En la interfaz cerebro-ordenador (BCI), la extracción de características es la clave para la precisión del reconocimiento. Hay una importante información estructural local en las señales de EEG, que es eficaz para la clasificación; y esta localidad de las características de EEG no sólo existe en la posición del canal espacial, sino que también existe en el dominio de la frecuencia. Para retener suficiente estructura espacial e información de frecuencia, utilizamos patrones espaciales comunes de un banco de filtros versus reposo (OVR-FBCSP) para preprocesar los datos y extraer características preliminares. Sobre esta base, realizamos una investigación y un debate sobre los métodos de extracción de características. Los métodos de extracción de características unidimensionales, como el análisis discriminante lineal (LDA), pueden destruir este tipo de información estructural. Los métodos tradicionales de aprendizaje múltiple o los métodos de extracción de características bidimensionales no pueden extraer ambos tipos de información al mismo tiempo. Introducimos la estructura bilineal y el modelo gaussiano matricial en el algoritmo de proyección discriminante bidimensional que preserva la localidad (2DDLPP) y descomponemos las señales de EEG en partes espaciales y espectrales. A continuación, se seleccionaron las características más discriminativas mediante un método de cálculo de pesos. Probamos el método en los conjuntos de datos de la competición BCI 2a, los conjuntos de datos IIIa y los conjuntos de datos recogidos por nuestro laboratorio, y los resultados se expresaron en términos de precisión de reconocimiento. Los resultados de la validación cruzada fueron del 75,69%, 70,46% y 54,49%, respectivamente. La precisión media de reconocimiento del nuevo método mejora en un 7,14%, 7,38%, 4,86% y 3,8 en comparación con los métodos LDA, análisis lineal discriminante bidimensional (2DLDA), proyecciones discriminantes de propiedades de localidad (DLPP) y 2DDLP, respectivamente. Por lo tanto, consideramos que el método propuesto es eficaz para la clasificación del EEG.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Células MC3T3-E1 sobre superficies de titanio con suavidad nanométrica e inmovilización de fibronectina
Artículo:
Análisis de diferentes posiciones de retenedores de materiales compuestos reforzados con fibra frente a retenedores de alambre multitrenzado mediante el método de elementos finitos
Artículo:
Efecto del extracto de semilla de okra (Abelmoschus esculentus (L.) Moench) sobre líneas celulares de cáncer humano administrado en su forma nativa y cargado en micelas poliméricas
Artículo:
Control de seguimiento robusto del sistema Euler-Lagrange basado en la función de barrera de Lyapunov y en redes neuronales autoestructurantes
Artículo:
Investigación sobre servicios sanitarios inteligentes: Basada en el Diseño de la Plataforma de Servicios Sanitarios APP
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Guía:
Manual de operaciones de destilación