Resumen

Las señales de electroencefalografía (EEG) se han utilizado ampliamente para el estudio de la dinámica de la información neural del cerebro y los comportamientos junto con el impacto en desarrollo de la utilización de la máquina y las técnicas de aprendizaje profundo. Este trabajo propone un sistema basado en la transformada rápida de Fourier (FFT) como método de extracción de características para la clasificación de las señales registradas de electroencefalografía (EEG) del cerebro humano en estado de reposo. En el sistema propuesto, el método FFT se aplica a las grabaciones de EEG en estado de reposo y se calculan las potencias de banda correspondientes. Las características de potencia relativa extraídas se suministran a los métodos de clasificación (clasificadores) como entrada para el propósito de clasificación como una medida de cansancio humano a través de la predicción del nivel de la enzima lactato, alto o bajo. Para validar el método sugerido, utilizamos un conjunto de datos de EEG que se ha registrado de un grupo de atletas de nivel de élite que consiste en dos clases: no cansado, las señales de EEG se registraron durante la tarea de estado de reposo antes de realizar un ejercicio agudo y cansado, las señales de EEG se registraron en el estado de reposo después de realizar un ejercicio agudo. El rendimiento de tres clasificadores diferentes se evaluó con dos medidas de rendimiento, los valores de exactitud y precisión. La precisión se alcanzó por encima del 98 y el clasificador K-nearest neighbor (KNN). Los resultados de este estudio indicaron que el esquema de extracción de características tiene la capacidad de clasificar las señales de EEG analizadas con precisión y predecir el nivel de enzima de lactato alto o bajo. Muchos campos de estudio, como el Internet de las cosas (IoT) y la interfaz cerebro-ordenador (BCI), pueden utilizar los resultados del sistema propuesto en muchas aplicaciones cruciales para la toma de decisiones.

• Materias:Ingeniería biomédica Biomecánica Prótesis Extremidades (Cuerpo Humano) Músculos Hidromecánica
• Subjects:Biomedical engineering Biomechanics Prostheses Limbs (Human Body) Muscles Hydromechanics
• Palabras claves:sistema propuesto, ejercicio agudo, señal de eeg, muchas decisiones cruciales, técnicas de aprendizaje profundo, características de potencia relativa, transformada rápida de fourier, métodos de extracción de características, internet de las cosas, registro de eeg de estado
• Keywords:proposed system, acute exercise, eeg signal, many crucial decision, deep learning techniques, relative power features, fast fourier transform, features extraction methods, internet of things, state eeg recording