Clasificación de imaginación motora en señales de EEG con Deep Learning y Machine Learning utilizando BCI Competition IV dataset 2a
Modelos para RAW, DWT-Coef, AlfaC3C4 y RWE-DWT:
Modelos para Espectros-STFT y Escalogramas-CWT
Data Set:
Espectrogramas con la transformada de Fourier de tiempo corto, ventana de tukey de 0.25
STFT-CNN.ipynb
STFT-CNN-CV.ipynb
STFT-CNN-GS.ipynb
STFT-CNN-Predecir.ipynb
STFT-CNN-LSTM.ipynb
STFT-CNN-LSTM-CV.ipynb
STFT-CNN-LSTM-GS.ipynb
STFT-CNN-LSTM-Predecir.ipynb
STFT-CNN-Explorar.ipynb
Fine-Tuning.ipynb
STFT3D-CNN2D-2C-V.ipynb
STFT3D-CNN2D-2C-V-Resize.ipynb
STFT3D-CNN2D-H.ipynb
STFT3D-CNN2D-V.ipynb
STFT3D-CNN2D-V-DataAug-Explorar.ipynb
STFT3D-CNN2D-V-Resize.ipynb
STFT3D-ConvLSTM2D-V-Resize.ipynb
STFT3D-RNNs-2C-V.ipynb
STFT3D-RNNs-H.ipynb
STFT3D-RNNs-Ventaneo.ipynb
STFT3D-Ventaneo.ipynb
STFT3D-Ventaneo-DataAugmentation.ipynb
STFT4D.ipynb
STFT4D-2C.ipynb
STFT4D-2C-Resize.ipynb
STFT4D-Resize.ipynb
STFT-CNN2D-DA_2.ipynb
Transfer-Learning.ipynb
2C = 2 canales: Los canales son C3 y C4
V/H = Concatenacion vertical u horizontal
Resize = resize de la imagen
Explorar = Impresion de ejemplos
DataAugmentation = width_shift_range
Ventaneo = Ventanas de 2 segundos superpuestas al 95%
x_2 = 2 segundos de señal
Escalogramas con la transformada continua wavelet, modulo de la wavelet de Morlet compleja (cmor3-3), 128 escalas
CWT-CNN.ipynb
CWT-CNN-CV.ipynb
CWT-CNN-GS.ipynb
CWT-CNN-Predecir.ipynb
CWT-CNN-LSTM.ipynb
CWT-CNN-LSTM-CV.ipynb
CWT-CNN-LSTM-GS.ipynb
CWT-CNN-LSTN-Predecir.ipynb
CWT-CNN-Explorar.ipynb
CWT3D-CNN2D-2C-V.ipynb
CWT3D-CNN2D-V.ipynb
CWT3D-RNNs-2C-V.ipynb
CWT3D-Ventaneo.ipynb
CWT3D-Ventaneo-DataAugmentation.ipynb
CWT4D.ipynb
CWT4D-2C.ipynb
CWT-CNN2D-DA_2.ipynb
Fine-Tuning.ipynb
Transfer-Learning.ipynb
2C = 2 canales: Los canales son C3 y C4
V = Concatenacion vertical
Explorar = Impresion de ejemplos
DataAugmentation = width_shift_range
Ventaneo = Ventanas de 2 segundos superpuestas al 95%
x_2 = 2 segundos de señal