Your browser doesn't support javascript.
loading
n-Iterative Exponential Forgetting Factor for EEG Signals Parameter Estimation.
Aguilar Cruz, Karen Alicia; Zagaceta Álvarez, María Teresa; Palma Orozco, Rosaura; Medel Juárez, José de Jesús.
Afiliação
  • Aguilar Cruz KA; Centro de Investigación en Computación, Instituto Politécnico Nacional (CIC-IPN), Avenida Juan de Dios Bátiz, Esq. Miguel Othón de Mendizábal, Col. Nueva Industrial Vallejo, Delegación Gustavo A. Madero, 07738 Ciudad de México, Mexico.
  • Zagaceta Álvarez MT; Escuela Superior de Ingeniería Mecánica y Eléctrica, Unidad Azcapotzalco, Instituto Politécnico Nacional, Avenida de las Granjas, No. 682, Col. Santa Catarina, Delegación Azcapotzalco, 02250 Ciudad de México, Mexico.
  • Palma Orozco R; Escuela Superior de Cómputo, Instituto Politécnico Nacional, Avenida Juan de Dios Bátiz, Esq. Miguel Othón de Mendizábal, Col. Lindavista, Delegación Gustavo A. Madero, 07738 Ciudad de México, Mexico.
  • Medel Juárez JJ; Centro de Investigación en Computación, Instituto Politécnico Nacional (CIC-IPN), Avenida Juan de Dios Bátiz, Esq. Miguel Othón de Mendizábal, Col. Nueva Industrial Vallejo, Delegación Gustavo A. Madero, 07738 Ciudad de México, Mexico.
Comput Intell Neurosci ; 2018: 4613740, 2018.
Article em En | MEDLINE | ID: mdl-29568310
Electroencephalograms (EEG) signals are of interest because of their relationship with physiological activities, allowing a description of motion, speaking, or thinking. Important research has been developed to take advantage of EEG using classification or predictor algorithms based on parameters that help to describe the signal behavior. Thus, great importance should be taken to feature extraction which is complicated for the Parameter Estimation (PE)-System Identification (SI) process. When based on an average approximation, nonstationary characteristics are presented. For PE the comparison of three forms of iterative-recursive uses of the Exponential Forgetting Factor (EFF) combined with a linear function to identify a synthetic stochastic signal is presented. The one with best results seen through the functional error is applied to approximate an EEG signal for a simple classification example, showing the effectiveness of our proposal.
Assuntos
Texto completo
Adicionar na Minha BVS
Imprimir
XML
PubMed Links
Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Processamento de Sinais Assistido por Computador / Encéfalo / Eletroencefalografia Tipo de estudo: Prognostic_studies Limite: Humans Idioma: En Revista: Comput Intell Neurosci Assunto da revista: INFORMATICA MEDICA / NEUROLOGIA Ano de publicação: 2018 Tipo de documento: Article País de afiliação: México País de publicação: Estados Unidos
Texto completo
Adicionar na Minha BVS
Imprimir
XML
PubMed Links
Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Processamento de Sinais Assistido por Computador / Encéfalo / Eletroencefalografia Tipo de estudo: Prognostic_studies Limite: Humans Idioma: En Revista: Comput Intell Neurosci Assunto da revista: INFORMATICA MEDICA / NEUROLOGIA Ano de publicação: 2018 Tipo de documento: Article País de afiliação: México País de publicação: Estados Unidos