Resumen

La electroencefalografía de imágenes motoras se utiliza ampliamente en los sistemas de interfaz cerebro-ordenador. Debido a las características inherentes de las señales de electroencefalografía, la clasificación multiclase precisa y en tiempo real es siempre un reto. Para resolver este problema, en este trabajo se propone una solución de probabilidad posterior multiclase para la SVM gemela mediante la clasificación de la salida continua y el acoplamiento por pares. En primer lugar, se construye un modelo de probabilidad posterior de dos clases para aproximar la probabilidad posterior mediante las técnicas de clasificación de salida continua y el método de estimación de Platt. En segundo lugar, se proporciona una solución de salidas probabilísticas multiclase para SVM gemelas combinando cada par de probabilidades de clase según el método de acoplamiento por pares. Finalmente, el método propuesto se compara con la SVM multiclase y la SVM gemela a través de la votación, y con la SVM de probabilidad posterior multiclase utilizando diferentes enfoques de acoplamiento. La eficacia en la precisión de la clasificación y la complejidad temporal del método propuesto se ha demostrado tanto con los conjuntos de datos de referencia de la UCI como con los datos de EEG del mundo real del conjunto de datos 2a de la BCI Competition IV, respectivamente.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:twin svm, métodos propuestos, eeg del mundo real, datos de eeg del mundo, competición bci iv, clasificación multiclase del tiempo, técnicas de salida continua, modelo de probabilidad posterior, soluciones de probabilidad posterior, conjunto de datos de la competición iv
• Keywords:twin svm, proposed methods, real world eeg, world eeg data, bci competition iv, time multiclass classification, continuous output techniques, posterior probability model, posterior probability solutions, competition iv dataset