Resumen

En el sistema de interfaz cerebro-ordenador de imágenes motoras, las matrices de covarianza espacial de las señales EEG, que contienen información discriminativa importante, se han utilizado para mejorar el rendimiento de descodificación de las imágenes motoras. Sin embargo, las matrices de covarianza a menudo sufren el problema de la alta dimensionalidad, que conduce a un alto coste computacional y al sobreajuste. Estos problemas limitan directamente la capacidad de aplicación y la eficiencia de trabajo del sistema BCI. Para mejorar estos problemas y mejorar el rendimiento del sistema BCI, en este estudio proponemos un nuevo modelo de incrustación de grafos semisupervisado que preserva la localidad para aprender una incrustación de baja dimensionalidad. Este enfoque permite una incrustación de baja dimensión para capturar más información discriminante para la clasificación mediante la incorporación eficiente de la información de los datos de prueba y entrenamiento en un gráfico Riemannian. Además, obtenemos un algoritmo de clasificación eficiente utilizando un clasificador de máquina de aprendizaje extremo (ELM) desarrollado en el espacio tangente de una incrustación aprendida. Los resultados experimentales muestran que nuestro enfoque propuesto logra un mayor rendimiento de clasificación que los métodos de referencia en varios conjuntos de datos, incluyendo el conjunto de datos BCI Competition IIa y conjuntos de datos BCI internos.

• Materias:Control del proceso Sistemas no lineales Regulación automática Instrumentación automática Optimización de procesos
• Subjects: Nonlinear systems Automatic regulation Automatic instrumentation Process optimization
• Palabras claves:sistema bci, incrustación dimensional, conjunto de datos de la competición bci iia, sistema de interfaz cerebro-ordenador de imágenes motoras, algoritmo de clasificación eficiente, máquina de aprendizaje extremo, alto coste computacional, mayor rendimiento de clasificación, conjuntos de datos bci domésticos, información discriminativa importante
• Keywords:bci system, dimensional embedding, bci competition iia dataset, motor imagery brain computer interface system, efficient classification algorithm, extreme learning machine, high computational cost, higher classification performance, house bci datasets, important discriminative information