Resumen

En los trabajos de investigación de la interfaz cerebro-ordenador y de la función del cerebro humano, la clasificación del estado de los datos de fMRI de varios estados es un problema. La señal fMRI del cerebro humano es una señal no estacionaria con muchos efectos de ruido e interferencia. Basándonos en el método de análisis de señales no estacionarias comúnmente utilizado, la transformada de Hilbert-Huang (HHT), proponemos un algoritmo mejorado de círculo-EMD para suprimir el efecto final. El algoritmo puede extraer diferentes funciones de modo intrínseco (IMF), descomponer los datos de fMRI para filtrar las señales de baja frecuencia y otras señales de ruido redundantes, y reflejar con mayor precisión las verdaderas características de la señal original. Para la señal fMRI filtrada, utilizamos tres métodos diferentes de aprendizaje automático existentes: regresión logística (LR), máquina de vectores de apoyo (SVM) y red neuronal profunda (DNN) para lograr una clasificación eficaz de los diferentes estados de la tarea. El experimento compara los resultados de estos métodos de aprendizaje automático y confirma que la red neuronal profunda tiene la mayor precisión para la clasificación de datos de fMRI del estado de la tarea y la eficacia del algoritmo mejorado del círculo-EMD.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:red neuronal profunda, métodos de aprendizaje automático, algoritmo emd, círculo mejorado, métodos de análisis de señales, función de modo intrínseco, trabajo del cerebro humano, señal de ruido redundante, clasificación de la multitarea, estado de la tarea diferente
• Keywords:deep neural network, machine learning methods, emd algorithm, improved circle, signal analysis methods, intrinsic mode function, human brain work, redundant noise signal, classification of multitask, different task state