Clasificación de Señales de Intención Motora en Electroencefalograma (EEG) utilizando Aprendizaje Automático

Abstract

Una de las técnicas de procesamiento más exitosas aplicadas en la detección de patrones en señales de electroencefalograma se conoce como Patrones Espaciales Comunes (Common Spatial Pattern, CSP), y busca obtener filtros espaciales que maximicen las diferencias entre las diferentes clases de pensamiento motor en función de su varianza. Desafortunadamente, esta técnica es sensible a la presencia de ruido en las señales y las variaciones en el comportamiento de la señal entre individuos diferentes. De igual manera, las variaciones presentes en las señales de un mismo individuo cuando son adquiridas en diferentes días, también representan un desafío que afecta a los sistemas de reconocimiento basados en CSP. En este trabajo de investigación, se propusieron dos marcos de trabajo para la clasificación de señales de intención motora basados en CSP con el objetivo de aumentar el rendimiento de métodos clásicos de aprendizaje automático. El primero, llamado OFB-CSP-FS, incorpora un banco de filtros IIR pasa-banda con solapamiento en frecuencia. Por otro lado, el segundo marco de trabajo, llamado WPD-CSP-FS, emplea la Descomposición de Paquetes de Ondas (Wavelet Packet Decomposition, WPD). En cada propuesta se realizan pruebas exhaustivas combinando características basadas en el logaritmo de la varianza y el logaritmo de su potencia promedio, junto con algoritmos de selección de características basados en la información mutua o cálculo del valor laplaciano. Finalmente, para cada una de las combinaciones planteadas, se evaluaron tres clasificadores clásicos: Máquina de Vectores de Soporte, K Vecinos más Cercanos y Análisis Discriminante Lineal, sometiéndolos a prueba con las bases de datos de la BCI Competition IV dataset 2a y dataset 2b. Los resultados demuestran que OFB-CSP-FS es la mejor propuesta y logra mejorar el rendimiento de los sistemas de reconocimiento reportados en la literatura que implementan CSP con técnicas clásicas de aprendizaje automático para el mismo caso de estudio.