Resumen

Antecedentes. Debido a la información redundante que contienen las señales de electroencefalograma (EEG) multicanal, la precisión de clasificación de los sistemas de interfaz cerebro-ordenador (BCI) puede deteriorarse en gran medida. Los métodos de selección de canales pueden ayudar a eliminar las señales de electroencefalograma (EEG) independientes de la tarea y, por tanto, mejorar el rendimiento de los sistemas BCI. Sin embargo, en las diferentes bandas de frecuencia, las áreas cerebrales asociadas a las imágenes motoras no son exactamente las mismas, lo que provocará la incapacidad de los métodos tradicionales de selección de canales para extraer características efectivas del EEG. Nuevo método. Para abordar el problema anterior, este trabajo propone un nuevo método basado en la selección de canales de rango de patrón espacial común (CSP) para EEG de banda multifrecuencia (CSP-R-MF). Combina el filtrado de descomposición de señales multibanda y los métodos de selección de canales de rango CSP para seleccionar los canales significativos, y luego se utilizó el análisis discriminante lineal (LDA) para calcular la precisión de la clasificación. Resultados. Los resultados mostraron que nuestro método CSP-R-MF propuesto podía mejorar significativamente la precisión media de la clasificación en comparación con el método de selección de canales de rango CSP.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:métodos de selección de canales, selección de canales de rango, exactitud de la clasificación, exactitud del cerebro, descomposición de la señal multibanda, banda de frecuencia diferente, características efectivas del eeg, análisis discriminante lineal, banda multifrecuencia del eeg, exactitud media de la clasificación
• Keywords:channel selection methods, rank channel selection, classification accuracy, accuracy of brain, multiband signal decomposition, different frequency band, effective eeg features, linear discriminant analysis, multifrequency band eeg, average classification accuracy