Selección de Características Multi-objetivo Paralela para Aplicaciones de Electroencefalografía: Una Implementación Híbrida con Python y C++

Los electroencefalogramas son señales eléctricas compuestas por un número elevado de características, por lo que el coste computacional de las tareas asociadas a esta disciplina es normalmente bastante alto. Una solución factible para este problema es el uso de metaheurísticas eficientes que proporcionen una solución adecuada para el problema en un tiempo razonable. Además, elegir un lenguaje de programación apropiado es vital ya que influirá en la eficiencia del procedimiento a implementar. A pesar de que los lenguajes de programación con una curva de aprendizaje baja como Python son muy utilizados, no son la mejor elección a la hora de lograr una gran eficiencia. En este contexto, usar lenguajes de más bajo nivel como C++ se torna en algo fundamental ya que permiten a los programadores aprovechar mejor todas las capacidades del hardware. Con esto en mente, este trabajo propone un procedimiento de selección de características multi-objetivo paralelo que ha sido implementado con C++ y Python. Concretamente, se han desarrollado cuatro versiones diferentes, las cuales se han evaluado desde un punto de vista energía-tiempo a fin de resaltar las fortalezas y debilidades de cada una de ellas.