ABSTRACT
Abstract In this paper, we present a novel approach to training classifiers in a speller based on P300 potentials. The method, based on bootstrapping, is a known strategy for generating new samples, but it is rarely used in neurosciences. The study first demonstrates how the performance of the classification task (detecting P300 and Non-P300 classes) could be sub-optimal in the traditional approach. Then, a new method for taking new samples from the training data is proposed. Each classifier is re-trained using balanced sub-groups of individual P300 and non-P300 samples. Data were collected from 14 healthy subjects, using 16 electroencephalography channels. These were filtered in bandpass and decimated. Subsequently, four linear classifiers were trained using the traditional method followed by the proposed one, with 1000, 2000 and 3000 samples per class. Results indicate an improvement in the accuracy and discrimination capacity of discriminative classifiers with the proposed method, maintaining the same statistical properties between the training and test data. By contrast, for generative classifiers, there is no significant difference in the results. Therefore, the proposed method is highly recommended for training discriminative classifiers in spell-based P300 potentials.
Resumen Este artículo presenta un método novedoso para entrenar clasificadores en un deletreador basado en potenciales P300. El método, basado en bootstrapping, es una estrategia conocida para generar nuevas muestras pero escasamente implementado en neurociencias. El estudio muestra cómo el rendimiento de la detección de P300 (frente a No-P300) puede resultar sub-óptimo usando el método tradicional. Luego, se propone un nuevo método donde se toman nuevas muestras a partir de los datos de entrenamiento. Con ellas, se re-entrena al clasificador usando sub-grupos equilibrados de muestras individuales P300 y No-P300. Los datos se recolectaron de 14 sujetos sanos, usando 16 canales de electroencefalografía. Estos fueron filtrados en pasa-banda y diezmados. Posteriormente, cuatro clasificadores lineales fueron entrenados, usando primero el método tradicional y después el método propuesto, con 1000, 2000 y 3000 muestras por clase. Los resultados muestran una mejoría en la precisión y la capacidad de discriminación de clasificadores discriminativos con el método propuesto, manteniendo las mismas propiedades estadísticas entre los datos de entrenamiento y los de prueba. En contraste, para los clasificadores generativos, no existe una diferencia significativa en los resultados. Por consiguiente, el método propuesto es altamente recomendado para entrenar clasificadores discriminativos en deletreadores basados en potenciales P300.
ABSTRACT
Resumen: Objetivo: Mejorar la identificación de cimas y pies en el pulso fotopletismográfico (PPG, por sus siglas en inglés), deformado por efecto del ruido miocinético, mediante la implementación de un dedal modificado y filtrado adaptativo. Método: Se obtuvo el PPG en 10 voluntarios sanos empleando 2 sistemas de fotopletismografía colocados en el dedo índice de cada mano, y registrándolos simultáneamente durante 3 min. Durante el primer minuto de registro, ambas manos estuvieron en reposo, y durante los 2 min posteriores, solo la mano izquierda realizó movimientos cuasi-periódicos para añadir ruido miocinético. Se emplearon 2 metodologías para procesar las señales fuera de línea, en una se usó un filtro con el algoritmo de mínimos cuadrados promediados (LMS, por sus siglas en inglés) y en la otra se hizo un preprocesamiento adicional al filtrado LMS. Ambas metodologías fueron comparadas y la de menor error porcentual en la señal recuperada se utilizó para valorar la mejora en la identificación de cimas y pies del PPG. Resultados: El error promedio obtenido fue del 22.94% para la primera metodología, y del 3.72% para la segunda. Los errores en la identificación de cimas y pies antes de filtrar el PPG fueron del 24.26 y 48.39%, respectivamente, una vez filtrados, disminuyeron a 2.02 y 3.77%, respectivamente. Conclusiones: El filtrado adaptativo basado en el algoritmo LMS, más una etapa de preprocesamiento, permite atenuar el ruido miocinético en el PPG, y aumentar la efectividad en la identificación de cimas y pies de pulso, que resultan de gran importancia para una valoración médica.
Abstract: Objective: To improve the identification of peaks and feet in photoplethysmographic (PPG) pulses deformed by myokinetic noise, through the implementation of a modified fingertip and applying adaptive filtering. Method: PPG signals were recordedfrom 10 healthy volunteers using two photoplethysmography systems placed on the index finger of each hand. Recordings lasted three minutes andwere done as follows: during the first minute, both handswere at rest, and for the lasting two minutes only the left hand was allowed to make quasi-periodicmovementsin order to add myokinetic noise. Two methodologies were employed to process the signals off-line. One consisted on using an adaptive filter based onthe Least Mean Square (LMS) algorithm, and the other includeda preprocessing stage in addition to the same LMS filter. Both filtering methods were compared and the one with the lowest error was chosen to assess the improvement in the identification of peaks and feet from PPG pulses. Results: Average percentage errorsobtained wereof 22.94% with the first filtering methodology, and 3.72% withthe second one. On identifying peaks and feet from PPG pulsesbefore filtering, error percentages obtained were of 24.26% and 48.39%, respectively, and once filtered error percentageslowered to 2.02% for peaks and 3.77% for feet. Conclusions: The attenuation of myokinetic noise in PPG pulses through LMS filtering, plusa preprocessing stage, allows increasingthe effectiveness onthe identification of peaks and feet from PPG pulses, which are of great importance for medical assessment.