Extracción y clasificación de características aplicados a señales electroencefalográficas en sistemas Brain Computer Interface basados en potenciales evocados P300

Abstract

Los sistemas Brain Computer Interface (BCI) permiten enviar mensajes y órdenes al mundo externo sin necesidad de realizar ninguna actividad muscular. Estos programas pueden habilitar a personas con discapacidades neuromusculares severas como la esclerosis lateral amiotrófica, ataque cerebral y lesiones de la médula espinal para comunicarse y utilizar programas y equipos de diversos tipos que mejoran su calidad de vida. Para conseguir este objetivo, se usan una serie de señales electroencefalográficas registradas en el cuero cabelludo en las cuáles está codificada la intención del usuario. En este estudio nos centramos en una de ellas: los potenciales evocados P300. El objetivo de este proyecto es el estudio de algoritmos de extracción y clasificación de características en BCI basados en potenciales evocados P300, con el propósito de determinar los parámetros óptimos de todos los métodos utilizados para obtener la máxima precisión en la clasificación. Como métodos de extracción de características se proponen un sub-muestreo y extracción de características mediante transformada wavelet. A su vez se desarrolla un algoritmo de eliminación y selección de canales. En cuanto a la clasificación de características, se utilizan tres métodos: discriminante lineal de Fisher (FLDA), Spectral Regression Kernel Discriminant Analysis (SRKDA) y un conjunto de máquinas de vectores de soporte (SVM). Estos métodos se prueban sobre el conjunto de datos II de la III Competición BCI proporcionados por el centro Wadsworth (NYS Department of Health), con y sin eliminación de canales. Los resultados se comparan con los del algoritmo ganador de esa competición, el cual consistía en un conjunto de 17 SVM con selección de canales y con otros métodos del estado del arte que usaron la misma base de datos, así como los resultados obtenidos en un estudio preliminar de métodos de clasificación de características. Los resultados muestran que dos de los métodos propuestos (FLDA y SRKDA), con sub-muestreo y aplicación de transformada wavelet adaptados a cada sujeto, obtienen una precisión (99.5 % y 99 %) mayor que la del método ganador (96.5 %). Comparados con otros métodos del estado del arte, estos dos algoritmos obtienen unos resultados excelentes que los colocan en primer y segundo puesto de la clasificación global.