Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Espectro de potencia
La Transformada rápida de Fourier se utilizó con la ventana de Hanning para calcular el espectro de potencia del EEG preprocesado
para una longitud de estímulo de 3 segundos. El espectro contenía los armónicos primero y segundo (el armónico n- ésimo = n × la
frecuencia de estimulación) de las frecuencias parpadeantes. El espectro de frecuencia incluyó bandas delta (1–3 Hz), theta (4–7 Hz),
alfa (8–13 Hz) y beta (14–30 Hz). La potencia relativa se calculó como la relación de la suma de la potencia en una banda específica
(por ejemplo, delta) sobre la suma de la potencia en el amplio espectro (1–30 Hz).
Extracción de características
El análisis de correlación canónica (CCA) se utilizó para generar características para la clasificación. Para la implementación detallada
del método ver [ 18 ]. Brevemente, generamos datos compuestos de funciones seno y coseno que tienen las mismas longitudes que los
datos EEG segmentados. Luego se calcularon las correlaciones canónicas entre el EEG y los segmentos seno y coseno. Las
frecuencias de las funciones seno y coseno correspondían al primer y segundo armónicos de las frecuencias de estimulación. Por lo
tanto, se calcularon dos valores de correlación canónica para cada una de las cuatro frecuencias de estimulación y sus segundos
armónicos. Estos dieciséis (8 × 2) valores de correlación se utilizaron como características para la clasificación.
Clasificación
El árbol de decisión, los clasificadores Naïve Bayes y K-Nearest Neighbour se utilizaron para evaluar el rendimiento de la
clasificación BCI utilizando las características generadas por CCA. Estos clasificadores se usaron en diseños de BCI basados en
SSVEP anteriores en la literatura: K-NN [ 19 ], Naïve Bayes [ 20 ] y Decision Tree [ 21] Los tres clasificadores se implementaron con
la Caja de herramientas de estadísticas de Matlab. La precisión de la clasificación fuera de línea se calculó para diferentes longitudes
(1s, 2s y 3s) de los estímulos utilizando el enfoque de dejar uno afuera. Antes de la clasificación en línea, los clasificadores fueron
entrenados utilizando todos los datos en la tarea fuera de línea. Los tres clasificadores se utilizaron en la clasificación en línea. Sin
embargo, como cada clasificador generó resultados de clasificación diferentes, solo uno de ellos (predicción del clasificador Naïve
Bayes) se presentó al sujeto para evitar confusiones. Aquí, la decisión de usar el clasificador Naïve Bayes entre otros se basó en su
popularidad en la investigación de BCI. Es importante destacar que, al seleccionar el clasificador por adelantado, no sabíamos acerca
de los resultados finales de la precisión de clasificación entre todos los clasificadores, que solo fue posible evaluar al completar todos
los experimentos en línea. La clasificación en línea se realizó para la duración del estímulo de 3 segundos.
análisis estadístico
Se utilizó el análisis de varianza de medidas repetidas bidireccionales (ANOVA) para investigar las diferencias en el rendimiento
medio de los sujetos según el clasificador y los factores de duración del estímulo para la tarea fuera de línea, y según el clasificador y
los factores de perturbación para la tarea en línea. Las diferencias entre los clasificadores en la tarea fuera de línea y las diferencias
entre las condiciones en la tarea en línea entre los sujetos se evaluaron mediante una prueba t de muestras pareadas con corrección de
tasa de descubrimiento falso (FDR) [ 22] Se calcularon las correlaciones entre la potencia relativa durante la presentación de estímulos
y el rendimiento entre los sujetos para las bandas delta, theta, alfa (alfa bajo: 8-10 Hz, alfa alto: 10-13 Hz) y beta con coeficiente de
correlación de Pearson y se estimó la importancia. utilizando estadísticas de permutación basadas en grupos, que tienen en cuenta la
proximidad espacial de los electrodos con efectos significativos [ 23 ]. Las diferencias en la duración de los experimentos y el poder
de las oscilaciones en diferentes bandas de frecuencia entre las condiciones en línea entre los sujetos se evaluaron mediante el análisis
de varianza unidireccional (ANOVA).
Resultados
Clasificación fuera de línea
En la Fig. 3 , se dan precisiones medias (%) con errores estándar para diferentes longitudes de estímulo de 1 a 3 segundos en la parte
fuera de línea del experimento.
En la Fig. 3 , cuando la longitud del estímulo era corta (es decir, 1 s), la precisión del clasificador Naïve Bayes era mayor
que la precisión de los clasificadores K-NN y el Árbol de decisión (p <0.001 en cada caso). Sin embargo, no hubo
diferencias significativas entre el rendimiento de los clasificadores K-NN y el Árbol de decisión. Para la mayor longitud de
estímulo (es decir, 2 s), la precisión del clasificador Naïve Bayes fue aún mayor que la precisión de los clasificadores K-
NN (p <0.05) y el Árbol de decisión (p <0.01). Para esta longitud, la precisión de K-NN también fue superior al árbol de
decisión (p <0.01). Para la longitud de estímulo más larga (es decir, 3s), la precisión de K-NN fue mayor que la precisión
de los clasificadores Naïve Bayes (p <0.05) y el Árbol de decisión (p <0.01). Para esta longitud, el rendimiento de Naïve
Bayes fue aún superior al Árbol de decisión (p <0.05).
Las medidas repetidas ANOVA (ver Tabla 1 ) mostraron diferencias significativas en las precisiones medias en la tarea
fuera de línea dependiendo del clasificador, la duración de los estímulos y su interacción ( p <0.001 en cada caso).
Las precisiones de clasificación promedio entre los sujetos fueron> = 97% para todos los clasificadores (media ± DE; K-
NN: 99.54 ± 0.72, Naïve Bayes: 98.93 ± 1.69, Árbol de decisión: 96.62 ± 4.30) en condiciones fuera de línea cuando la
duración del estímulo fue de 3 s .
En la Fig. 4 , el espectro de potencia media de todos los sujetos y el espectro de potencia de un sujeto representativo
(Sujeto 18) se presentan dependiendo de la frecuencia de parpadeo (F) en la tarea fuera de línea.