Determinar la eficiencia de algoritmos de clasificación para analizar señales de electroencefalogramas de movimiento imaginario y proponer un prototipo de software interactivo cerebro computador

• Autor: Quispe Onofre, Carlos Ramon
• Formato: tesis de maestría
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/4633
• Enlace del recurso: http://hdl.handle.net/20.500.12918/4633
• Nivel de acceso: acceso abierto
• Materia: Brain computer Interface (BCI); Electroencefalograma; Transformada Discreta de Wavelet; J48; Naive Bayes; http://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo busca determinar la eficiencia de algoritmos de clasificación para analizar señales de electroencefalogramas de movimiento imaginario. Para este objetivo se compararon los resultados de exactitud de los algoritmos de clasificación J48, Naive Bayes, Secuencia Mínima óptima (SMO) y el análisis lineal discriminante (LDA) por ser estos los más utilizados en las diferentes investigaciones consultadas. Los métodos para clasificar señales de electroencefalogramas son: Adquisición de datos, pre procesamiento de datos, extracción de características, selección de características y la clasificación propiamente dicha. El conjunto de datos se obtuvo del III BCI Competition, que es un conjunto de datos públicos sobre electroencefalogramas de movimiento imaginario hacia la derecha y hacia la izquierda. Para el pre procesamiento se determinó que el tiempo de intensión de movimiento debe de estar entre el segundo 4 a 7 y que solo se utilizarían los electrodos C3 y C4, ya que los resultados con Cz no son significativos. Para la extracción de características se utilizó la transformada discreta de wavelet; que permitió descomponer la señal de los electroencefalogramas dentro de los rangos de las ondas alfa y beta, que son las encargadas de la intensión motora en el cerebro. En la selección de características se consideró tres estadísticos como son: potencia promedio, valor medio absoluto, varianza, junto con sus combinaciones; Cada una de estas fue clasificada mediante los algoritmos J48, Naive Bayes, SMO y LDA. De los algoritmos seleccionados el que tuvo mejor eficiencia fue el LDA con un 88.57%, seguido del SMO con un 87.86%. También se obtuvo un 0.7143 de concordancia en el estadístico Kappa.