Resumen

En el estudio del sistema de interfaz cerebro-ordenador (BCI), las señales del electroencefalograma (EEG) inducidas por diferentes movimientos de la misma articulación son difíciles de distinguir. Este trabajo propone un esquema novedoso que combina la información de amplitud-frecuencia (AF) de la función de modo intrínseco (IMF) con el patrón espacial común (CSP), a saber, AF-CSP para extraer las características de las imágenes motoras (MI), y para mejorar el rendimiento de la clasificación, se utiliza el algoritmo evolutivo de ordenación no dominante de segunda generación (NSGA-II) para afinar los hiperparámetros de la máquina de vectores de soporte gemelos lineales y no lineales (OVO TWSVM). Este modelo se compara con la máquina de vectores de soporte de mínimos cuadrados (LS-SVM), la propagación hacia atrás (BP), la máquina de aprendizaje extremo (ELM), la máquina de vectores de soporte de optimización de enjambre de partículas (PSO-SVM) y la búsqueda de cuadrícula OVO TWSVM (GS OVO TWSVM) en nuestro conjunto de datos; la precisión de reconocimiento aumentó en un 5,92%, 22,44%, 22,65%, 8,69% y 5,75%. El método propuesto ha ayudado a conseguir una mayor precisión en los sistemas BCI.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:máquina de vectores de apoyo, función de modo intrínseco, interfaz cerebro-ordenador, search ovo twsvm, máquina de aprendizaje extremo, g ovo twsvm, patrón espacial común, grid search ovo, mínimos cuadrados, movimiento diferente
• Keywords:support vector machine, intrinsic mode function, brain computer interface, search ovo twsvm, extreme learning machine, g ovo twsvm, common spatial pattern, grid search ovo, least square, different movement