Resumen

Una interfaz cerebro-computadora (BCI, por sus siglas en inglés) permite la comunicación directa entre un cerebro y una computadora, traduciendo la actividad cerebral en comandos informáticos mediante operaciones de preprocesamiento, extracción de características y clasificación. La extracción de características es crucial, ya que tiene un efecto sustancial en la precisión y velocidad de la clasificación. Si bien la dimensión fractal ha sido utilizada con éxito en varios campos para caracterizar datos con propiedades fractales, su uso en BCI basados en la imaginación motora es más reciente. En este estudio, se evaluaron métodos comúnmente utilizados para la estimación de la dimensión fractal para caracterizar series temporales: el método de Katz, el método de Higuchi, el método de rango reescalado y la entropía de Renyi, para la extracción de características en un BCI basado en la imaginación motora mediante análisis fuera de línea de un conjunto de datos de imaginación motora de dos clases. Se probaron diferentes clasificadores: vecinos más cercanos difusos (FKNN

• Materias:Dinámicas integrales Sistemas de ecuaciones funcionales Redes complejas Teoría de las ecuaciones Programación entera no lineal
• Subjects:Integral dynamics Systems of functional equations Complex networks Theory of equations Nonlinear integer programming
• Palabras claves:Interfaz cerebro-computadora; Extracción de características; Dimensión fractal; BCI basada en la imaginación motora; Precisión de clasificación; Metodología
• Keywords:Brain computer interface; Feature extraction; Fractal dimension; Motor imagery-based BCI; Classification accuracy; Methodology