Los sistemas inmunitarios artificiales (AIS) son algoritmos inteligentes derivados de los principios inspirados en el sistema inmunitario humano. En este estudio, las señales de electroencefalografía (EEG) para cuatro movimientos motores distintos de las extremidades humanas se detectan y clasifican utilizando un algoritmo de clasificación de selección negativa (NSCA). Para este estudio, se ha utilizado una base de datos de señales de EEG de código abierto ampliamente estudiada (conjunto de datos BCI IV-Graz 2a, que comprende nueve sujetos). Los coeficientes cepstrales de frecuencia Mel (MFCC) se extraen como características seleccionadas de las señales de EEG registradas. La reducción de la dimensionalidad de los datos se lleva a cabo mediante la aplicación de dos autocodificadores ocultos apilados en capas. Los detectores optimizados por algoritmo genético (GA) (linfocitos artificiales) se entrenan utilizando el algoritmo de selección negativa (NSA) para la detección y clasificación de cuatro movimientos motores. Los detectores entrenados constan de cuatro conjuntos de detectores, cada conjunto está entrenado para la detección y clasificación de uno de los cuatro movimientos de los otros tres movimientos. El radio optimizado del detector es lo suficientemente pequeño como para no detectar mal la muestra. Se toma la distancia euclidiana de cada detector con cada muestra de conjunto de datos de entrenamiento y se compara con el radio optimizado del detector como un detector no propio. Nuestro enfoque propuesto logró una precisión de clasificación media del 86,39% para los movimientos de las extremidades en nueve sujetos con una precisión de clasificación individual máxima del 97,5% para el sujeto número ocho.

Les systèmes immunitaires artificiels (SIA) sont des algorithmes intelligents dérivés des principes inspirés par le système immunitaire humain. Dans cette étude, les signaux d'électroencéphalographie (EEG) pour quatre mouvements moteurs distincts des membres humains sont détectés et classés à l'aide d'un algorithme de classification par sélection négative (NSCA). Pour cette étude, une base de données de signaux EEG open source largement étudiée (ensemble de données BCI IV-Graz 2a, comprenant neuf sujets) a été utilisée. Les coefficients cepstraux de fréquence Mel (MFCC) sont extraits en tant que caractéristiques sélectionnées à partir des signaux EEG enregistrés. La réduction de la dimensionnalité des données est réalisée en appliquant deux auto-encodeurs superposés à couches cachées. Les détecteurs optimisés par algorithme génétique (GA) (lymphocytes artificiels) sont entraînés à l'aide d'un algorithme de sélection négative (NSA) pour la détection et la classification de quatre mouvements moteurs. Les détecteurs formés se composent de quatre ensembles de détecteurs, chaque ensemble est formé pour la détection et la classification de l'un des quatre mouvements des trois autres mouvements. Le rayon optimisé du détecteur est suffisamment petit pour ne pas mal détecter l'échantillon. La distance euclidienne de chaque détecteur avec chaque échantillon d'ensemble de données d'entraînement est prise et comparée au rayon optimisé du détecteur en tant que détecteur non autonome. Notre approche proposée a atteint une précision de classification moyenne de 86,39 % pour les mouvements des membres sur neuf sujets avec une précision de classification individuelle maximale de 97,5 % pour le sujet numéro huit.

Artificial immune systems (AIS) are intelligent algorithms derived from the principles inspired by the human immune system. In this study, electroencephalography (EEG) signals for four distinct motor movements of human limbs are detected and classified using a negative selection classification algorithm (NSCA). For this study, a widely studied open source EEG signal database (BCI IV-Graz dataset 2a, comprising nine subjects) has been used. Mel frequency cepstral coefficients (MFCCs) are extracted as selected features from recorded EEG signals. Dimensionality reduction of data is carried out by applying two hidden layered stacked auto-encoder. Genetic algorithm (GA) optimized detectors (artificial lymphocytes) are trained using negative selection algorithm (NSA) for detection and classification of four motor movements. The trained detectors consist of four sets of detectors, each set is trained for detection and classification of one of the four movements from the other three movements. The optimized radius of detector is small enough not to mis-detect the sample. Euclidean distance of each detector with every training dataset sample is taken and compared with the optimized radius of the detector as a nonself detector. Our proposed approach achieved a mean classification accuracy of 86.39% for limb movements over nine subjects with a maximum individual subject classification accuracy of 97.5% for subject number eight.

أجهزة المناعة الاصطناعية (AIS) هي خوارزميات ذكية مستمدة من المبادئ المستوحاة من الجهاز المناعي البشري. في هذه الدراسة، يتم الكشف عن إشارات تخطيط كهربية الدماغ (EEG) لأربع حركات حركية متميزة للأطراف البشرية وتصنيفها باستخدام خوارزمية تصنيف الاختيار السلبي (NSCA). في هذه الدراسة، تم استخدام قاعدة بيانات إشارات EEG مفتوحة المصدر تمت دراستها على نطاق واسع (BCI IV - Graz dataset 2a، التي تضم تسعة مواضيع). يتم استخراج معاملات التردد الكبدي MEL (MFCCs) كميزات مختارة من إشارات EEG المسجلة. يتم تقليل أبعاد البيانات من خلال تطبيق طبقتين مخفيتين من الترميز التلقائي المكدس. يتم تدريب أجهزة الكشف المحسنة للخوارزمية الوراثية (GA) (الخلايا الليمفاوية الاصطناعية) باستخدام خوارزمية الاختيار السلبي (NSA) للكشف عن أربع حركات حركية وتصنيفها. تتكون أجهزة الكشف المدربة من أربع مجموعات من أجهزة الكشف، ويتم تدريب كل مجموعة على اكتشاف وتصنيف واحدة من الحركات الأربع من الحركات الثلاث الأخرى. نصف القطر الأمثل للكاشف صغير بما يكفي لعدم اكتشاف العينة بشكل خاطئ. يتم أخذ المسافة الإقليدية لكل كاشف مع كل عينة مجموعة بيانات تدريبية ومقارنتها بنصف القطر الأمثل للكاشف ككاشف غير ذاتي. حقق نهجنا المقترح متوسط دقة تصنيف بنسبة 86.39 ٪ لحركات الأطراف أكثر من تسعة أشخاص مع دقة تصنيف فردية قصوى للموضوع بنسبة 97.5 ٪ للموضوع رقم ثمانية.