Resumen

La transferencia de la interfaz cerebro-ordenador (BCI) de las condiciones de laboratorio a la aplicación en el mundo real requiere que la BCI se aplique de forma asíncrona sin ninguna limitación de tiempo. El alto nivel de dinamismo de la señal del electroencefalograma (EEG) nos lleva a buscar un algoritmo evolutivo (AG). Motivado por estos dos hechos, en este trabajo se ha utilizado una técnica híbrida de clustering GA-PSO basada en K -means para distinguir dos clases de tareas de imaginería motora (MI). El clustering híbrido GA-PSO basado en K -means propuesto supera a las técnicas de clustering de K -means basadas en algoritmos genéticos (GA) y en optimización de enjambre de partículas (PSO) tanto en términos de precisión como de tiempo de ejecución. El menor tiempo de ejecución de la técnica híbrida GA-PSO la hace adecuada para aplicaciones BCI en tiempo real. Las técnicas de representación de la frecuencia temporal (TFR) se han utilizado para extraer las características de la señal investigada. Las características basadas en TFRs se extraen y basándose en el concepto de sincronización relacionada con el evento (ERD) y desincronización (ERD) se forma el vector de características.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:ga híbrido, ga híbrido propuesto, aplicación de bci de tiempo, imágenes motoras de clase, representación de frecuencia de tiempo, superan al algoritmo genético, pso, bci de tiempo real, nivel de dinamismo, menor tiempo de ejecución
• Keywords:hybrid ga, proposed hybrid ga, time bci application, class motor imagery, time frequency representation, outperform genetic algorithm, pso, real time bci, level of dynamism, lesser execution time