Resumen

La interfaz cerebro-ordenador (BCI) híbrida basada en imágenes motoras (MI) y P300 ha sido una estrategia preferida con el objetivo de mejorar el rendimiento de la detección mediante la combinación de las características de cada una. Sin embargo, los métodos actuales utilizados para combinar estas dos modalidades las optimizan por separado, lo que no da lugar a un rendimiento óptimo. Aquí presentamos un marco eficiente para optimizarlas juntas concatenando las características de MI y P300 en forma de bloque diagonal. A continuación, se aplica a las características combinadas un clasificador lineal bajo un regularizador de norma espectral dual. Bajo este marco, las características híbridas de MI y P300 pueden ser aprendidas, seleccionadas y combinadas juntas directamente. Los resultados experimentales en el conjunto de datos del BCI híbrido basado en MI y P300 se proporcionan para ilustrar el rendimiento competitivo del método propuesto frente a otros métodos convencionales. Esto proporciona una evidencia de que el método utilizado aquí contribuye al rendimiento de la discriminación del estado del cerebro en la BCI híbrida.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:características de mi, bci híbrido, p300, regularizador de norma espectral, interfaz cerebro-ordenador, clasificador lineal, forma diagonal, rendimiento de discriminación, estado cerebral, rendimiento óptimo
• Keywords:features of mi, hybrid bci, p300, spectral norm regularizer, brain computer interface, linear classifier, diagonal form, discrimination performance, brain state, optimal performance