Clasificación de dos tareas mentales haciendo uso mapas autoorganizativos de kohonen (SOM)
DOI:
https://doi.org/10.24039/cv20164166Resumen
En este trabajo se llevó a cabo la clasificación de patrones correspondientes a dos tareas mentales, obtenidos mediante un sistema BCI (Brain Computer Interface). Para ello se utilizó el paradigma neuronal de los Mapas Autorganizativos de Kohonen (SOM, por Self-Organizing Maps). Los patrones utilizados en cada clasificador se obtuvieron mediante la aplicación de la Transformada Rápida de Fourier a las señales EEG directamente proporcionadas por el sistema BCI. En una primera fase, las capturas de los patrones se realizaron a lo largo de ocho segundos, pero una red SOM es implementada y entrenada de manera independiente para cada segundo. La SOM con el mejor rendimiento se usó en la segunda fase (fase de trabajo), para clasificar todos los segundos. Los resultados obtenidos en las pruebas de validación proporcionan un porcentaje de error entre 3.75%, (para los segundos 5° y 6°), y 11.25% para el 8°. Estos errores son menores o similares a los resultados obtenidos en otros trabajos de referencia.
Palabras claves: Interfaz Cerebro Computadora BCI, Mapas Autorganizativos de Kohonen, Fast Fourier Transform FFT, electroencefalograma EEG, Clasificación de tareas mentales.
Descargas
Citas
Abdul-Bary, R. S., & Abdul-Hameed, T. (2013). Features extraction techniques of EEG signal for bci applications. College of Electronics Engineering, University of Mosul, Iraq.
Bueno, L., & Pons, J. (2007). Un sistema de interfaz cerebro ordenador basado en redes neuronales auto-organizadas. XXVIII Jornadas de Automática.
García-Lagos, F. (2003). Redes neuronales artificiales para la gestión de sistemas de energía eléctrica (Tesis doctoral). Universidad de Málaga, Málaga.
Joya, G., García-Lagos, F., & Sandoval, F. (2010). Contingency evaluation and monitorization using artificial neural networks. Neural Computing and Applications, 19(1), 39-150.
Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9), 1464-1480.
Marín, F. J., García-Lagos, F., Joya, G., & Sandoval, F. (2002). Global model for short-term load forecasting using artificial neural networks. EE Proceedings - Generation, Transmission and Distribution, 149(2), 121-125.
Medrano-Marqués, N. J., & Martín-del-Brío, B. (June, 1999). Topology Preservation in SOFM: An Euclidean versus Manhattan Distance Comparison. Proceding of the International Work-Conference on Artificial and Natural Neural Networks, IWANN’99, Alicante, Spain, 1, 601-609.
Pascau, J., Desco, M., Rojo, P., Santos, A., Lopez, J., & Pozo, M. A. (2000). Spatial localisation of EEG dipoles in MRI using the 10-20 International System anatomical references. Proceedings of the First International Workshop on Image and Signal Processing and Analysis IWISPA, Pula, Croatia, 151-156. doi:10.1109/ISPA.2000.914906
Ron Angevin, R. (2005). Retroalimentación en el entrenamiento de una interfaz cerebro-computadora usando técnicas basadas en realidad virtual (Tesis doctoral). Universidad de Málaga, Málaga.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2017 Wilber Diaz Sotelo, Gonzalo Joya, Ricardo Ron, Francisco García-Lagos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todos los documentos se publican bajo Licencia de Creative Commons Reconocimiento 4.0 Internacional.
Los autores conservan los derechos de autor y ceden a la revista el derecho de primera publicación, con el trabajo registrado con la Licencia de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo, y a la primera publicación en esta revista.