Resumen

Las señales del electroencefalograma (EEG) de las imágenes motoras se aplican ampliamente en la interfaz cerebro-ordenador (BCI). Sin embargo, los estados de MI clasificados son limitados, y sus índices de precisión de clasificación son bajos debido a las características de no linealidad y no estacionariedad. Este estudio propone un novedoso sistema de reconocimiento de patrones de IM que se basa en complejos algoritmos para clasificar las señales de EEG de IM. En el preprocesamiento de artefactos del electrooculograma (EOG), se realiza un filtrado de paso de banda para obtener la banda de frecuencias de las señales relacionadas con el IM y, a continuación, se utiliza el análisis de correlación canónica (CCA) combinado con el umbral de eliminación de ondas (WTD) para el preprocesamiento de artefactos del EOG. Proponemos un algoritmo de patrón espacial común regularizado (R-CSP) para la extracción de características del EEG incorporando el principio de aprendizaje genérico. Se utiliza un nuevo clasificador que combina los enfoques del vecino más cercano (KNN) y de la máquina de vectores de apoyo (SVM) para clasificar cuatro estados anisómeros, a saber, los movimientos imaginarios con la mano izquierda, el pie derecho y el hombro derecho y el estado de reposo. La tasa de precisión de clasificación más alta es del 92,5%, y la tasa de precisión de clasificación media es del 87%. El método de identificación del algoritmo complejo propuesto puede mejorar significativamente la tasa de identificación de las muestras minoritarias y el rendimiento general de la clasificación.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:tasa de precisión de la clasificación, preprocesamiento de artefactos, estado clasificado de mi, sistema de reconocimiento de patrones, rendimiento global de la clasificación, banda de mi, características de la no linealidad, métodos de identificación de algoritmos, extracción de características de eeg, reconocimiento de patrones de mi
• Keywords:classification accuracy rate, artifacts preprocessing, classifieds mi state, pattern recognition system, overall classification performance, band of mi, characteristics of nonlinearity, algorithm identification methods, eeg features extraction, mi pattern recognition