Clasificación de señales EEG para aplicaciones BCI de imaginación motora-Reference-Cited by-同舟云学术

Clasificación de señales EEG para aplicaciones BCI de imaginación motora

Published:2024-09-02 Issue:45 Volume: Page:
ISSN:3045-4093
Container-title:Jornadas de Automática
language:
Short-container-title:JA-CEA

Author:

Omari Sara,Omari Adil^ORCID,Abderrahim Fichouche Mohamed^ORCID,Adu-Dakka Fares J.^ORCID

Abstract

La decodificación de señales EEG constituye la base de la mayoría de los estudios de interfaces cerebro-computadora. Una técnica prominente de preprocesamiento para estas señales implica el uso de matrices de covarianza. Este método ha ganado una amplia aplicación en los últimos años, particularmente en el procesamiento de señales EEG y el filtrado espacial para BCI de imaginación motora. Dado que las matrices de covarianza residen dentro de la variedad Riemanniana de matrices SPD, la aplicación de la geometría Riemanniana ha demostrado ser un enfoque robusto y de alto rendimiento. Con el fin de interpretar las señales cerebrales para aplicaciones futuras en robótica médica y sistemas de control, este artículo presenta un método que proyecta estas matrices de covarianza desde su espacio Riemanniano nativo a múltiples espacios tangentes, lo que permite el uso de clasificadores convencionales como la regresión logística y las máquinas de vectores de soporte. Nuestros resultados demuestran que este enfoque supera significativamente el método de proyección única.

Publisher

Universidade da Coruna

Reference17 articles.

1. Barachant, A., 2012. Commande robuste d’un effecteur par une interface cerveau machine eeg asynchrone. Ph.D. thesis, Université de Grenoble.

2. Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2010. Riemannian geometry applied to bci classification. In: International conference on latent variable analysis and signal separation. Springer, pp. 629–636. DOI: 10.1007/978-3-642-15995-478

3. Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2012. Bci signal classification using a riemannian-based kernel. In: ESANN 2012-20th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Michel Verleysen, pp. 97–102.

4. Barachant, A., Bonnet, S., Congedo, M., Jutten, C., 2013. Classification of covariance matrices using a riemannian-based kernel for bci applications. Neurocomputing 112, 172–178. DOI: 10.1016/j.neucom.2012.12.039

5. Brunner, C., Leeb, R., M ̈uller-Putz, G., Schl ̈ogl, A., Pfurtscheller, G., 2008. Bci competition 2008–graz data set a. Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces), Graz University of Technology 16, 1–6. DOI: 10.21227/katb-zv89