INSIBIO 05451
INSTITUTO SUPERIOR DE INVESTIGACIONES BIOLOGICAS
Unidad Ejecutora - UE
artículos
Título:
Comparación de métodos para la clasificación de señales de EEG en interfaces cerebro-computadora
Autor/es:
FARFÁN, FERNANDO; FELICE, CARMELO JOSÉ
Revista:
Mundo Electrónico
Editorial:
Grupo TecniPublicaciones
Referencias:
Lugar: Barcelona; Año: 2007
ISSN:
0300-3787
Resumen:
En este trabajo comparamos y evaluamos diferentes
técnicas de pre-procesamiento (extracción de características) y métodos de
clasificación, con el objeto de ser implementadas en una Interface Cerebro
Computadora (ICC). Hemos propuesto tres métodos de extracción de
características (coeficientes Auto Regresivos, Estimación Espectral y análisis
de la Transformada Wavelets Discreta) y tres tipos de redes neuronales
artificiales para la clasificación de patrones del EEG, Mapas Auto organizados
(SOM), redes neuronales Probabilísticas (PNN) y redes LVQ (Learning Vector
Quantization). Se han propuesto combinaciones de la red SOM con las LVQ y PNN.
Evaluamos las técnicas de procesamiento mediante métodos basados en la teoría
de la información. De esta manera fueron determinados el Error Rate (Tasa de
Error) y la Información Mutua entre la salida de los clasificadores y la señal
de electroencefalograma (EEG). Los registros de EEG analizados fueron
adquiridos durante la imaginación del movimiento de la mano derecha e imaginación
de la mano izquierda. Los coeficientes AR, el Power Spectrum y los coeficientes
obtenidos del análisis wavelet, fueron determinados de segmentos de 128
muestras (1s) solapados en 96 muestras (3/4s). Se ha utilizado el 50% de los
datos para el entrenamiento de las Redes Neuronales y el resto para la
validación del método. Fueron obtenidas las graficas del Error Rate e
Información Mutua (IM) un mínimo ER de 32%, un máximo de IM de 0.47 bits y la
Máxima Velocidad de Transferencias de Información (MVTI) observada fue de 0.46
bits/seg, utilizando el análisis wavelet como método de extracción de
características y como etapa de clasificación una red LVQ. Las redes LVQ y PNN
superan a la red SOM en cuanto a tiempo de entrenamiento, sin embargo las redes
SOM son capaces de adaptarse más adecuadamente a nuevos patrones de entrada.
