Resumen

Este trabajo propone un nuevo marco de clasificación y un nuevo método de reducción de datos para distinguir la electroencefalografía (EEG) de imágenes motoras (MI) multiclase para la interfaz cerebro-ordenador (BCI) basada en el colector de matrices de covarianza en una perspectiva riemanniana. Para el método 1, se diseña un marco de árbol de decisión específico para el sujeto (SSDT) con filtro de distancia mínima geodésica a la media de Riemann (FGMDRM) para identificar las tareas de MI y reducir el error de clasificación en la región no separable de FGMDRM. El método 2 incluye un algoritmo de extracción de características y un algoritmo de clasificación. El algoritmo de extracción de características combina la información mutua conjunta semisupervisada (semi-JMI) con el análisis discriminante general (GDA), es decir, SJGDA, para reducir la dimensión de los vectores en el plano tangente de Riemann. Y el algoritmo de clasificación sustituye el FGMDRM del método 1 por el vecino más cercano (KNN), denominado SSDT-KNN. Al aplicar el método 2 en el conjunto de datos 2a de la competición BCI IV, el valor kappa se ha mejorado de 0,57 a 0,607 en comparación con el ganador del conjunto de datos 2a. Y el método 2 también obtiene una alta tasa de reconocimiento en los otros dos conjuntos de datos.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo de extracción de características, métodos, algoritmo de clasificación, región de fgmdrm, plano tangente riemanniano, colector de covarianza, concurso bci iv, métodos de reducción de datos, imágenes motoras multiclase, dimensiones del vector
• Keywords:features extraction algorithm, methods, classification algorithm, region of fgmdrm, riemannian tangent plane, manifold of covariance, bci competition iv, data reduction methods, multiclass motor imagery, dimensions of vector