Resumen

Debido a las características no lineales y de alta dimensión de la electroencefalografía de imágenes motoras (MI-EEG), puede ser un reto obtener una alta precisión en línea. Como método de reducción de la dimensión no lineal, el despliegue de la máxima varianza de referencia (L-MVU) puede retener completamente las características no lineales de la MI-EEG. Sin embargo, L-MVU sigue requiriendo considerables costes de cálculo para los datos fuera de muestra. En este trabajo se propone una versión incremental de L-MVU (denominada IL-MVU). La representación de baja dimensión de los datos de entrenamiento es generada por L-MVU. Para cada dato fuera de la muestra, se encontrarán sus vecinos más cercanos en las muestras de entrenamiento de alta dimensión y se calculará la correspondiente matriz de pesos de reconstrucción para generar también su representación de baja dimensión. IL-MVU se combina además con la transformada wavelet compleja de doble árbol (DTCWT), que desarrolla un método híbrido de extracción de características (denominado IL-MD). IL-MVU se aplica para extraer las características no lineales de las señales de subbanda específicas, que se reconstruyen mediante DTCWT y presentan el evidente fenómeno de sincronización/desincronización relacionada con eventos. Las características de energía media de las ondas α y β se calculan simultáneamente. Los dos tipos de características se fusionan y se evalúan mediante un clasificador de análisis discriminante lineal. Se han realizado experimentos exhaustivos a partir de dos conjuntos de datos públicos con 12 sujetos. Las precisiones medias de reconocimiento de la validación cruzada de 10 veces son del 92,50% en el conjunto de datos 3b y del 88,13% en el conjunto de datos 2b, y obtienen al menos un 1,43 y 3,45%, respectivamente, en comparación con los métodos existentes. Los resultados experimentales muestran que IL-MD puede extraer características más precisas con un coste de consumo relativamente menor, y también tiene una mejor visualización de las características y características autoadaptativas a los sujetos. Los resultados de la prueba t y los valores Kappa sugieren que el método de extracción de características propuesto alcanza la significación estadística y tiene una alta consistencia en la clasificación.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:mvu, métodos de extracción de características, il, características no lineales, representación dimensional, datos de muestra, matriz de peso de reconstrucción, características de energía media, electroencefalografía de imágenes motoras, métodos de reducción de dimensiones
• Keywords:mvu, features extraction methods, il, nonlinear features, dimensional representation, sample data, reconstruction weight matrix, average energy features, motor imagery electroencephalography, dimensions reduction methods