Sistema inteligente clasificador de señales encefalográficas (EEG)

Abstract

Se propone la clasificación de las señales del parpadeo y dolor muscular en el brazo derecho ocasionado por un agente externo utilizando Redes Nerodifusas Adaptativas conocidas como ANFIS (Adaptive Neuro Fuzzy Inference System). La arquitectura y el entrenamiento ANFIS se establecen con tres funciones de membresía, triangular, trapezoidal, y campana generalizada, para realizar la clasificación de datos provenientes de señales electroencefalográficas (EEG). Se establecen 10,000 épocas de entrenamiento para las funciones de membresía; respecto a la adquisición de datos, se utilizan series de tiempo obtenidas del estímulo inducido y electroencefalografías (EEG) de 20 personas en el rango de 23 a 35 años de edad para generar una base de datos que se divide en dos conjuntos de datos: entrenamiento y evaluación. Las lecturas electroencefalogáficas se encuentran en el dominio del tiempo, por lo cual se aplica la transformada discreta de fourier (DFT, por sus siglas en inglés) para obtener la señal en el dominio de la frecuencia. Los resultados de clasificación son sometidos a comparaciones con resultados obtenidos por redes neuronales artificiales (RNA) del tipo perceptrón multicapa.

__________________________________

Classification of eye blink and muscular pain in the right arm induced by an external agent using ANFIS (Adaptive Neuro Fuzzy Inference System) are proposed. An ANFIS architecture and a training with three membership functions, triangular, trapezoidal, and generalized bell, for classification of data from electroencephalographic signals (EEG) are established. An amount of 10,000 epochs for membership functions training is established; respect to the data acquisition, time series acquired from induced stimulus and electroencephalography (EEG) recordings from 20 people in the age of 23 to 35 years to generate a database which is divided in two sets of data were used: training and testing. The electroencephalographic readings are in time domain, so that the Discrete Fourier Transform (DFT) is applied to obtain the signals in the frequency domain. Classification results are compared with results obtained from artificial neural networks (ANN) of multilayer perceptron type.