Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte
Un tipo de interfaces cerebro-computadora (BCI) son los sistemas que interpretan patrones de actividad cerebral para facilitar a personas con discapacidad motora o del habla, la comunicación o el control de dispositivos. Una forma de comunicación exitosa han sido los deletreadores basados en potenc...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad de Guadalajara
2019-05-01
|
| Series: | ReCIBE |
| Subjects: | |
| Online Access: | http://recibe.cucei.udg.mx/revista/vol8-no1/electronica01.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850116475265744896 |
|---|---|
| author | Alma Delia Corral Sáenz Raúl Rangel González Mario Ignacio Chacón Murguía |
| author_facet | Alma Delia Corral Sáenz Raúl Rangel González Mario Ignacio Chacón Murguía |
| author_sort | Alma Delia Corral Sáenz |
| collection | DOAJ |
| description | Un tipo de interfaces cerebro-computadora (BCI) son los sistemas
que interpretan patrones de actividad cerebral para facilitar a personas con discapacidad motora o del habla, la comunicación o el control de dispositivos. Una forma de comunicación exitosa han sido los deletreadores basados en potenciales evocados de estado estable (SSVEP por sus siglas en inglés) que parten de la generación de estímulos visuales para provocar determinada actividad cerebral, registrarla e interpretarla mediante algoritmos de clasificación. Dentro de estos sistemas falta realizar un análisis para determinar un clasificador que tenga una relación tiempo de procesamiento y desempeño eficientes para aplicaciones en entornos controlados. En este trabajo se parte de la generación y registro de señales SSVEP, para realizar un análisis de desempeño de los clasificadores de árbol simple ST, y de máquinas de vectores de soporte SVM, los cuales son algoritmos de baja complejidad computacional encontrados en los métodos de análisis de SSVEP. De acuerdo a los resultados obtenidos, el porcentaje promedio de acierto del ST para una señal de 10 s fue de 84.58% para el canal O1 y un 78.75% para el O2; mientras que el del SVM fue 78.33%. |
| format | Article |
| id | doaj-art-5f5ea5b7c8e042cab2ec9e211c6ebd64 |
| institution | OA Journals |
| issn | 2007-5448 |
| language | English |
| publishDate | 2019-05-01 |
| publisher | Universidad de Guadalajara |
| record_format | Article |
| series | ReCIBE |
| spelling | doaj-art-5f5ea5b7c8e042cab2ec9e211c6ebd642025-08-20T02:36:19ZengUniversidad de GuadalajaraReCIBE2007-54482019-05-0181123Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de SoporteAlma Delia Corral Sáenz0Raúl Rangel González1Mario Ignacio Chacón Murguía2Tecnológico Nacional de México/ I.T. ChihuahuaTecnológico Nacional de México/ I.T. ChihuahuaTecnológico Nacional de México/ I.T. ChihuahuaUn tipo de interfaces cerebro-computadora (BCI) son los sistemas que interpretan patrones de actividad cerebral para facilitar a personas con discapacidad motora o del habla, la comunicación o el control de dispositivos. Una forma de comunicación exitosa han sido los deletreadores basados en potenciales evocados de estado estable (SSVEP por sus siglas en inglés) que parten de la generación de estímulos visuales para provocar determinada actividad cerebral, registrarla e interpretarla mediante algoritmos de clasificación. Dentro de estos sistemas falta realizar un análisis para determinar un clasificador que tenga una relación tiempo de procesamiento y desempeño eficientes para aplicaciones en entornos controlados. En este trabajo se parte de la generación y registro de señales SSVEP, para realizar un análisis de desempeño de los clasificadores de árbol simple ST, y de máquinas de vectores de soporte SVM, los cuales son algoritmos de baja complejidad computacional encontrados en los métodos de análisis de SSVEP. De acuerdo a los resultados obtenidos, el porcentaje promedio de acierto del ST para una señal de 10 s fue de 84.58% para el canal O1 y un 78.75% para el O2; mientras que el del SVM fue 78.33%.http://recibe.cucei.udg.mx/revista/vol8-no1/electronica01.pdfBCIseñal EEGSSVEPSTSVM |
| spellingShingle | Alma Delia Corral Sáenz Raúl Rangel González Mario Ignacio Chacón Murguía Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte ReCIBE BCI señal EEG SSVEP ST SVM |
| title | Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte |
| title_full | Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte |
| title_fullStr | Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte |
| title_full_unstemmed | Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte |
| title_short | Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte |
| title_sort | analisis del desempeno de sistema de deteccion de senal ssvep utilizando clasificadores arbol simple y maquina de vectores de soporte |
| topic | BCI señal EEG SSVEP ST SVM |
| url | http://recibe.cucei.udg.mx/revista/vol8-no1/electronica01.pdf |
| work_keys_str_mv | AT almadeliacorralsaenz analisisdeldesempenodesistemadedetecciondesenalssveputilizandoclasificadoresarbolsimpleymaquinadevectoresdesoporte AT raulrangelgonzalez analisisdeldesempenodesistemadedetecciondesenalssveputilizandoclasificadoresarbolsimpleymaquinadevectoresdesoporte AT marioignaciochaconmurguia analisisdeldesempenodesistemadedetecciondesenalssveputilizandoclasificadoresarbolsimpleymaquinadevectoresdesoporte |