Resumen

El patrón espacial común (CSP) y otros métodos de extracción de características espaciales se han convertido en los enfoques más eficaces y exitosos para resolver el problema del reconocimiento de patrones de electroencefalografía de imágenes motoras (MI-EEG) a partir de la actividad neuronal multicanal en los últimos años. Sin embargo, estos métodos necesitan una gran cantidad de preprocesamiento y postprocesamiento, como el filtrado, la degradación y la fusión de características espacio-espectrales, que influyen fácilmente en la precisión de la clasificación. En este trabajo, utilizamos sistemas dinámicos lineales (LDSs) para la extracción y clasificación de las señales EEG. El modelo LDS tiene muchas ventajas, como la generación simultánea de matrices de características espaciales y temporales, la ausencia de preprocesamiento o postprocesamiento y el bajo coste. Además, se introduce un enfoque de descomposición matricial de bajo rango para eliminar el ruido y el componente de estado de reposo con el fin de mejorar la robustez del sistema. A continuación, proponemos un algoritmo de LDSs de bajo rango para descomponer el subespacio de características de LDSs en Grassmannian finito y obtener un mejor rendimiento. Se llevan a cabo amplios experimentos con el conjunto de datos públicos "BCI Competition III Dataset IVa" y "BCI Competition IV Database 2a". Los resultados muestran que los tres métodos propuestos ofrecen una mayor precisión en comparación con los enfoques predominantes, como CSP y CSSP.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:competencia bci iv, mucha ventaja, conjunto de datos de la competencia iii, conjunto de datos de la competencia iii iva, enfoque de descomposición matricial, base de datos de la competencia iv, sistema dinámico lineal, fusión de características espaciales, métodos de extracción de características
• Keywords:bci competition iv, lot of advantage, competition iii dataset, iii dataset iva, bci competition iii, matrix decomposition approach, competition iv database, linear dynamical system, spatiospectral features fusion, features extraction methods