Resumen

La espectroscopia de infrarrojo cercano funcional (fNIRS) es una de las últimas técnicas no invasivas de medición de las funciones cerebrales que se ha utilizado con fines de interfaz cerebro-ordenador (BCI). En este artículo, comparamos y analizamos el efecto de las seis técnicas de filtrado más utilizadas (es decir, Gaussian, Butterworth, Kalman, filtro de respuesta hemodinámica (hrf), Wiener y respuesta de impulso finito) en las precisiones de clasificación de fNIRS-BCI. Para concluir con el mejor filtro óptimo para una tarea cortical específica debido a una región cortical específica, dividimos nuestras tareas experimentales según las tres regiones corticales principales: prefrontal, motora y corteza visual. Se realizaron tres experimentos diferentes para las tareas de ejecución prefrontal y motora, y uno para los estímulos visuales. Las tareas prefrontales incluyen reposo (R) frente a cálculo mental (MA), R frente a rotación de objetos (OB) y OB frente a MA. Del mismo modo, para la ejecución motora, R vs golpeteo con el dedo izquierdo (LFT), R vs golpeteo con el dedo derecho (RFT), y LFT vs RFT. Asimismo, para la corteza visual, tarea R frente a estímulos visuales (VS). Estos experimentos se realizaron durante diez ensayos con cinco sujetos. Para mantener la coherencia entre los datos extraídos, se evaluaron seis características estadísticas utilizando hemoglobina oxigenada, a saber, pendiente, media, pico, curtosis, asimetría y varianza. La combinación de estas seis características se utilizó para clasificar los datos mediante la máquina de vectores de soporte no lineal (SVM). Las precisiones de clasificación obtenidas de SVM utilizando hrf y Gaussian fueron significativamente mayores para R vs MA, R vs OB, R vs RFT, y R vs VS y filtro de Wiener para OB vs MA. Del mismo modo, para R vs LFT y LFT vs RFT, hrf resultó ser significativo p<0,05. Estos resultados demuestran la viabilidad del uso de hrf para la eliminación eficaz de ruidos de los datos fNIRS.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:R, LFT, MA, OB, RFT, hrf, precisiones de clasificación, corteza visual, estímulos visuales, última función cerebral no invasiva
• Keywords:R, LFT, MA, OB, RFT, hrf, classification accuracies, visual cortex, visual stimuli, latest noninvasive brain function