Resumen

La extracción de características del electroencefalograma de imágenes motoras (MI-EEG) ha mostrado buenas perspectivas de aplicación en el campo de la salud médica. Además, los métodos de extracción de características basados en la entropía multivariante se han aplicado gradualmente para analizar señales biomédicas complejas multicanal, como el EEG y la electromiografía. En comparación con las entropías multivariantes tradicionales, la entropía difusa multivariante refinada (RCmvMFE) supera el defecto de los valores de entropía inestables causados por el aumento del factor de escala y es beneficiosa para obtener una información de características más rica. Sin embargo, el proceso de grano grueso de RCmvMFE está filtrado por la media, lo que debilita el ruido gaussiano y es impotente frente a la interferencia del ruido impulsivo aleatorio. Esto produce una información de características de baja calidad y una clasificación de baja precisión. En este trabajo, se mejora la RCmvMFE (IRCmvMFE) utilizando filtros compuestos en el procedimiento de grano grueso para mejorar el rendimiento del filtro. Se emplean filtros de mediana para eliminar las interferencias de ruido de impulso de las señales MI-EEG multicanal, y estos MI-EEG filtrados se suavizan aún más con los filtros de media. Los IRCmvMFE multiescala se calculan para todos los canales de los MI-EEG filtrados compuestos, formando un vector de características, y se utiliza una máquina de vectores de apoyo para la clasificación de patrones. Sobre la base de dos conjuntos de datos públicos con diferentes tareas de imágenes motoras, los resultados de reconocimiento de la validación cruzada de 10 × 10 veces alcanzaron el 99,43 y 99,86%, respectivamente, y se completó el análisis estadístico de los resultados experimentales, mostrando también la eficacia del IRCmvMFE. El método de extracción de características basado en el IRCmvMFE propuesto es superior a los métodos basados en la entropía y a los tradicionales.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:métodos de extracción de características, interferencia de ruido de impulsos, eeg, mi filtrado compuesto, extracción de características basada, multiescala compuesta, aumento de los factores de escala, extracción de motor, información de características más rica, eficacia de ircmvmfe
• Keywords:features extraction methods, impulse noise interference, eeg, composite filtered mi, based features extraction, composite multivariate multiscale, scale factors increase, extraction of motor, richer features information, effectiveness of ircmvmfe