Predicting Working Memory Performance Based on Specific Individual Eeg Spatiotemporal Features

La Memoria de Trabajo (WM) es un sistema de capacidad limitada para almacenar y procesar información, que varía de un tema a otro. Varios trabajos muestran la capacidad de predecir el rendimiento de la WM con métodos de aprendizaje automático (ML), y aunque en estos trabajos se obtienen buenos resultados de predicción, se ignora la variabilidad intersujetos y la caracterización temporal y espacial en una tarea de WM para mejorar la predicción en cada uno de los sujeto. En este artículo, aprovechamos las propiedades espectrales de la WM para caracterizar las diferencias individuales en la capacidad visual de la WM y predecir el desempeño del sujeto. La selección de características se implementó mediante la selección de electrodos haciendo uso de métodos para tratar clases desequilibradas. Los resultados muestran una correlación entre la precisión lograda con un clasificador de Análisis Discriminante Lineal Regularizado (RLDA) utilizando el espectro de potencia de la señal EEG y la precisión lograda por cada sujeto en la respuesta del experimento de comportamiento de una tarea de WM con retro-cue. La metodología propuesta permite identificar características espaciales y temporales en el desempeño de la WM en cada sujeto. Nuestra metodología muestra que es posible predecir el desempeño de WM en cada sujeto. Finalmente, nuestros resultados mostraron que al conocer las características espaciotemporales que predicen el rendimiento de WM, es posible personalizar una tarea de WM y optimizar el uso de electrodos para un procesamiento ágil adaptado a un sujeto específico. Por lo tanto, allanamos el camino para implementar el neurofeedback a través de una interfaz cerebro-computadora.