Resumen

Numerosos sistemas de interfaz cerebro-ordenador (BCI) basados en EEG que se están desarrollando se centran en novedosos algoritmos de extracción de características, métodos de clasificación y combinación de enfoques existentes para crear BCI híbridas. Varios estudios recientes han demostrado diversas ventajas de los sistemas BCI híbridos en términos de mejora de la precisión o del número de comandos disponibles para el usuario. Sin embargo, los sistemas BCI aún están lejos de ser una realidad para el uso diario. Tener un alto rendimiento con un menor número de canales es uno de los retos que persisten, especialmente con los sistemas BCI híbridos, en los que son necesarios múltiples canales para registrar la información de dos o más componentes de la señal EEG. Por lo tanto, este trabajo propone un sistema BCI híbrido de un solo canal (C3 o C4) que combina enfoques de imágenes motoras (MI) y potenciales evocados visualmente en estado estacionario (SSVEP). Este estudio demuestra que, además de las características MI, las características SSVEP también se pueden capturar desde el canal C3 o C4. Los resultados muestran que, debido a la riqueza de información (MI y SSVEP) en estos canales, el sistema BCI híbrido propuesto supera a los sistemas basados en MI y SSVEP con una precisión de clasificación media del 85,6 ± 7,7% en una tarea de dos clases.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:sistema BCI híbrido, sistemas BCI híbridos, SSVEP, más componentes de señal EEG, algoritmos novedosos de extracción de características, varios estudios recientes, precisión media de clasificación, información rica en características, C3, MI
• Keywords:hybrid BCI system, hybrid BCI systems, SSVEP, more EEG signal components, novel feature extraction algorithms, Several recent studies, average classification accuracy, rich feature information, C3, MI