Autores: Ling, Zou; Yue, Chen; Wenjie, Li; Fan, Jing
Fuente: Revista de imágenes médicas e informática de salud, Volumen 5, Número 7, noviembre de 2015, págs. 1499-1503 (5)
Autor: Editores científicos americanos
Abstracto:
En este artículo, las señales de electroencefalograma (EEG) se registraron de diez estudiantes universitarios sanos y diez estudiantes universitarios afectados por la adicción a Internet (IA) durante un paradigma visual bicho raro. Primero, las señales originales fueron preprocesadas para eliminar algunos artefactos utilizando el algoritmo de Análisis de Componentes Independientes (ICA). Luego, se empleó el análisis de componentes principales (PCA) para seleccionar un subconjunto de canales que conserva la mayor parte de la información en comparación con el conjunto completo de 64 canales. Finalmente, las características de las ondas P300 se extrajeron de los potenciales relacionados con eventos (ERP) y se compararon entre los ERP objetivo y los ERP no objetivo, así como entre el grupo de IA y el grupo de control. Las características extraídas se utilizaron además para entrenar cuatro clasificadores: Análisis de discriminación lineal de Fisher (FLDA), Red neuronal de propagación hacia atrás (BP), Clasificador bayesiano (BC) y Red neuronal de propagación hacia atrás de regularización bayesiana (BRBP). Los canales activos se ubicaron en las áreas frontal, parietal, occipital y parietal-occipital tanto para estudiantes universitarios sanos como afectados por AI. La latencia de los ERP promediados de 42 ensayos bajo estimulación objetivo fue más larga que la de los ERP promediados de 558 ensayos bajo estimulación sin objetivo (pags 0.05), y la amplitud de los ERP promediados de 42 ensayos bajo la estimulación del objetivo fue mayor que la de los ERP promediados de 558 ensayos bajo el no objetivo (pags 0.05). Mostró una diferencia significativa en las amplitudes de P300 entre sujetos sanos y sujetos de Internet Addition. Las amplitudes de Internet Addition fueron menores (pags 0.05). La precisión de la clasificación podría llegar a más del 93% usando el método basado en Bayesiano en áreas activas, mientras que fue inferior al 90% en las áreas centrales. Los resultados muestran que hay influencias negativas en la respuesta cerebral y en las capacidades de memoria de los estudiantes universitarios afectados por IA. El documento trata sobre la implementación práctica de filtros digitales para suprimir el ruido de potencia 50 Hz utilizando filtros de coeficientes enteros. Una solución muy rápida y simple permite suprimir componentes básicos y armónicos del ruido de potencia con distorsiones no lineales. Se utilizaron señales de ECG reales para probar la efectividad de la supresión de ruido de potencia. La precisión se evalúa para la onda de ruido sinusoidal y rectangular básica.
Palabras clave: SELECCIÓN DEL CANAL; POTENCIALES RELACIONADOS CON EL EVENTO; ANALISIS DE COMPONENTES INDEPENDIENTES; P300; RECONOCIMIENTO DE PATRONES
Tipo de documento: Artículo de investigación
DOI: https://doi.org/10.1166/jmihi.2015.1570
Fecha de publicación: noviembre 1, 2015.
;