Resumen

Objetivos. Se espera que la interfaz cerebro-ordenador (BCI) basada en la espectroscopia funcional del infrarrojo cercano (fNIRS) proporcione un método opcional de entrenamiento de rehabilitación activa para los pacientes con disfunción de la marcha, que afectará seriamente a su calidad de vida. Se utilizó la clasificación de representación dispersa (SRC) de la concentración de oxihemoglobina (HbO) para decodificar las imágenes de la marcha y el estado de inactividad para construir la fNIRS-BCI basada en las imágenes de la marcha. Métodos. Se reclutaron 15 sujetos y se recogieron señales fNIRS durante las imágenes de la marcha y el estado de reposo. En primer lugar, se llevó a cabo el filtrado de paso de banda y la corrección de la deriva de la línea de base para la señal de HbO y, a continuación, se extrajeron el valor medio, el valor máximo y la raíz cuadrada media (RMS) de HbO y sus combinaciones como características de clasificación; se utilizó el SRC para identificar las características extraídas y el resultado del SRC se comparó con los de la máquina de vectores de apoyo (SVM), el vecino más cercano (KNN), el análisis discriminante lineal (LDA) y la regresión logística (LR). Resultados. Los resultados experimentales mostraron que la precisión media de la clasificación de las imágenes de la marcha y del estado de inactividad mediante el SRC utilizando la combinación de tres características fue del 91,55±3,30%, lo que fue significativamente mayor que las de SVM, KNN, LDA y LR (86,37±4,42%, 85,65±5,01%, 86,43±4,41% y 76,14±5,32%, respectivamente), y la precisión de la clasificación de otras características combinadas fue mayor que la de una sola característica. Conclusiones. El estudio demostró que la introducción del SRC en el fNIRS-BCI puede identificar eficazmente las imágenes de la marcha y el estado de inactividad. También demostró que las diferentes ventanas de tiempo para la extracción de características tienen un impacto en los resultados de clasificación, y la ventana de tiempo de 2-8 s logró una mejor precisión de clasificación (94,33±2,60%) que otras ventanas de tiempo. Importancia. Se esperaba que el estudio proporcionara un método de entrenamiento de rehabilitación activa nuevo y opcional para pacientes con disfunción de la marcha. Además, el experimento fue también un estudio poco frecuente basado en fNIRS-BCI utilizando SRC para decodificar las imágenes de la marcha y el estado de inactividad.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:estado de reposo, rehabilitación activa opcional, métodos de entrenamiento de rehabilitación, imágenes, src, fnirs, ventanas de tiempo, bci, análisis discriminante lineal, precisión media de clasificación
• Keywords:idle state, optional active rehabilitation, rehabilitation training methods, imagery, src, fnirs, time windows, bci, linear discriminant analysis, average classification accuracy