Extracción de características en interfaces cerebro computadoras mediante diccionarios wavelets packets discriminativos

VICTORIA PETERSON; YANINA ATUM; IVÁN GAREIS; LEONARDO RUFINER; RUBÉN ACEVEDO

San Miguel de Tucuman

Congreso; XIX Congreso Argentino de Bioingeniería; 2013

Sociedad Argentina de Bioingeniería (SABI) regional NOA y el Departamento de Bioingeniería de la Facultad de Ciencias Exactas y Tecnología (FACET) de la Universidad Nacional de Tucumán (UNT)

Una interfaz cerebro computadora (ICC) es un sistema que provee una forma de comunicación directa entre el cerebro de una persona y el mundo exterior. Para el presente trabajo se utilizaron ICCs basadas en electroencefalograma utilizando el paradigma de potenciales evocados relacionados con eventos (PRE). El objetivo de este trabajo es resolver en forma eficiente el problema de clasificación, en el cual se tiene dos clases posibles: registros con PRE y registros sin PRE. Para esto se propone evaluar el desempeño de una ICC utilizando la transformada wavelet packet (WPT, del inglés Wavelet Packet Transform) y seleccionando la base más discriminativa mediante la implementación del algoritmo Local Discriminant Basis (LDB), como método de extracción de características para la detección de la señal de PRE. La base de datos utilizada posee registros de electroencefalograma de época única de diez sujetos sanos. A partir de los patrones temporales (registros sin post-procesamiento) se generaron patrones wavelet luego de aplicar WPT mediante LDB con la utilización de diferentes funciones de costo que miden la separabilidad o discriminación entre las clases. Se realizó una evaluación de dichas medidas y un posterior estudio de dimensionalidad. Se evaluó el desempeño de cada conjunto de patrones LDB y de los patrones temporales mediante un clasificador lineal de Fisher. Se encontró que los patrones LDB calculados utilizando la divergencia-I como medida de discriminación y con ocho características por canal presentan resultados de clasificación superiores a los patrones temporales. De esta manera al mejorar la etapa de extracción de características se mejora la clasificación, y consecuentemente, el desempeño del sistema completo de una ICC.