Resumen

En la interfaz cerebro-ordenador (BCI), la extracción de características es la clave para la precisión del reconocimiento. Hay una importante información estructural local en las señales de EEG, que es eficaz para la clasificación; y esta localidad de las características de EEG no sólo existe en la posición del canal espacial, sino que también existe en el dominio de la frecuencia. Para retener suficiente estructura espacial e información de frecuencia, utilizamos patrones espaciales comunes de un banco de filtros versus reposo (OVR-FBCSP) para preprocesar los datos y extraer características preliminares. Sobre esta base, realizamos una investigación y un debate sobre los métodos de extracción de características. Los métodos de extracción de características unidimensionales, como el análisis discriminante lineal (LDA), pueden destruir este tipo de información estructural. Los métodos tradicionales de aprendizaje múltiple o los métodos de extracción de características bidimensionales no pueden extraer ambos tipos de información al mismo tiempo. Introducimos la estructura bilineal y el modelo gaussiano matricial en el algoritmo de proyección discriminante bidimensional que preserva la localidad (2DDLPP) y descomponemos las señales de EEG en partes espaciales y espectrales. A continuación, se seleccionaron las características más discriminativas mediante un método de cálculo de pesos. Probamos el método en los conjuntos de datos de la competición BCI 2a, los conjuntos de datos IIIa y los conjuntos de datos recogidos por nuestro laboratorio, y los resultados se expresaron en términos de precisión de reconocimiento. Los resultados de la validación cruzada fueron del 75,69%, 70,46% y 54,49%, respectivamente. La precisión media de reconocimiento del nuevo método mejora en un 7,14%, 7,38%, 4,86% y 3,8 en comparación con los métodos LDA, análisis lineal discriminante bidimensional (2DLDA), proyecciones discriminantes de propiedades de localidad (DLPP) y 2DDLP, respectivamente. Por lo tanto, consideramos que el método propuesto es eficaz para la clasificación del EEG.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos de extracción de características, análisis discriminante lineal, señal eeg, precisión de reconocimiento, proyección de preservación de localidades, proyección de propiedad de localidades, conjunto de datos iiia, extracción de características dimensionales, aprendizaje múltiple tradicional, estructura espacial suficiente
• Keywords:features extraction methods, linear discriminant analysis, eeg signal, accuracy of recognition, localities preserving projection, localities property projection, data set iiia, dimensional features extraction, traditional manifold learning, sufficient spatial structure