Analisis y Clasificacion de Señales EEG

Transformada Wavelet

De manera general la transformada wavelet de una función es la descomposición de en un conjunto de funciones que forman una base y son llamadas “wavelets”. Se define a la transformada wavelet como

Las funciones wavelet son generadas a través de la translación y escalamiento de una misma función llamada wavelet madre

Estas variaciones son en escalas y con ubicación , el valor de determinara que rango de frecuencia se analiza. La descomposición de la señal da como resultado a un grupo de coeficientes llamado coeficientes wavelet y por ende la señal puede ser reconstruida como la combinación lineal de las funciones wavelet usadas y ponderadas por sus coeficientes.

Discriminante Stepwise

El método de Discriminante paso a paso es usualmente usado para para disminuir la dimensionalidad de datos. Este método se basa en el uso de una técnica de discriminación canónica multivariada. Teniendo una matriz se generan funciones de discriminación canónicas que consisten en la transformación lineal de los datos originales.

El método que se usa para generar un nuevo grupo de datos es seleccionar primero una variable y luego agregar una variable que disminuirá la capacidad de discriminación. Se determina después la función que mejor discrimine los datos y se calcula verosimilitud entre la función y cada variable, esto está dado por la correlación. El valor más alto de correlación indica que variable debe ser elegida primero. Luego se calcula la función discriminadora. La segunda variable que debe ser elegida debe juntamente con la primera variable provocar el mayor decremento en la función discriminadora y así sucesivamente se agregan variables

Redes MLP

Se conoce como perceptrón multicapa al tipo de red multicapa con propagación hacia delante. Estas redes son una generalización del perceptrón normal pero dando solución al problema de la separabilidad no lineal.

Redes RBF

Las redes de función de Base Radial (RBF) son redes que se entrenan más rápido que una red MLP y no sufre de problemas como mínimos locales. Este sistema tiene una arquitectura similar a la red MLP pero solo consiste en tres capas (entrada, oculta, salida).

La activación de una neurona de oculta está dado por dos pasos: el primero consiste en el cálculo de la distancia euclidiana entre el vector de entrada y un centro que representa la neurona de la capa oculta.

En segundo lugar se aplica una función de activación con forma de campada, como por ejemplo la función gaussiana, para obtener la activación final de la neurona oculta.

La activación de las neuronas de salida se calcula mediante la combinación lineal de las salidas de las neuronas de la capa oculta.