Resumen

Este estudio sugiere un nuevo enfoque para la clasificación de datos de EEG explorando la idea de utilizar la computación evolutiva tanto para seleccionar características útiles discriminativas de EEG como para optimizar la topología de las Redes Neuronales Artificiales. Se aplica un algoritmo evolutivo para seleccionar las características más informativas de un conjunto inicial de 2550 características estadísticas de EEG. La optimización de un Perceptrón Multicapa (MLP) se realiza con un enfoque evolutivo antes de la clasificación para estimar los mejores hiperparámetros de la red. También se exploran el aprendizaje profundo y el ajuste con Memoria a Corto Plazo y Largo Plazo (LSTM), y se prueba el Reforzamiento Adaptativo de los dos tipos de modelos para cada problema. Se proporcionan tres experimentos para la comparación utilizando diferentes clasificadores: uno para la clasificación del estado de atención, otro para la clasificación del sentimiento emocional y un tercer experimento en el que el objetivo es adivinar el número en el que está pensando un sujeto. Los resultados obtenidos muestran que

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Computación evolutiva; Clasificación de datos de EEG; Redes Neuronales Artificiales; Perceptrón Multicapa; Memoria a Corto y Largo Plazo; Boosting Adaptativo
• Keywords:Evolutionary computation; EEG data classification; Artificial Neural Networks; Multilayer Perceptron; Long Short-Term Memory; Adaptive Boosting