Clasificación Múltiple de Señales da Electroencefalograma, para Imaginación Motora, Utilizando Procesamiento Estadístico de Señales y Aprendizaje Profundo
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1107Palabras clave:
Procesamiento de Señales Asistido por Computador, Aprendizaje Profundo, ImaginaciónResumen
Objetivos: La clasificación de las señales del electroencefalograma (EEG) es la base para la construcción de sistemas con una interfaz cerebro-computadora. Su desarrollo se enfrenta a la complejidad de las señales EEG, que difieren de un sujeto a otro, haciendo compleja su clasificación. Por lo tanto, este trabajo tiene como objetivo comparar el desempeño de una red neuronal artificial utilizando diferentes técnicas de procesamiento de señales, en la clasificación de un estado de reposo y dos estados de imaginación en movimiento (MI). Métodos: Para este trabajo se utilizaron tres técnicas estadísticas de procesamiento de señales y una Red Neuronal Convolucional. La base de datos utilizada para la clasificación consiste en el registro de EEG de 109 voluntarios, puesto a disposición por Physionet. Resultado y Conclusión: Se observó que el Análisis de Componentes Principales redujo el costo computacional sin pérdida de rendimiento en precisión. Sin embargo, el Análisis de Componentes Independientes y el Análisis Espectral Singular no obtuvieron resultados prometedores.
Citas
Pfurtscheller G, Da Silva FL. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clinical neurophysiology. 1999 Nov 1;110(11):1842-57.
Pfurtscheller G, Müller GR, Pfurtscheller J, Gerner HJ, Rupp R. ‘Thought’–control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia. Neuroscience letters. 2003 Nov 6;351(1):33-6.
Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019 Apr 9;16(3):031001.
Kobayashi, T., Kuriki, S., Principal component elimination method for the improvement of S/N in evoked neuromagnetic field measurements. IEEE Transactions on Biomedical Engineering 46, 951-958.
Agarwal S, Zubair M. Classification of Alcoholic and Non-Alcoholic EEG Signals Based on Sliding-SSA and Independent Component Analysis. IEEE Sensors Journal. 2021 Oct 15;21(23):26198-206.
Hendrycks D, Gimpel K. Gaussian error linear units (gelus). arXiv preprint arXiv:1606.08415. 2016 Jun 27.
Congedo M, Barachant A, Bhatia R. Riemannian geometry for EEG-based brain-computer interfaces; a primer and a review. Brain-Computer Interfaces. 2017 Jul 3;4(3):155-74.
Goldberger AL, Amaral LA, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. circulation. 2000 Jun 13;101(23):e215-20.
Gramfort A, Luessi M, Larson E, Engemann DA, Strohmeier D, Brodbeck C, Goj R, Jas M, Brooks T, Parkkonen L, Hämäläinen M. MEG and EEG data analysis with MNE-Python. Frontiers in neuroscience. 2013:267.
Loboda A, Margineanu A, Rotariu G, Lazar AM. Discrimination of EEG-based motor imagery tasks by means of a simple phase information method. International Journal of Advanced Research in Artificial Intelligence. 2014 Oct;3(10)..
Tangermann M, Müller KR, Aertsen A, Birbaumer N, Braun C, Brunner C, Leeb R, Mehring C, Miller KJ, Mueller-Putz G, Nolte G. Review of the BCI competition IV. Frontiers in neuroscience. 2012:55.
Pion-Tonachini L, Kreutz-Delgado K, Makeig S. The ICLabel dataset of electroencephalographic (EEG) independent component (IC) features. Data in brief. 2019 Aug 1;25:104101.
Pion-Tonachini L, Makeig S, Kreutz-Delgado K. Crowd labeling latent Dirichlet allocation. Knowledge and information systems. 2017 Dec;53(3):749-65.
SCCN. (n.d.). SCCN: Independent Component Labeling. Retrieved September 10, 2022, from https://labeling.ucsd.edu/tutorial/labels
Kai Ming Ting. 2011. Encyclopedia of machine learning. Springer. ISBN 978–0–387–30164–8.
Kim TK. Understanding one-way ANOVA using conceptual figures. Korean journal of anesthesiology. 2017 Feb 1;70(1):22-6.
Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces. Journal of neural engineering. 2018 Jul 27;15(5):056013.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 William Henrique Pereira Costa
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
