Anda di halaman 1dari 1

APRENDIZAJE DE UNA RED NEURONAL MULTI-CLAS DE UN ENCEFALOGRAMA

La clasificacin de los modelos de aprendizaje de los electroencefalogramas es an un


problema complejo. Primeramente por ser seales no transitorias las cuales dependen de
la actividad del cerebro de los pacientes. Segundo, los EEG son interrumpidos por el
ruido. Por ltimo, las caractersticas en una parte dada por un EEG pueden daar la
clasificacin de los resultados, debido a que los EEGs son datos grabados de larga
escala, es decir, por varias horas y por esta razn el tiempo de aprendizaje se hace
crucial.
En general, los problemas multiclase pueden ser resueltos utilizando tcnicas de
clasificacin binaria.
Se describe un nuevo algoritmo del modelo de aprendizaje de una red neuronal de gran
escala de EEG. Este algoritmo entrena por separado las neuronas ocultas para
clasificarlas todas en pares de clases. Para encontrar el mejor par de clase, el algoritmo
busca por salida las variables que sean relevantes en la clasificacin del problema.
Adicionalmente, el modelo de red neuronal se provee de una interpretacin probabilstica
de decisiones.
Utilizando la tcnica de preproceso se pueden remover las oscilaciones caticas del EEG
y esperar la precisin de la clasificacin.
La idea detrs de este mtodo de mltiples clasificaciones es entrenar por separado las
capas de redes neuronales y combinarlas para aproximar las superficies divididas.
Las neuronas que se ajustan a una clase se combinan con un grupo, por lo que ese
nmero de grupos corresponde al nmero de la clase. Y las neuronas escondidas se
combinan en un grupo aproximando las superficies divididas a las clases
correspondientes.
Esta red neuronal consiste en que las neuronas ocultas realicen la clasificacin binara
para cada par de clases. Las neuronas ocultas se entrenan por separado y luego sus
salidas son combinadas para realizar la clasificacin mltiple. Esta tcnica ha sido
utilizada para aprender un concepto de 16 clases de los 65 EEG representados por 72
caractersticas algunas de las cuales son irrelevantes.