Resumen

Las interfaces cerebro-ordenador (BCI) basadas en imágenes tienen como objetivo descodificar diferentes actividades neuronales en señales de control identificando y clasificando varios comandos naturales a partir de patrones de electroencefalograma (EEG) y, a continuación, controlar los equipos correspondientes. Sin embargo, varios algoritmos tradicionales de reconocimiento de BCI tienen el problema de "una persona, un modelo", donde la convergencia del proceso de entrenamiento del modelo de reconocimiento es complicada. En este estudio, se propone un nuevo modelo de BCI con un algoritmo de memoria densa a corto plazo (Dense-LSTM), que combina la desincronización relacionada con eventos (ERD) y la sincronización relacionada con eventos (ERS) de la BCI basada en imágenes; el entrenamiento y la prueba del modelo se realizaron con su propio conjunto de datos. Además, se construyó una nueva plataforma experimental para decodificar la actividad neuronal de diferentes sujetos en estado estático. La evaluación experimental del algoritmo de reconocimiento propuesto presenta una precisión del 91,56%, que resuelve el problema de "una persona un modelo" junto con la dificultad de convergencia en el proceso de entrenamiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:proceso de entrenamiento, diferentes actividades neuronales, reconocimiento de bci tradicional, nuevo modelo de bci, nueva plataforma experimental, dificultad de convergencia, algoritmo de reconocimiento de bci, algoritmo de reconocimiento propuesto, varios bci tradicionales, varios comandos naturales
• Keywords:training process, different neural activities, traditional bci recognition, new bci model, new experimental platform, difficulty of convergence, bci recognition algorithm, proposed recognition algorithm, several traditional bci, various natural command