Resumen

Las interfaces cerebro-ordenador (BCI) basadas en la imagen motora suelen utilizar el filtro de patrones espaciales comunes (CSP) como paso previo al procesamiento para la extracción y clasificación de características. El método CSP es un algoritmo supervisado y, por tanto, necesita datos de entrenamiento específicos del sujeto para su calibración, cuya recopilación requiere mucho tiempo. Para reducir la cantidad de datos de calibración que se necesitan para un nuevo sujeto, se pueden aplicar técnicas de aprendizaje automático multitarea (a partir de ahora denominadas multisujeto) a la fase de preprocesamiento. En este caso, el objetivo del aprendizaje multisujeto es aprender un filtro espacial para un nuevo sujeto basado en sus propios datos y en los de otros sujetos. En este artículo se describen los detalles del algoritmo CSP multitarea y se muestran los resultados en dos conjuntos de datos. En algunos sujetos se observa una clara mejora, especialmente cuando el número de ensayos de entrenamiento es relativamente bajo.

• Materias:Neurociencia Cognitiva Trastornos mentales Imagen por resonancia magnética Ondas encefálicas Neurofisiología
• Subjects:Cognitive Neuroscience Mental disorders Magnetic resonance imaging Brain waves Neurophysiology
• Palabras claves:nuevo tema, datos de entrenamiento específicos, cantidad de calibración, técnicas de aprendizaje automático, número de entrenamientos, filtro de patrones espaciales, objetivo de multisujeto, algoritmo csp multitarea, interfaz de ordenador, extracción de características
• Keywords:new subject, specific training data, amount of calibration, machine learning techniques, number of training, spatial pattern filter, goal of multisubject, multitask csp algorithm, computer interface, features extraction