Resumen

Aunque el consumo de alimentos es uno de los comportamientos humanos más básicos, los factores que subyacen a las preferencias nutricionales aún no están claros. El uso de algoritmos de clasificación puede aclarar la comprensión de estos factores. Este estudio tenía como objetivo medir las respuestas electrofisiológicas a los estímulos alimentarios/no alimentarios y aplicar técnicas de clasificación para discriminar las respuestas utilizando un conjunto de datos de un solo barrido. Veintiún atletas masculinos diestros con niveles de índice de masa corporal (IMC) entre el 18,5 a 25% (edad media: 21,05±2,5) participaron en este estudio de forma voluntaria. Se pidió a los participantes que se centraran en las imágenes de alimentos y no alimentos que se presentaban aleatoriamente en el monitor sin realizar ninguna tarea motora, y los datos del EEG se han recogido utilizando un amplificador de 16 canales con una frecuencia de muestreo de 1024 Hz. La tecnología de seguimiento ocular iView XTM RED de SensoMotoric Instruments (SMI) se utilizó simultáneamente con el EEG para medir la atención de los participantes a los estímulos presentados. Se generaron tres conjuntos de datos utilizando las métricas de amplitud, descomposición de frecuencia temporal y conectividad de frecuencia temporal de los componentes P300 y LPP para separar los estímulos alimentarios de los no alimentarios. Hemos implementado k-nearest neighbor (kNN), support vector machine (SVM), Linear Discriminant Analysis (LDA), Logistic Regression (LR), Bayesian classifier, decision tree (DT), y Multilayer Perceptron (MLP) classifiers en estos conjuntos de datos. Finalmente, la respuesta a los estímulos relacionados con la comida en el estado de hambre se discrimina de la no comida con un valor de precisión cercano al 78en cada conjunto de datos. Los resultados obtenidos en este estudio nos motivan a emplear algoritmos clasificadores que utilizan las características obtenidas de las mediciones de un solo ensayo en el espacio de amplitud y tiempo-frecuencia en lugar de aplicar otras más complejas como las métricas de conectividad.

• Materias:Ingeniería biomédica Biomecánica Prótesis Extremidades (Cuerpo Humano) Músculos Hidromecánica
• Subjects:Biomedical engineering Biomechanics Prostheses Limbs (Human Body) Muscles Hydromechanics
• Palabras claves:estímulo no alimentario, comportamiento humano básico, seguimiento ocular rojo, índice de masa corporal, métrica de la conectividad de la frecuencia, atletas masculinos de mano, análisis discriminante lineal, métrica de p300, tecnología de seguimiento ocular, uso de la clasificación
• Keywords:nonfood stimulus, basic human behavior, red eye tracking, body mass index, frequency connectivity metric, handed male athletes, linear discriminant analysis, metric of p300, eye tracking technology, use of classification