Resumen

El electroencefalograma (EEG) es una fuente importante para diagnosticar problemas cerebrales. También es un mediador entre el mundo exterior y el cerebro, especialmente en el caso de cualquier enfermedad mental; sin embargo, se ha utilizado ampliamente para controlar la dinámica del cerebro en sujetos sanos. En este trabajo se analiza el estado de reposo del cerebro con los ojos abiertos (OA) y con los ojos cerrados (CE) utilizando dieciséis canales mediante el uso de bandas de frecuencia convencionales y la entropía de la señal EEG. La transformada rápida de Fourier (FFT) y la entropía de la muestra (SE) de cada sensor se calculan como métodos de extracción de características. Para discriminar los estados de reposo del cerebro a partir de las características extraídas, se utilizan seis clasificadores: regresión logística (LR), K-Nearest Neighbors (KNN), discriminante lineal (LD), árbol de decisión (DT), máquina de vectores de apoyo (SVM) y Gaussian Naive Bayes (GNB). Los datos del EEG fueron epochados con ventanas de un segundo de longitud, y se utilizaron para calcular las características para clasificar los estados EO y EC. Los resultados mostraron que los clasificadores LR y SVM tuvieron la mayor precisión de clasificación media (97%). Las precisiones de LD, KNN y DT fueron del 95%, 93% y 92%, respectivamente. El GNB obtuvo la menor precisión (86%) cuando se utilizaron bandas de frecuencia convencionales. Por otro lado, cuando se utilizó SE, las precisiones medias de los algoritmos SVM, LD, LR, GNB, KNN y DT fueron del 92%, 89%, 89%, 86% y 86%, respectivamente.

• Materias:Algoritmos genéticos Ingeniería biomédica Biomecánica Modelo Matemático Prótesis Extremidades (Cuerpo Humano)
• Subjects:Genetic algorithms Biomedical engineering Biomechanics Mathematical model Prostheses Limbs (Human Body)
• Palabras claves:banda de frecuencia convencional, cerebro, gaussian naive bayes, transformada rápida de fourier, lr, precisión de ld, gnb, precisión de svm, precisión media de clasificación, métodos de características
• Keywords:conventional frequency band, brain, gaussian naive bayes, fast fourier transform, lr, accuracy of ld, gnb, accuracy of svm, average classification accuracy, methods of features