Máquinas de Vetores de Suporte Multiclasse para Classificação de Sinais EEG

Neste artigo, propomos a máquina de vetor de suporte (SVM) multiclasse com códigos de saída de correção de erro para o problema de classificação de sinais de eletroencefalograma (EEG) multiclasse. A rede neural probabilística (PNN) e a rede neural perceptron de múltiplas camadas também foram testadas e avaliadas quanto ao seu desempenho na classificação dos sinais de EEG. A tomada de decisão foi realizada em duas etapas: extração de características calculando os coeficientes de wavelet e os expoentes de Lyapunov e classificação usando os classificadores treinados nas características extraídas. O objetivo era determinar um esquema de classificação ótimo para este problema e também inferir pistas sobre as características extraídas. Nossa pesquisa demonstrou que os coeficientes de wavelet e os expoentes de Lyapunov são as características que representam bem os sinais de EEG e que a SVM multiclasse e a PNN treinadas nessas características alcançaram altas taxas de accuracidade na classificação.