Gerardo Verdugo Díaz

Classification of Encephalographic Signals using Artificial Neural Networks

Para la clasificacion de las senales del parpadeo y dolor muscular en el brazo derecho ocasionado por un agente externo, se proponen dos arquitecturas de redes neuronales del tipo perceptron multicapa utilizando aprendizaje supervisado. Se utilizan series de tiempo obtenidas del parpadeo y electroencefalografias de 15 personas en el rango de 23 a 25 anos de edad, para generar una base de datos que se divide en dos conjuntos de datos: entrenamiento y prueba. Los resultados experimentales en el dominio del tiempo y de la frecuencia, de 50 pruebas utilizando cinco algoritmos de adaptacion, muestran que ambas propuestas de arquitecturas de redes neuronales producen resultados exitosos.

MLP for Electroencephalographic Signals Classification Using Different Adaptive Learning Algorithm

For the identification of muscular pain caused by a puncture in the right arm and eye blink, electroencephalographic (EEG) signals are analyzed in the frequency and temporal domain. EEG activity was recorded from 15 subjects in range of 23–25 years of age, while pain is induced and during blinking. On the other hand, EEG was converted from time to frequency domain using the Fast Fourier Transform (FFT) for being classified by an Artificial Neural Network (ANN). Experimental results in the frequency and time domain using five adaptation algorithms show that both neural network architecture proposals for classification produce successful results.