Análisis del desempeño de sistema de detección de señal SSVEP utilizando clasificadores árbol simple y máquina de vectores de soporte
DOI:
https://doi.org/10.32870/recibe.v8i1.103Palabras clave:
BCI, señales EEG, SSVEP, ST, SVMResumen
Las interfaces cerebro-computadora (BCI) son 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%.Citas
Abbasi, M. A., Gaume, A., Francis, N., Dreyfus, G., & Vialatte, F. B. (2015). Fast calibration of a thirteen-command BCI by simulating SSVEPs from trains of transient VEPs - Towards time-domain SSVEP BCI paradigms. Conferencia internacional de ineniería neural. Montpellier.
Bondre, C., & Kapgate, D. (2015). Steady State Visually Evoked Potentials Framework in Brain Computer Interface. International Journal of Advanced Technology in Engineering and Science, 3(1), 167-175.
Cheng, M., Gao, X., Gao, S., & Xu, D. (oct 2002). Design and Implementation of a Brain-Computer Interface With High Transfer Rates. IEEE Transactions on biomedical engineering, 49(10), 1181-1186.
Cotrina, A., Benevides, A. B., Castillo-Garcia, J., & Benevides, A. B. (julio 2017). A SSVEP-BCI Setup Based on Depth-of-Field. IEEE transactions on neural systems and rehabilitation engineering, 25(7), 1047-1057.
da Cruz, J. N., Wan, F., Wong, C. M., & Cao, T. (2015). Adaptive time-window length based on online performance measurement in SSVEP-based BCIs. Neurocomputing, 149, 93-99.
Ding, J., Sperling, G., & Srinivasan, R. (2006). Attentional modulation of SSVEP power depends on the network tagged by the flicker frequency. Cerebral cortex, 16(7), 1016-1029.
Friman, O., Volosyak, I., & Gräser, A. (2007). Multiple channel detection of steady-state visual evoked potentials for brain-computer interfaces. IEEE transactions on bio-medical engineering, 54.
Funase, A., Wakita, K., Ita, A., & Takumi, I. (2016). SSVEP by checkerboard related to grid size and board size. Conferencia anual de la asociación del procesamiento de la información y señales. Hong Kong.
Ji, H., Li, J., Lu, R., Gu, R., Cao, L., & Gong, X. (2016). EEG Classification for Hybrid Brain-Computer Interface Using a Tensor Based Multiclass Multimodal Analysis Scheme. Computational Intelligence and Neuroscience, 2016(1), 1-15.
Lee, C.-C., Chuang, C.-C., Yeng, C.-H., Chen, Y.-J., & Lin, B.-S. (Dic 2017). Noise Suppression by Minima Controlled Recursive Averaging for SSVEP-Based BCIs With Single Channel. IEEE Signal processing letters, 24(12), 1783-1787.
Lee, Y.-C., Lin, W.-C., Cherng, F.-Y., & Ko, L.-W. (2016). A Visual Attention Monitor Based on Steady-State Visual Evoked Potential. IEEE Transactions on neural systems and rehabilitation engineering, 24(3), 399-408.
Lim, J.-H., Lee, J.-H., Hwang, H.-J., Kim, D. H., & Im, C.-H. (2015). Development of a hybrid mental spelling system combining SSVEP-based brain–computer interface and webcam-based eye tracking. Biomedical Signal Processing and Control, 21(1), 99-104.
Maye, A., Zhang, D., & Engel, A. K. (julio 2017). Utilizing Retinotopic Mapping for a Multi-Target SSVEP BCI With a Single Flicker Frequency. IEEE Transations on neural systems and rehabilitation engireering, 25(7), 1026-1036.
Mitchell, T. M. (1997). Machine learning. WCB/McGraw-Hill.
Nakanishi, M., Y. W., Hsu, S.-H., Wang, Y.-T., & Jung, T.-P. (sep 2017). Independent Component Analysis-Based Spatial Filtering Improves Template-Based SSVEP Detection. Conferencia internacional anual en ingeniería en medicina y sociedad de biología. Seogwipo.
Shyam Prasad, P. M., Swarnkar, R., Visnu Prasad, K. V., Radhakrishnan, M., Hashmi, M. F., & Keskar, A. G. (2017). SSVEP signal detection for BCI application. Proceedings - 7th IEEE International Advanced Computing Conference, IACC 2017, 590-595.
Tang, Z., Wang, Y., Dong, G., Pei, W., & Chen, H. (2017). Learning to control an SSVEP-based BCI speller in naïve subjects. Conferencia internacional de ingeniería en medicina y sociedad de biología. Seogwipo.
Trujillo, J. M., & Borrego, C. J. (1985). Potenciales Evocados Visuales. Acta Médica Colombiana, 10(3), 113-124.
Turnip, A., Suhendra, M. A., K, D. E., & Sihombing, P. (2017). Design of Extraction Method of SSVEP Brain Activity with IIR Chebyshev. Conferencia internacional de intrumentación, control y automatización. Yogyakarta.
Yin, E., Zhou, Z., Jiang, J., Yu, Y., & Hu, D. (junio 2015). A Dynamically Optimized SSVEP Brain–Computer Interface (BCI) Speller. IEEE Transactions on Biomedical Engineering, 62(6), 1447-1456.
Zhang, N., Yu, Y., Yin, E., & Zhou, Z. (2016). Performance of virtual stimulus motion based on the SSVEP-BCI. IEEE International Symposium Computer, Consumer and Control. Xian.
Zhanga, Y., Zhou, G., Jin, J., Wanga, X., & Cichockib, A. (2015). SSVEP recognition using common feature analysis in brain–computer nterface. Journal of Neuroscience Methods, 244(1), 8-15.
Zhao, J., Li, W., Mao, X., Hu, H., Niu, L., & Chen, G. (Junio 2017). Behavior-Based SSVEP Hierarchical Architecture for Telepresence Control of Humanoid Robot to Achieve Full-Body Movement. IEEE Transactions on cognitive and developmental system, 9(2), 197-209.
Zhao, X., Chu, Y., Han, J., & Zhang, Z. (julio 2016). SSVEP-Based Brain–Computer Interface Controlled Functional Electrical Stimulation System for Upper Extremity Rehabilitation. IEEE Transactions on systems, man and cybernetics: systems, 46(7), 947-956.
