Resumen

En el desarrollo de una interfaz cerebro-ordenador (BCI) hay que tener en cuenta algunas cuestiones para mejorar su fiabilidad y rendimiento. Tal vez uno de los problemas más difíciles esté relacionado con la gran variabilidad de las señales cerebrales, que afecta directamente a la precisión de la clasificación. En este sentido, deberían explorarse nuevas técnicas de extracción de características para seleccionar aquellas que puedan hacer frente a esta variabilidad. Además, para mejorar el rendimiento de la técnica de extracción de características seleccionada, es necesario seleccionar adecuadamente los parámetros del filtro aplicado en la etapa de preprocesamiento. A continuación, este trabajo presenta un análisis de la robustez de la dimensión fractal como técnica de extracción de características bajo una alta variabilidad de las señales de EEG, particularmente cuando los datos de entrenamiento se registran un día y los datos de prueba se obtienen en un día diferente. Los resultados se comparan con los obtenidos por un modelo autorregresivo, que es una técnica comúnmente utilizada en aplicaciones BCI. También se evalúa el efecto de seleccionar adecuadamente las frecuencias de corte del filtro en la etapa de preprocesamiento. Esta investigación se apoya en varios experimentos realizados con un conjunto de datos públicos del concurso internacional BCI, concretamente el conjunto de datos 2a de BCIIC IV, relacionado con tareas motoras. Mediante un test estadístico, se demuestra que el rendimiento alcanzado utilizando la dimensión fractal es significativamente mejor que el alcanzado por el modelo AR. Asimismo, se demuestra que la selección de las frecuencias de corte adecuadas mejora significativamente el rendimiento en la clasificación. La tasa de aumento es aproximadamente del 17%.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:técnicas de extracción de características, alta variabilidad, dimensiones fractales, rendimiento, etapa de preprocesamiento, frecuencia de corte adecuada, interfaz informática, clasificación, datos de prueba, modelo autorregresivo
• Keywords:features extraction techniques, high variability, fractal dimensions, performance, preprocessing stage, appropriate cutoff frequency, computer interface, classification, testing data, autoregressive model