Development of filtering methods based on spectral decomposition for analyzing cognitive performance using electroencephalogram (EEG) signals

Abstract

Este estudio tiene como objetivo implementar, detallar y optimizar un método de filtrado basado en descomposición espectral para la reducción de ruido y análisis de señales de EEG en rendimiento cognitivo. Las técnicas de filtrado populares, como ICA, PCA y transformadas wavelet, a menudo enfrentan limitaciones en extracción precisa de características, escalabilidad para grandes conjuntos de datos y altas demandas computacionales, especialmente en aplicaciones modernas. Nuestro enfoque consta de dos etapas: selección óptima de rango basada en valores propios de matrices de Hankel y reconstrucción de la señal mediante descomposición en valores singulares (SVD) utilizando el rango obtenido en la etapa anterior. Para abordar la alta complejidad del cálculo de autovalores y series simuladas, aplicamos paralelización y aceleración en GPU con CuPy, reduciendo un 99% los tiempos de simulación y mejorando un 38-47% la eficiencia en el cálculo de valores propios. En señales sintéticas, logramos un RMSE de 2.04% y una relación señal-ruido de 19.08 dB en el mejor escenario. Con datos reales, aplicamos ensemble learning, alcanzando hasta 90% de precisión en clasificación. Los resultados confirman que el método permite una reconstrucción efectiva y reducción de ruido. Sin embargo, se requiere investigación continua para optimizar su rendimiento. El trabajo futuro se centrará en aprovechar mejor el procesamiento en paralelo para mejorar la efectividad del método propuesto en múltiples canales de EEG y permitir su integración en aplicaciones en tiempo real para experimentos de rendimiento cognitivo.