Resumen

La clasificación del electroencefalograma (EEG) de imágenes motoras (IM) desempeña un papel fundamental en los sistemas de interfaz cerebro-ordenador (BCI). Investigaciones recientes han demostrado que los algoritmos de clasificación no lineales tienen un mejor rendimiento que sus homólogos lineales, pero la mayoría de ellos no pueden extraer suficiente información significativa, lo que conduce a una clasificación menos eficiente. En este trabajo, proponemos un nuevo enfoque llamado FDDL-ELM, que combina el poder de discriminación de la máquina de aprendizaje extremo (ELM) con la capacidad de reconstrucción de la representación dispersa. En primer lugar, se adopta el algoritmo de patrón espacial común (CSP) para realizar un filtrado espacial en los datos de EEG sin procesar para mejorar la actividad neuronal relacionada con la tarea. En segundo lugar, se emplea el criterio de discriminación de Fisher para aprender un diccionario estructurado y obtener coeficientes de codificación dispersos a partir de los datos filtrados, y estos coeficientes de discriminación se utilizan para adquirir las representaciones de características reconstruidas. Finalmente, se utiliza un clasificador no lineal ELM para identificar estas características en diferentes tareas de IM. El método propuesto se evalúa en los conjuntos de datos de 2 clases IVa y IIIa del Concurso BCI III y en el conjunto de datos de 4 clases IIa del Concurso BCI IV. Los resultados experimentales muestran que nuestro método ha conseguido un rendimiento superior al de otros algoritmos existentes y ha obtenido unas precisiones del 80,68%, 87,54% y 63,76 para todos los sujetos en los tres conjuntos de datos mencionados, respectivamente.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:clasificador no lineal elm, actividades neuronales relacionadas, datos eeg crudos, concurso bci iii, algoritmo de clasificación no lineal, iiia de bci, máquina de aprendizaje extremo, representación de características reconstruidas, información significativa suficiente, patrón espacial común
• Keywords:nonlinear classifier elm, related neural activities, raw eeg data, bci competition iii, nonlinear classification algorithm, iiia of bci, extreme learning machine, reconstructed features representation, sufficient significant information, common spatial pattern