Human mental states classification using EEG by means of Genetic Programming
Classification de l'état mental humain par programmation génétique sur des signaux EEG
Abstract
Los avances en el desarrollo de Interfaces Cerebro-Computadora (BCI, por
sus siglas en inglés Brain-Computer Interface) se han incrementado en años recientes,
principalmente porque ha evolucionado el nivel de convergencia de
técnicas multidisciplinarias. La electroencefalografía (EEG), una teécnica de
grabación de señales cerebrales estudiado en esta tesis, permite la construcción
de BCIs, sin embargo las señales son complejas para procesar, lo cual requiere
metodologías que extraigan patrones de forma eficiente. Esta tesis explora dos
tópicos principales: primero, se propone un sistema para el reconocimiento
de convulsiones de epilepsia usando una combinacion de metodos de procesamiento
de señales para la extracción eficiente de rasgos; segundo, explora el
uso de un algoritmo meta-heurístico, Programación Genética (GP, por sus siglas
en inglés Genetic Programming), como una alternativa en el diseño de BCIs.
Sin embargo, existen temas sin resolver in GP que esta tesis explora: ¿existe una
metodologia de búsqueda en GP más eficiente?; ¿cual es una representación
apropiada dependiendo del problema a estudiar?; ¿cual son los operadores de
búsqueda más adecuados?. De esta forma, se presenta un estudio a fondo con
la introducción de un GP memetico aplicado a problemas de regresión. Despues,
se extiende adaptandolo a problemas de clasificación. Los resultados son
positivos; GP se beneficia fuertemente de la combinación de una metodologia
general de busqueda y una local (LS, por sus siglas en inglés Local Search). Los
ultimos dos cuestionamientos se estudian simultáneamente en el desarrollo de
un sistema de reconocimiento para estados mentales usando EEG. Se propone
una versión de GP (+FEGP) que evoluciona modelos de extracción de rasgos
usando operadores especializados de busqueda, representación de individuos
y función de aptitud. Los resultados muestran que esta combinación permite
una exactitud de clasificación que aporta en el estado-del-arte para la tarea particular
del reconocimiento de estados mentales.
The advances in the development of Brain-Computer Interfaces
(BCI) have been increasing in recent years, mostly because the level of
convergence from multi-disciplinary techniques has evolved. The electroencephalography
(EEG), a brain recording method studied in this
thesis, allows the construction of BCIs, however the signals are rather
complex to process, which requires methodologies that efficiently extract
patterns from them. This thesis explores two directions: first, a system
is proposed for the epilepsy seizures recognition using a combination
of signal processing methods for an efficient feature extraction; second,
it explores the usage of a meta-heuristic algorithm, namely Genetic
Programming (GP), as an alternative in the design of BCIs. Nonetheless,
there is currently open-issues in GP that this thesis also explores: is there
a more efficient search methodology in the exploration by GP?; what is
a proper representation depending on the studied problem?; which are
the most adequate search operators?. For the first topic, a thoroughly
study is presented by introducing a memetic GP applied to regression
problems. Then, it is extended by adapting it to classification problems.
The results are positive; GP is greatly benefited from the combination
of a general and a Local Search (LS) methodology. The last two topics
are studied simultaneously in the development of a recognition system
for mental states using EEG. A GP version (+FEGP) is proposed that
evolves feature extraction models by using specialized search operators,
individuals representation and fitness function. The results show that
the combination of these reaches a state-of-the-art accuracy for the particular
task of mental states recognition.
Origin | Files produced by the author(s) |
---|
Loading...