Uso de características espectrales y temporales para clasificación de tareas mentales en señales de electroencefalografía
Cargando...
Archivos
Fecha
2017
Autores
Profesor/a Guía
Facultad/escuela
Idioma
es
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Andrés Bello
Nombre de Curso
Licencia CC
Licencia CC
Resumen
Este estudio busca validar un método de clasificación de tareas mentales a partir de la extracción de características de una señal de electroencefalografía, lo que permitiría su implementación en interfaz cerebro-computador (ICC).
Para esto se utilizará una base de datos propia obtenida a partir de los registros de un grupo de personas sanas, las cuales desarrollan tareas mentales contrapuestas. A cada señal se le extraerán un set de características, las que serán usadas para entrenar y validar un grupo de clasificadores, con el objetivo de reconocer una tarea de imaginería motora determinada.
El objetivo de este proyecto es desarrollar un método que permita identificar las tareas mentales a partir de trabajos de imaginería motora, obtenidos a partir del registro de electroencefalografía (EEG). En este estudio, se buscó determinar si el uso de las características seleccionadas de la señal de electroencefalograma permite una correcta clasificación con indicadores de especificidad, sensibilidad, valor predictivo positivo, valor predictivo negativo y precisión; y además se usaron tres clasificadores de distintos tipos para validar este procedimiento y para determinar cuál de ellos tenía un mejor desempeño frente a estas características específicas.
Las características seleccionadas en el dominio del tiempo fueron: Desviación estándar, varianza, media, moda, mediana, kurtosis, Skewness. En el dominio de la frecuencia se utilizaron la frecuencia máxima, frecuencia mediana, frecuencia media y fase. Los clasificadores utilizados para este estudio fueron del tipo Naive Bayes, SMO y Dagging. El método desarrollado mostró, dependiendo del clasificador, valores promedio altos de especificidad, sensibilidad y precisión. Para el clasificador Naive Bayes se obtuvieron valores promedio de Sensibilidad de 0,6; Especificidad 0,7 y Precisión 0,6. Para el clasificador SMO la Sensibilidad es de 0,8; la Especificidad de 0,8 y la Precisión de 0,7. Para el Clasificador Dagging el valor promedio de Sensibilidad fue de 0,7; el de Especificidad de 0,8 y el de Precisión de 0,7. Además al graficar la curva ROC se obtiene como resultado que el mejor clasificador para este tipo de características es el de tipo SMO.
En conclusión, el método desarrollado en este estudio fue capaz de diferenciar dos tareas mentales, por lo que podría ser usado en interfaz cerebro-computador. Además, los valores de sensibilidad, especificidad, valores predictivos positivos y negativos y la presición son valores óptimos en comparación al estado del arte, que presentan valores de presición cercanos al 70% en las distintas modalidades más utilizadas (Mohd Zaizu Ilyas, 2015). Y finalmente se pudo comprobar que el clasificador que mejor desempeño tiene frente a estas caracteristicas seleccionadas es el de tipo SMO.
Notas
Tesis (Magíster en Neurorehabilitación)
Palabras clave
Electroencefalografía, Técnica