevar adelante investigaciones en entornos con recursos limitados.