Preprocesamiento-BCI-IV-2a

El preprocesamiento es el siguiente:

Subconjunto4segMI.m --> ReemplazarNaNFiltroMediana.m --> CAR.m o FiltroLaplaciano.m --> FiltroPasaBanda.m --> AcomodarDatos.m

Subconjunto4segMI.m

Obtener el segmento de 4 segundos de imaginación motora en EEG (del 2 al 6)

Input: (AxxX.gdf)
Output: (MotorImageryAxxX.mat) donde estan los 4seg de MI-EEG, 288 muestras de 22 canales 4seg a 250Hz
Input Shape: todox25
Output Shape: 288000x22

Se necesita ejecutar biosig_installer.m

ReemplazarNaNFiltroMediana.m

Reemplazar NaN por los valores obtenidos con el filtro mediana de orden 255

Input: (MotorImageryAxxX.mat)
Output: (LimpiosAxxX.mat)
Input Shape: 288000x22
Output Shape: 288000x22

CAR.m

Referencia CAR (common average reference)

Input: (LimpiosAxxX.mat)
Output: (CarAxxX.mat)
Input shape: 288000x22
Output shape: 288000x22

FiltroLaplaciano.m

Referenciar con filtro espacial laplaciano para los canales C3 y C4

Input: (LimpiosAxxX.mat)
Output: (LaplaceAxxX.mat)
Input shape: 288000x22
Output shape: 288000x2

FiltroPasaBanda.m

Filtro pasa banda de 8Hz-30Hz

Input: (CarAxxX.mat)
Output: (FiltradasAxxX.mat)
Input shape: 288000x22
Output shape: 288000x22

AcomodarDatos.m

Acomodar los datos para que queden concatenados los canales [n_muestras, n_canales]

Input: (FiltradasxxX.mat)
Output: (MI-EEG-AxxX.csv) es para el entrenamiento de los modelos
Output: (MI-EEG-AxxX.mat) es para DWT y para la clasificacion binaria
Input shape: 288000x22
Output shape: 288x22000

Las filas son el numero de muestras (288) y las columnas son los 4 seg de los 22 canales concatenados (22000)

AcomodarDatosLaplace.m

Acomodar los datos para que queden concatenados los canales [n_muestras, n_canales]

Input: (FiltraLaplaceAxxX.mat)
Output: (MI-EEG-Laplace-AxxX.csv) es para el entrenamiento de los modelos
Output: (MI-EEG-Laplace-AxxX.mat) es para DWT y para la clasificacion binaria
Input shape: 288000x2
Output shape: 288x2000

Las filas son el numero de muestras (288) y las columnas son los 4 seg de los 2 canales concatenados (2000)

AcomodarDatosBinaria.m

Acomodar los datos para que queden concatenados los canales [n_muestras, n_canales], solo se utilizaron las clases mano izquierda y mano derecha

Input: (MI-EEG-AxxX.mat), (AxxX.mat)
Output: (MI-EEG-ID-AxxX.csv) es para el entrenamiento de los modelos, (Etiquetas-ID-AxxX.csv)
Input shape: 288x22000
Output shape: 144x22000

Las filas son el numero de muestras (144) y las columnas son los 4 seg de los 22 canales concatenados (22000)

RWE_DWT_Multinivel.m

RWE con DWT de dos niveles de descompisicion usando DWT-db4

Input: (MI-EEG-AxxX.mat)
Output: (MI-EEG-RWE-A01E.csv)
Input shape: 288x22000
Output shape: 288x66

Alfa_DWT_C3_C4.m

Alfa de C3 y C4 con DWT-db4 de dos niveles de descomposición

Input: (MI-EEG-AxxX.mat)
Output: (MI-EEG-Alfa-AxxX.csv)
Input shape: 288x22000
Output shape: 288x510

DWTCoeficientes.m

Obtener los coeficientes de aproximacion y de detalle con DWT-db4 con 2 niveles de descomposicion

Input: (MI-EEG-AxxX.mat)
Output: (MI-EEG-DWT-Coef-AxxX.csv)
Input shape: 288x22000
Output shape: 288x22286

Otros archivos que no se utilizan

ContarNaN.m
Filtro32Hz.m
PruebasFFT.m
ReemplazarNaNPruebas.m
Ventaneo.m

hydqiu / preprocesamiento-bci-iv-2a Goto Github PK