On-line adaptive classification for Brain-Computer interfaces: online adaptive statistical classifiers
- Autores: María Carmen Vidaurre Arbizu
- Directores de la Tesis: Rafael Cabeza Laguna (dir. tes.), Alois Schlögl (dir. tes.)
- Lectura: En la Universidad Pública de Navarra ( España ) en 2006
- Idioma: inglés
- Tribunal Calificador de la Tesis: Antonio Díaz Estrella (presid.), Sonia Porta Cuéllar (secret.), José del R. Millán (voc.), Anna Isabel Esparcia Alcázar (voc.), Luciano Boquete Vázquez (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Una interfaz cerebro computador (BCI) permite a personas con problemas de interacción relacionarse con su entorno usando señales electrofisiológicas provenientes del cerebro. La interfaz usada en este proyecto es un sistema EEG "cue-based" de dos clases cuya estrategia es la imaginación del movimiento de las manos derecha e izquierda. Se usaron dos canales bipolares para la extracción de componentes, que fueron parámetros adaptativos auto-regresivos (AAR) y estimadores logarítmicos de potencia en banda (BP) que posteriormente se clasificaron mediante diversos tipos de análisis discriminante. Se eligió el paradigma de la cesta para realizar experimentos. El rendimiento de los sujetos se describe con la tasa de error y la información mutua, resultado del análisis de pruebas independientes de los datos en estudio.
Los resultados se analizaron usando distintas pruebas estadísticas (paramétricas y no paramétricas). Se estudiaron diferentes tipos de análisis discriminante para su aplicación a BCIs usando las componentes AAR y BP.
El estudio se llevó a cabo usando búsqueda exhaustiva y algoritmos genéticos con datos de tres sujetos diferentes. Los resultados permitieron concluir que el análisis lineal discriminante (LDA) es el mejor clasificador para problemas mal definidos y que todos los clasificadores basados en análisis discriminante funcionan de modo muy parecido en problemas bien definidos, de manera que se puede evitar la regularización. Dadas las conclusiones anteriores, se decidió estudiar algoritmos para transformar los clasificadores basados en análisis discriminante lineal y cuadrático en automáticamente adapatativos en tiempo real.
La adaptación del QDA se basa en el Lema de la Matriz Inversa. Se realizaron análisis con datos previamente grabados de 6 sujetos para encontrar estimadores estables de la matriz de información y parámetros óptimos para el clasificador. Estos parámetros son el coeficiente de adaptación, UC,
