Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Seizures: Classification01:13

Seizures: Classification

Epilepsy is primarily characterized by unpredictable seizures, either provoked by an identifiable factor, such as injury or illness, or unprovoked, occurring spontaneously without apparent cause.
Seizures are typically classified into two main categories: focal and generalized seizures.
Focal Seizures
Focal seizures originate from specific regions of the brain. These seizures are further sub-classified into two types:
Classification of Signals01:30

Classification of Signals

In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Leveraging reinforcement learning for an efficient windows registry analysis during cyber incident response.

Scientific reports·2026
Same author

Adaptive Bandelet Transform and Transfer Learning for Geometry-Aware Thyroid Cancer Ultrasound Classification.

Diagnostics (Basel, Switzerland)·2026
Same author

Adaptive Hybrid PSO-APF Algorithm for Advanced Path Planning in Next-Generation Autonomous Robots.

Sensors (Basel, Switzerland)·2025
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: May 11, 2026

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.0K

Clasificación de señales EEG de imaginería motora utilizando transformaciones de kernel convolucionales mínimamente

Jamal Hwaidi1, Mohamed Chahine Ghanem2

  • 1Department of Engineering, City St George, University of London, EC1V 0HB, London, UK.

NeuroImage
|February 20, 2026
PubMed
Resumen

Este estudio presenta un nuevo método que utiliza la Transformación de Kernel Convolucionales Mínimamente Aleatorias (MiniRocket) para clasificar señales de electroencefalografía (EEG) en interfaces cerebro-computadora (BCI). El enfoque MiniRocket logró una precisión y eficiencia superiores en comparación con los modelos de aprendizaje profundo para tareas de imaginería motora.

Palabras clave:
red neuronal convolucionalaprendizaje profundoEEGelectroencefalografíamemoria a corto y largo plazotransformación de kernel convolucionales mínimamente aleatoriasimaginería motoraclasificación de señales

Más Videos Relacionados

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces
05:36

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces

Published on: March 10, 2026

114

Videos de Experimentos Relacionados

Last Updated: May 11, 2026

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.0K
STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces
05:36

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces

Published on: March 10, 2026

114

Área de la Ciencia:

  • Neurociencia
  • Ingeniería Biomédica
  • Aprendizaje Automático

Sus antecedentes:

  • Las interfaces cerebro-computadora (BCI) permiten la comunicación directa entre el cerebro y dispositivos externos.
  • La electroencefalografía (EEG) es una técnica no invasiva clave para capturar señales cerebrales.
  • La clasificación de señales EEG de imaginería motora (MI-EEG) presenta desafíos debido a la no estacionariedad de la señal, la varianza temporal y la diversidad individual.

Objetivo del estudio:

  • Proponer un método novedoso para la clasificación precisa de señales MI-EEG.
  • Mejorar la eficiencia de extracción de características para tareas de imaginería motora.
  • Comparar el rendimiento del método propuesto con modelos de aprendizaje profundo.

Principales métodos:

  • Extracción de características mediante la Transformación de Kernel Convolucionales Mínimamente Aleatorias (MiniRocket).
  • Clasificación de características extraídas utilizando un clasificador lineal.
  • Desarrollo de un modelo de aprendizaje profundo de Red Neuronal Convolucional (CNN) y Memoria a Corto y Largo Plazo (LSTM) como línea de base.
  • Evaluación en los conjuntos de datos PhysioNet y BCI Comp IV 2a.

Principales resultados:

  • MiniRocket logró una mayor precisión de clasificación que la línea de base CNN-LSTM en ambos conjuntos de datos.
  • MiniRocket demostró un rendimiento superior con un menor costo computacional.
  • Precisión media: 98,63 % (MiniRocket) y 98,06 % (CNN-LSTM) en PhysioNet; 92,57 % (MiniRocket) y 92,32 % (CNN-LSTM) en BCI Comp IV 2a.

Conclusiones:

  • El enfoque propuesto basado en MiniRocket mejora significativamente la precisión de la clasificación MI-EEG.
  • Este método ofrece una alternativa eficiente al aprendizaje profundo para la extracción de características en BCI.
  • Los hallazgos proporcionan nuevas perspectivas sobre el procesamiento y la clasificación de señales MI-EEG, sugiriendo trabajos futuros en la fusión de electrodos-fuente para mejorar la robustez.