MCST: a Python framework for multi-channel signals feature extraction for Machine Learning
Palabras clave:
Aprendizaje de máquina, Clasificación, EEG,, Extracción de rasgos, Señales multi-canalResumen
En la era contemporánea de los datos, la integración de sensores, dispositivos inteligentes y maquinaria para capturar datos relacionados con la producción se ha vuelto cada vez más prevalente entre las organizaciones. Si bien estos datos tienen el potencial de impulsar la modelización predictiva y mejorar los procesos de toma de decisiones, el volumen abrumador a menudo plantea desafíos en la construcción de modelos. Para abordar esto, la extracción de rasgos es una etapa fundamental en el pipeline de aprendizaje de máquina. Este artículo presenta Multi-channel Signal Tools, una paqueteria basada en Python diseñada para mejorar la extracción de rasgos en señales multi-canal dentro de los pipelines de aprendizaje de máquina. Para evaluar las características extraídas utilizando la herramienta propuesta, se procesaron datos del conjunto de datos EEG SEED_IV [1] y se desarrolló un clasificador de bosques aleatorios, en un escenario multi-clase, para el reconocimiento del estado emocional. A pesar de utilizar datos de solo 12 canales EEG, el clasificador logra resultados comparables a modelos más complejos que utilizan 62 canales y datos de movimiento ocular. Nuestros hallazgos subrayan la efectividad de las herramientas de programación propuestas para optimizar el procesamiento de señales multi-canal, mejorar la escalabilidad y facilitar el análisis de datos. Los resultados muestran el papel de la herramienta propuesta en el avance de las técnicas de extracción de rasgos y su impacto potencial en diferentes dominios.