Clasificación de estados motores a partir de señales LFP: comparación entre características espectrales temporalmente agregadas y modelado espacio-temporal

Abstract

[cat] Els potencials de camp local (LFP) registrats durant tasques motores permeten distingir fases consecutives del moviment, però enfocaments previs com l’estudi de referència segmenten el senyal en finestres associades a cada estat i representen cada finestra mitjançant l’amplitud espectral mitjana per canal, eliminant-ne així l’evolució temporal. Aquest treball avalua si conservar l’estructura canals × temps millora aquesta representació agregada en la classificació d’estats motors seqüencials. Es van analitzar registres LFP de 256 canals d’un únic primat no humà durant onze sessions d’una tasca reach-to-grasp. A partir dels registres continus es van construir mostres supervisades i es van comparar, sobre els mateixos assajos, bandes, particions i llavors, un baseline clàssic basat en aquestes amplituds, regressió logística multinomial (MLR) i veí més proper (1-NN), i una xarxa convolucional basada en EEGNet que conserva la dimensió temporal. L’avaluació va incloure quatre configuracions de tres i cinc estats amb finestres de 250 i 400 timesteps, vuit bandes i deu llavors, amb la balanced accuracy com a mètrica principal. Multinuit va ser la banda més discriminativa i EEGNet va superar la MLR en tres configuracions, amb una millora màxima de +0,047 en tres estats i 400 timesteps. En canvi, la configuració de cinc estats i 400 timesteps només va conservar 266 assajos vàlids, va mostrar sobreajustament i va obtenir un rendiment inferior a la MLR. L’anàlisi d’oclusió va mostrar una rellevància dels canals heterogènia i parcialment estable, tot i que l’absència d’un mapatge confirmat va impedir-ne la interpretació anatòmica. En conjunt, la hipòtesi queda respaldada de manera condicionada: el modelatge espaciotemporal pot aportar informació discriminativa addicional, però el seu benefici depèn de la relació entre la complexitat del problema, la durada de la finestra, el suport de dades disponible i la capacitat del model.

[spa] Los potenciales de campo local (LFP) registrados durante tareas motoras permiten distinguir fases consecutivas del movimiento, pero enfoques previos como el estudio de referencia segmentan la señal en ventanas asociadas a cada estado y representan cada ventana mediante la amplitud espectral media por canal, eliminando así su evolución temporal. Este trabajo evalúa si conservar la estructura canales × tiempo mejora esa representación agregada al clasificar estados motores secuenciales. Se analizaron registros LFP de 256 canales de un único primate no humano durante once sesiones de una tarea reach-to-grasp. A partir de los registros continuos se construyeron muestras supervisadas y se compararon, sobre los mismos ensayos, bandas, particiones y semillas, un baseline clásico sobre esas amplitudes, regresión logística multinomial (MLR) y vecino más cercano (1-NN), y una red convolucional basada en EEGNet que conserva la dimensión temporal. La evaluación abarcó cuatro configuraciones de tres y cinco estados con ventanas de 250 y 400 timesteps, ocho bandas y diez semillas, con balanced accuracy como métrica principal. Multinuit fue la banda más discriminativa y EEGNet superó a la MLR en tres configuraciones, con una mejora máxima de +0,047 en tres estados y 400 timesteps. En cambio, la configuración de cinco estados y 400 timesteps conservó solo 266 ensayos válidos, mostró sobreajuste y obtuvo un rendimiento inferior a la MLR. El análisis de oclusión mostró una relevancia de canales heterogénea y parcialmente estable, aunque sin un mapeo confirmado no pudo realizarse una interpretación anatómica. En conjunto, la hipótesis queda respaldada de forma condicionada: el modelado espacio-temporal puede aportar información discriminativa adicional, pero su beneficio depende de la relación entre la complejidad del problema, la duración de la ventana, el soporte de datos disponible y la capacidad del modelo.

[eng] Local field potentials (LFPs) recorded during motor tasks can distinguish consecutive phases of movement, but previous approaches such as the reference study segment the signal into windows associated with each state and represent each window using the mean spectral amplitude per channel, thereby removing its temporal evolution. This study evaluates whether preserving the channel × time structure improves on this aggregated representation when classifying sequential motor states. We analysed 256-channel LFP recordings from a single non-human primate across eleven sessions of a reach-to-grasp task. Supervised samples were constructed from the continuous recordings, and two approaches were compared using the same trials, frequency bands, data splits, and random seeds: a classical baseline based on these amplitudes, multinomial logistic regression (MLR) and 1-nearest neighbour (1-NN), and an EEGNet-based convolutional neural network that preserves the temporal dimension. The evaluation covered four configurations comprising three and five states with 250- and 400-timestep windows, eight bands, and ten seeds, with balanced accuracy as the primary metric. Multinuit was the most discriminative band, and EEGNet outperformed MLR in three configurations, with a maximum improvement of +0.047 for three states and 400 timesteps. In contrast, the five-state, 400-timestep configuration retained only 266 valid trials, showed overfitting, and underperformed MLR. Occlusion analysis revealed heterogeneous and partially stable channel relevance, although anatomical interpretation was not possible without a confirmed mapping. Overall, the hypothesis is conditionally supported: spatio-temporal modelling can provide additional discriminative information, but its benefit depends on the relationship between problem complexity, window duration, the available data support, and model capacity.