Resumen

El sistema de rehabilitación asistida por robot basado en la interfaz cerebro-ordenador (BCI) es una solución aplicable a los supervivientes de ictus con un brazo hemiparético que funciona mal. La técnica clave para el sistema de rehabilitación es la extracción de características de la electroencefalografía de imágenes motoras (MI-EEG), que es una señal no lineal, variable en el tiempo y no estacionaria con notables características de tiempo-frecuencia. Aunque algunas personas se han esforzado por explorar la naturaleza no lineal desde la perspectiva del aprendizaje múltiple, apenas tienen en cuenta tanto la característica de tiempo-frecuencia como la naturaleza no lineal. En este artículo se propone un nuevo método de extracción de características basado en el algoritmo de incrustación lineal local (LLE) y la DWT. El análisis multiescala multirresolución se implementa para MI-EEG mediante DWT. Se aplica LLE a los componentes de aproximación para extraer las características no lineales, y se calculan las estadísticas de los componentes de detalle para obtener las características de tiempo-frecuencia. A continuación, las dos características se combinan en serie. Se optimiza una red neuronal de retropropagación mediante un algoritmo genético y se emplea como clasificador para evaluar la eficacia del método propuesto. Los resultados experimentales de la validación cruzada de 10 veces en un conjunto de datos público de la competición BCI muestran que las características no lineales muestran visualmente una distribución de agrupación obvia y las características fusionadas mejoran la precisión y la estabilidad de la clasificación. Este artículo logra con éxito la aplicación del aprendizaje múltiple en BCI.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:aprendizaje múltiple, características no lineales, naturaleza no lineal, sistema de rehabilitación, nuevo método de extracción de características, conjunto de datos público del concurso bci, incrustación localmente lineal, validación cruzada de pliegues, análisis multirresolución multiescala, bci
• Keywords:manifold learning, nonlinear features, nonlinear nature, rehabilitation system, novel feature extraction method, public bci competition dataset, locally linear embedding, fold cross validation, multiscale multiresolution analysis, bci