Time and Frequency Domain Features Extraction Comparison for Motor Imagery Detection

El área de la interfaz cerebro-ordenador ha incrementado el número de aplicaciones en los últimos años, buscando mejorar la calidad de vida de las personas lesionadas. A pesar de los avances en el campo, se analizan diferentes estrategias para contribuir en problemas específicos relacionados con las principales aplicaciones. La presente propuesta muestra una comparación entre el uso del dominio temporal o frecuencial para la extracción de características en imágenes motoras de miembros superiores. Cuatro técnicas de aprendizaje automático como K-Nearest Neighbor, Support Vector Machine, Neural Networks y Random Forest fueron entrenadas para detectar imágenes motoras a partir de señales EEG. Se analizaron comparativamente la extracción de características y los modelos de detección empleados para encontrar la mejor elección en una aplicación de puño cerrado-abierto en las manos para dos escenarios, según la clasificación en dos o tres clases. Los resultados alcanzaron más del 90% de precisión para ambos enfoques de dominio en el caso de dos clases. Para la detección de tres clases, los resultados cayeron hasta el 87% de precisión. En general, el dominio de la frecuencia es preferible para la extracción de características y el clasificador KNN fue la mejor estrategia para el presente estudio.