Subido por juan sebastian loaiza

construccion

Anuncio
UNIVERSIDAD DEL NORTE
Diseño y construcción de una interfaz
cerebro computadora para el control de
una silla de ruedas como ayuda a
personas con discapacidad motriz
Por
Cristian Yarisse Olivares Carrillo
Bajo la supervisión de:
Jaime Fernando Delgado Saa, Ph.D
Tesis presentada en cumplimiento parcial para optar al
tı́tulo de Magister en Ingenierı́a Electrónica
en la
División de Ingenierı́a
Departamento de Ingenierı́a Eléctrica y Electrónica
Julio 2017
UNIVERSIDAD DEL NORTE
RESUMEN
DIVISIÓN DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
Maestrı́a en Ingenierı́a Electrónica
por Cristian Yarisse Olivares Carrillo
Bajo la supervisión de:
Jaime Fernando Delgado Saa, Ph.D
Una interfaz cerebro-computadora (BCI -por sus siglas en ingles) es un sistema que
pretende establecer un camino de comunicación no muscular entre un ser humano y una
computadora, permitiendo conexión directa entre el cerebro y el mundo externo. En los
últimos años este campo ha sido explotado, desde la industria del videojuego hasta la
medicina, particularmente en el campo de la rehabilitación.
El desarrollo presentado en este trabajo está fundamentado en el estado del arte de
sistemas BCI, agregando mejoras basadas en observaciones de caracterı́sticas particulares de señales EEG. El desarrollo llevó un orden establecido para cumplir objetivos
especı́ficos, asegurando el cumplimiento del objetivo general.
Se comprobó el desempeño del sistema mediante métodos estadı́sticos como validación
cruzada, análisis cualitativo y cuantitativo de las respuestas del sistema, con base en las
instrucciones dadas al sujeto durante sesiones de grabación de señales cerebrales.
Esta tesis es relevante para el ámbito local e internacional debido a que los tiempos
de respuesta de los sistemas actuales son de hasta 20 segundos. Además, actualmente
se diagnostican en promedio 384 casos nuevos de esclerosis lateral amiotrófica (ALS)
por dı́a, en todo el mundo. Por ende, el campo de BCI puede ser una solución muy
importante si se pone en manos de personas dedicadas a la investigación para futuros
avances.
En la presente investigación se logró desarrollar un prototipo funcional para el control de
una silla de ruedas usando señales de EEG mediante la extracción de potenciales visuales
evocados de estado estacionario (SSVEP), obteniendo tiempos de respuesta menores a
los observados en BCIs convencionales, lo que significa una mejora considerable para
sistemas BCI prácticos.
Tabla de Contenido
Agradecimientos
xi
1 Introducción
1.1 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Alcances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2
2
3
3
3
3
3
2 Estado Del Arte
2.1 Interfaz Cerebro-Computadora (BCI) . . . . . . . . . . . . . . . . . . . . .
2.2 Paradigmas usados para control . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Métodos de clasificación y técnicas de análisis . . . . . . . . . . . . . . . .
2.3.1 Linear Discriminant Analysis (LDA) . . . . . . . . . . . . . . . . .
2.3.1.1 Discriminante Lineal de Fisher . . . . . . . . . . . . . . .
2.3.1.2 LDA Multiclase . . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Support Vector Machines (SVM) . . . . . . . . . . . . . . . . . . .
2.3.3 Principal Component Analysis (PCA) . . . . . . . . . . . . . . . .
2.3.4 Independent Component Analysis (ICA) . . . . . . . . . . . . . . .
2.3.5 Constrained ICA (cICA) . . . . . . . . . . . . . . . . . . . . . . . .
2.3.6 Canonical Correlation . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.7 Coherence Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
5
5
7
7
9
9
9
11
11
12
13
13
3 Metodologı́a
15
3.1 Descripción General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Descripción de los Experimentos . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.1 Bases de datos externas . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Bases de datos propias . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Pre-Procesamiento de Señales . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1 Filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.2 Remoción de artefactos . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.3 Representación en el dominio de la frecuencia . . . . . . . . . . . . 21
3.3.4 Análisis en el dominio temporal . . . . . . . . . . . . . . . . . . . . 21
3.4 Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
v
vi
TABLA DE CONTENIDO
3.5
Descripción de la BCI para silla de ruedas . . . . . . . . . . . . . . . . . . 27
4 Resumen de los Resultados
31
5 Conclusiones y trabajo futuro
35
Bibliografı́a
37
Lista de Figuras
2.1
2.2
2.3
2.4
2.5
Componentes de ERP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Clasificador lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
LDA Multiclase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Independent component analysis implementado en EEGLAB . . . . . . . 12
Modelado de coherencia de una señal cortico-muscular[51].(a) Espectro de
potencia simulado de LFP, (b) Espectro de potencia simulado de EMG. (c)
Coherencia cortico-muscular simulada. (d) Datos de coherencia corticomuscular en un humano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1
3.2
3.3
3.4
3.5
3.7
3.8
Esquema General del sistema BCI implementado. . . . . . . . . . . . . . . 15
Esquema General de adquisición de la base de datos BSPAI-SSVEP. . . . 17
Distribución de electrodos internacional 10-20 . . . . . . . . . . . . . . . . 18
Uso de Fourier para detección de frecuencia fundamental en el electrodo Oz 22
Implementación análisis de ventanas de tiempo usando base de datos
propia sobre una repetición de 9.4 Hz . . . . . . . . . . . . . . . . . . . . 23
Comparación de clasificación empleando análisis temporal Vs. Datos sin
análisis temporal, sobre base de datos propia #1 . . . . . . . . . . . . . . 26
Equipo Emotiv EPOC+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Esquema Conexión de Hardware . . . . . . . . . . . . . . . . . . . . . . . 29
4.1
Implementación BCI en sujeto. . . . . . . . . . . . . . . . . . . . . . . . . 33
3.6
vii
Lista de Tablas
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
Resultados de clasificación control off-line . . . . . . . . . . . . . . . . . .
Resultados de error en clasificación empleando LDA en la base de datos
externa #1. Los valores se muestran en porcentajes. . . . . . . . . . . . .
Resultados de error en clasificación empleando LDA en la base de datos
externa #2. Los valores se muestran en porcentajes. . . . . . . . . . . . .
Resultados de error clasificación empleando SVM en la base de datos
externa #2. Los valores se muestran en porcentajes. . . . . . . . . . . . .
Resultados de clasificación empleando LDA en la base de datos propia
#1. Los valores se muestran en porcentajes. . . . . . . . . . . . . . . . . .
Resultados de clasificación empleando SVM en la base de datos propia
#1. Los valores se muestran en porcentajes. . . . . . . . . . . . . . . . . .
Resultados de clasificación empleando LDA en la base de datos propia #1,
aplicando el método de promediado de ventanas. Los valores se muestran
en porcentajes. Solo se muestran los primeros 5 segundos . . . . . . . . .
Resultados de clasificación empleando SVM en la base de datos propia #1,
aplicando el método de promediado de ventanas. Los valores se muestran
en porcentajes. Solo se muestran los primeros 5 segundos . . . . . . . . .
ix
21
24
24
25
26
26
27
27
Agradecimientos
Quiero brindar ante todo un agradecimiento a mi familia quienes en cada momento de
esta decisión han sabido apoyarme y brindarme un respaldo a mis decisiones, especialmente a mi mamá cada dı́a brindándome una sonrisa y un apoyo en los momentos de
cansancio.
Agradezco al grupo de investigación BSPAI por acogerme al iniciar mi maestrı́a. A
todos sus integrantes por hacer parte de mi proyecto, por permitirme realizar pruebas
en ellos, por brindarme palabras de apoyo y consejo. Quiero agradecer especialmente a
mi director de tesis y amigo Jaime Fernando Delgado Saa, por guiarme en este camino,
por tolerar mis errores y mostrarme por medio de la coherencia de quien ya ha pasado por
este camino encontrar un propósito para la investigación. Agradezco de especial manera
a Jorge Humberto Cristancho Cuervo amigo y compañero permanente de laboratorio,
quien incluso en horas libres fue apoyo brindado consejos desde su experiencia.
A todos los profesores que durante mi proceso estuvieron enseñándome y muchas veces siendo orientadores, al Departamento de Ingenierı́a Eléctrica y Electrónica de la
Universidad del Norte por permitirme usar sus espacios para el desarrollo del presente.
xi
Caminar en una dirección definida, de forma constante y a pesar de
cualquier circunstancia, determina el carácter de un ganador. La
constancia es la única garantı́a que tenemos para convertir los
sueños en resultados.”
Carlos Saul Rodriguez
xiii
Capı́tulo 1
Introducción
1.1
Antecedentes
La rehabilitación de pacientes con discapacidad es una de las áreas de mayor investigación en medicina [1; 2; 3; 4; 5]. Se ha especulado que la actividad electroencefalográfica
(EEG) u otras medidas electrofisiológicas de la función cerebral podrı́an proporcionar
un nuevo canal no muscular para enviar mensajes y órdenes al mundo externo. Este
canal de comunicaciones solamente puede ser utilizado a través de una interfaz cerebrocomputadora (BCI) [1; 4]. Una BCI permite utilizar las señales cerebrales adquiridas
por EEG para acciones de control con una interfaz de computadora [6; 7].
Para la aplicación de la BCI se han utilizado diferentes métodos. Los más notables son el
uso combinado de potenciales relacionados con eventos (ERP) y ritmos sensorimotores
[8; 9; 10; 11].
En Colombia, el desarrollo de la BCI está enfocado sólo en el speller P3001 [12; 13;
14]. Está tesis se centra en el desarrollo de una interfaz cerebro computadora basada
en potenciales visuales de estado estacionario (SSVEP - “steady state visual evoked
potential”). Estos son potenciales ERP que suceden de manera sı́ncrona a estı́mulos
presentados al sujeto. Una muestra de desarrollos locales de BCI explotando SSVEP se
pueden encontrar en [15; 16].
En la comunidad BCI, a nivel internacional, existe una tendencia a utilizar el análisis
en el dominio de la frecuencia como una herramienta básica para extracción de caracterı́sticas. Los tiempos de respuesta de los sistemas son de hasta 20 segundos[17], lo que
no resulta práctico en aplicaciones de la vida cotidiana. Esta tesis presenta el desarrollo de una interfaz basada en potenciales evocados visuales de estado estacionario con
aplicación al control de movimiento de una silla de ruedas.
1
P300 es un potencial ERP que mide la atención del sujeto explorando una respuesta del cerebro
alrededor de 300 ms después de un estı́mulo esperado.
1
Capı́tulo 1. Introducción
1.2
Capı́tulo 1 Introducción
Justificación
Una interfaz cerebro-computadora es un sistema que establece un medio de comunicación no muscular entre un ser humano y un ordenador. Las enfermedades tales como
la esclerosis lateral amiotrófica (ELA o ALS) o enfermedades neuro-motoras (MND)
reducen considerablemente la calidad de vida de las personas, hasta el punto de que
el sujeto podrı́a desarrollar el “sı́ndrome de bloqueo” debido a que la persona es incapaz de comunicarse o moverse. De acuerdo con la alianza internacional de asociaciones
ALS / MND (el principal foro de intercambio e investigación referente a este tipo de
enfermedades), existen aproximadamente 140.000 nuevos casos diagnosticados de ALS
en todo el mundo cada año, esto es, 384 casos nuevos cada dı́a [18].
Se han desarrollado diferentes tipos de BCI con diferentes paradigmas de control (P300,
potenciales corticales lentos y SSVEP entre otros). Sin embargo, SSVEP es uno de los
fenómenos de explotación con mayor potencial debido a la simplicidad de caracterización,
observación y estudio en el cerebro a través de potenciales evocados visuales.
El objetivo de esta investigación fue desarrollar un sistema capaz de controlar una silla
de ruedas utilizando potenciales SSVEP. Para ello se diseñaron e implementaron bloques
de pre-procesamiento, extracción de caracterı́sticas, clasificación y control. Se espera que
el desarrollo de estas tecnologı́as contribuya al desarrollo del grupo de investigación y,
lo más importante, esta investigación sea tenida en cuenta para la mejora en la calidad
de vida de las personas que sufren enfermedades neurodegenerativas.
1.3
Planteamiento del problema
El número de personas con discapacidad aumenta año tras año, y es relevante centrar
mayores esfuerzos en el desarrollo de tecnologı́as para su seguridad y salud. Las BCI son
una oportunidad para aquellas personas que han perdido la capacidad de interactuar
parcial o totalmente con su entorno, debido a accidentes o enfermedades como ALS.
Este tipo de enfermedades comprometen la calidad de vida de las personas al quitarles
la habilidad motriz. Gracias a las BCI, una persona que depende de terceros para
actividades como desplazarse en su propio hogar, podrı́a volver a recuperar un poco de
su independencia y, por consiguiente, mejorar su calidad de vida.
Capı́tulo 1. Introducción
1.4
Objetivos
1.4.1
Objetivo General
3
Diseño e implementación de un prototipo funcional para el control de una silla de ruedas
usando señales EEG.
1.4.2
Objetivos Especı́ficos
1. Desarrollar un algoritmo para pre-procesamiento de señales de estado estacionario
generadas por potenciales visuales obtenidas por grabaciones electroencefalográficas.
2. Implementar y probar diferentes algoritmos basados en machine learning para la
clasificación de señales EEG usando set de datos.
3. Diseñar e implementar una interfaz entre un PC y una silla de ruedas eléctrica
para el control del movimiento.
4. Diseñar experimentos de captura de señales EEG.
5. Probar la operación del sistema en general (Silla de ruedas con sistema de control).
1.5
Alcances
• El sistema de control de la silla de ruedas aceptará al menos 3 instrucciones.
• El prototipo puede ser controlado usando señales EEG explotando SSVEP primeramente.
1.6
Limitaciones
• El prototipo funciona con movimientos secuenciales.
• El movimiento de la silla de ruedas podrá ser adelante, a la derecha y a la izquierda.
• Al cambiar el sujeto, el sistema debe ser entrenado nuevamente.
• Las pruebas serán realizadas en individuos sanos, sin limitar la posibilidad de
probar en personas discapacitadas.
• Solo serán usadas señales EEG.
• Pruebas preliminares fueron realizadas con bases de datos de terceros, debidamente
referenciadas.
Capı́tulo 2
Estado Del Arte
2.1
Interfaz Cerebro-Computadora (BCI)
Una interfaz cerebro-computadora (o BCI, por sus siglas en inglés) es un sistema que
permite la comunicación directa entre el cerebro y el ambiente externo, sin necesidad de
las formas naturales de comunicación del cuerpo. Una interfaz cerebro computadora está
compuesta por dos partes principalmente: la adquisición de señales y el procesamiento
de señal que, a su vez, se encuentra dividida en extracción de caracterı́sticas y algoritmos
de traducción [19; 1; 4].
Una interfaz BCI puede ser dependiente o independiente, de acuerdo al paradigma usado
para la toma de decisiones. Se define como dependiente cuando las caracterı́sticas usadas
son producto de la respuesta normal del cerebro. Un ejemplo de BCI dependiente emplea
estı́mulos que producen potenciales evocados visuales en estado estacionario (SSVEP).
Por otra parte las independientes no dependen del comportamiento de la respuesta
cerebral producida en un momento determinado, sino que requieren de una respuesta
voluntaria por parte del sujeto. Un ejemplo de BCIs independientes son los paradigmas
de tipo P300, donde la respuesta se genera únicamente cuando la persona espera el
estı́mulo que se le está exponiendo.
2.2
Paradigmas usados para control
Para la implementación de sistemas BCI existen paradigmas que pueden ser explotados
de acuerdo a la naturaleza de los estı́mulos y sus caracterı́sticas tomadas. Se destacan:
• Potenciales relacionados a eventos (ERP)
Los potenciales relacionados a eventos (ERP) son mediciones eléctricas que se producen sobre la corteza cerebral, asociando estos potenciales, afectivos o cognitivos.
5
Capı́tulo 2. Estado Del Arte
Capı́tulo 2 Estado Del Arte
Los ERP son de amplitudes bajas (1-30 µV) en relación a las señales EEG [31; 39]
que se detectan al promediar varias señales, para distinguirla de otras señales EEG
aleatorias. De acuerdo a la naturaleza de la señal ERP, es denotada con la letra P
o N, si su amplitud máxima es positiva o negativa, seguida del tiempo en ms en
que se presentan. P300 (P3), N100 (N1)y N400 (N400) son los ERPs más comunes.
En la figura 2.1 se tiene una muestra de algunos ERPs.
Figura 2.1: Componentes de ERP
• Potenciales evocados visuales
Un caso particular de ERP son los Potenciales relacionados a eventos visuales
(VEP) [31]. Estos suelen ser detectados a partir del promedio de la respuesta
involuntaria del cerebro, medida en el electrodo Oz, ante un estı́mulo de tipo
flanco, emitido de distintas formas y a determinadas frecuencias. En la mayorı́a
de casos se emplean cuadros o tableros de ajedrez oscilando entre dos colores,
normalmente blanco y negro [20]. Dentro de los VEP, actualmente las interfaces
BCI están basadas en dos grupos: P300 y SSVEP:
• Potenciales evocados P300
P300 o P3 es la suma de las amplitudes registradas en torno a un electrodo que
representa la suma de actividades de diferentes generadores neuronales [21][22], P
proviene de ”Positivo” y 300 porque sucede entre 250 ms y 300 ms, luego de un
evento esperado por el sujeto. Es un ERP utilizado frecuentemente debido a su
magnitud (ver P3 en Figura 2.1) respecto a otros ERPs; sin embargo, las BCI
basadas en P300 son lentas en comparación a otros ERP, pues se requiere de varias
repeticiones para su correcta detección.
• Potenciales Visuales Evocados de Estado Estacionario (SSVEP)
A diferencia del P300 que requiere de un promedio para su evaluación, los potenciales visuales de estado estacionario son respuestas producidas por el cerebro ante
Capı́tulo 2. Estado Del Arte
7
estı́mulos oscilatorios a una frecuencia determinada. Por ejemplo, si se somete al
sujeto a un tren de pulsos, se espera observar una respuesta coherente con este
estı́mulo en la región occipital del cerebro [23]. Un SSVEP, por su naturaleza, es
normalmente detectado mediante el análisis en frecuencia de las señales cerebrales.
Un ejemplo de la detección SSVEP mediante este método se puede observar en la
figura 3.4. En ella se observa como se destacan ciertos picos de frecuencias en
todo el espectro disponible en la medición.
• Potenciales corticales lentos (SCP)
Los potenciales corticales lentos se presentan en un EEG cuando una región del
cerebro se polariza por un periodo de tiempo prolongado [24], tomando como
premisa que la polarización de las señales EEG es considerada aleatoria salvo que
se esté realizando una acción especı́fica por parte del sujeto. El tiempo que toma
realizar las detecciones de SCP es demasiado amplio en relación a las BCI basadas
en otros paradigmas, como SSVEP.
• Ritmos sensorimotores (SMR)
Los ritmos sensorimotores (SMR, por sus siglas en inglés), son señales rı́tmicas
sincronizadas que aparecen en determinadas bandas de frecuencia en la corteza
cerebral. Las bandas µ (8 - 12 Hz) y/o β (18 - 26 Hz) son usadas por su relación
con la actividad en la corteza motora. Este tipo de señales son usadas a través de
la extracción de caracterı́sticas de las señales EEG en las bandas descritas [32].
Mediante este tipo de caracterı́sticas se puede determinar, por ejemplo, si un sujeto en particular está accionando una extremidad en particular. Con técnicas
más detalladas se ha logrado establecer -e incluso predecir- qué dedo está siendo
excitado por el sujeto, basado únicamente en los SMR [33; 34; 35; 36; 37].
2.3
Métodos de clasificación y técnicas de análisis
El principal fin de una BCI es ejercer control sobre una máquina. Normalmente este
control es dado a partir de unos comportamientos cerrados, previamente determinados.
Por consiguiente, es tarea de los algoritmos de clasificación decidir, de acuerdo con las
caracterı́sticas extraı́das, el comportamiento a seguir. A estos comportamientos cerrados
se les llama clases.
2.3.1
Linear Discriminant Analysis (LDA)
Un discriminante es una función que toma un vector x y lo asigna a una de K clases,
asumiendo que estas clases, denotadas como Ck , tienen distribuciones normales. En
particular, cuando se emplea LDA, la función discriminante -que establece los criterios
Capı́tulo 2. Estado Del Arte
Capı́tulo 2 Estado Del Arte
de decisión- consiste en un conjunto de hiperplanos entre las diferentes clases. Por ende,
es posible clasificar para K > 2 clases[38].
Figura 2.2: Clasificador lineal
En la figura 2.2 se observan que entre las dos clases (puntos negros y blancos) pueden
haber infinitas funciones que establecen claramente separación entre una clase y otra.
Sin embargo, la linea H2 es la mejor opción debido a que crea la mayor separación posible
entre las dos clases. En el anterior ejemplo la discriminación es simple, sin embargo esto
es sólo un caso particular.
En general la decisión de una clase u otra es determinada por una función lineal como
sigue:
y(X) = W T X + w0
(2.1)
Donde W es el vector de peso que determina qué tan influyente es una caracterı́stica
representada en el vector de entrada X. W determina la inclinación óptima que permite
que la distancia entre las dos clases sea la misma. w0 es un valor constante (bias) que
busca centralizar el discriminante entre las clases. En el caso de una clasificación binaria,
si y(x) ≥ 0 se asigna a la clase C1 ; en cualquier otro caso se asigna a la clase C2 .
El calculo de w0 es obtenido tomando un punto de referencia en la superficie de decisión,
esto es, y(x) = 0. Debido a esto, la distancia normal es obtenida por:
w0
WTX
=
kW k
kW k
(2.2)
Capı́tulo 2. Estado Del Arte
2.3.1.1
9
Discriminante Lineal de Fisher
El discriminante lineal de Fisher es un caso particular de obtención de los parámetros de
LDA. Mientras en LDA se emplean los puntos de una clase para establecer la distancia
a la superficie de decisión, Fisher toma en cuenta la presunción de distribución normal
de las clases y emplea el valor medio como sigue:
N
N
n∈C1
n∈C2
1 X
1 X
x n , m2 =
xn
m1 =
N1
N2
(2.3)
Proyectando las clases sobre un hiperplano ortogonal a w se busca la maximización de
las diferencias de media (ver ecuación 2.4), permitiendo a su vez obtener las distancias
más grandes posibles utilizando una lı́nea recta ortogonal al plano formado.
m2 − m1 = wT (m2 − m1 )
(2.4)
En la figura 2.2 H1 se encuentra a la misma distancia de los puntos tomados como
referencia; sin embargo, no es la distancia máxima entre estas. Al aplicar el método
del discriminate de Fisher se obtiene H2 , el cual divide los dos conjuntos de clases a la
misma distancia.
2.3.1.2
LDA Multiclase
Haciendo extensión del método de LDA para dos clases, se puede generalizar para multiclase. El método multiclase expuesto en figura 2.3 muestra cómo a través de LDA se
puede obtener un clasificador multiclase, colocando cada clase versus las demás. Este
método es llamado.
2.3.2
Support Vector Machines (SVM)
SVM o máquinas de vectores de soporte es un técnica de aprendizaje de máquina que
busca el mejor hiperplano posible entre dos clases para establecerlo como lı́mite de decisión. En su definición fundamental, es un clasificador de dos clases que optimiza la
distancia entre elementos cercanos al maximizar las distancias entre estos. Este clasificador es basado en la proyección de un vector de caracterı́sticas sobre vectores auxiliares
llamados vectores de soporte.
Para el caso de dos clases, podemos tener hiperplanos lineales o no lineales que satisfacen
nuestros requerimientos, siendo este el punto fuerte de SVM. Además, es posible emplear
Capı́tulo 2. Estado Del Arte
Capı́tulo 2 Estado Del Arte
Figura 2.3: LDA Multiclase
funciones para modificar los elementos de determinadas clases y, con estas transformaciones, ampliar las distancias entre las clases, a fin de que se puedan separar mediante
hiperplanos. Estas funciones se conocen como kernel. De acuerdo al kernel, ası́ sera la
transformación y las dimensiones del nuevo problema de clasificación.
La extensión a multiclases es propuesta mediante dos métodos distintos:
• Combinando multiples SVM de dos clases, convirtiendo el clasificador en un multiclase (one versus the rest):
(Vapnick,1998) propone construir K SVM con K th modelos yk (x) entrenados con
datos de la clase Ck como verdaderos y los datos de las K − 1 clases restantes
como falsos (entiéndase K como el número de clases totales, y Ck como una clase
particular). En la figura 2.3 se muestra cómo múltiples clasificadores funcionan
para clasificar entre dos clases (Recuadro B,C,D) y si se realiza una combinación
de estos clasificadores se pueden clasificar las 3 clases propuestas (Recuadro A). El
principal problema de esta técnica es que una misma entrada puede ser asignada
a diferentes clases simultáneamente. Esto conlleva errores al realizar predicciones
de nuevas entradas.
• Construir K(K − 1)/2 clasificadores de 2 clases (one versus one):
El principal problema del método anterior es que bajo ciertas condiciones puede
haber un objeto perteneciendo a dos o más clases, reduciendo la precisión del
sistema a la hora de clasificar datos nuevos. A fin de cubrir todos los pares posibles
de clases, se han estudiado métodos que confronta cada clases contra todas las
posibles clases. A este método se le conoce como one versus one.
Capı́tulo 2. Estado Del Arte
11
Este método esta basado en en contar cuántos clasificadores de los creados determina que un elemento pertenece a una misma clase. La clase que obtenga el mayor
número de “votos” será seleccionada como la clase a la que pertenece el elemento.
A diferencia del método anterior, al tener que enfrentar cada clase con las demás
por separado, el tiempo de entrenamiento y el tiempo de cómputo será mayor al
momento de evaluar entradas nuevas.
2.3.3
Principal Component Analysis (PCA)
Este método está basado en caracterı́sticas, obteniendo de ellas distintas proyecciones
sobre un nuevo espacio. Los vectores (componentes) obtenidos procuran que la varianza
en ellos sea la máxima posible. Con este método, se espera que el primer componente
obtenido contenga la mayor varianza de la señal original. De esta forma, la varianza
en las demás componente va decreciendo hasta llegar al máximo número de vectores
disponibles. Esto permite obtener caracterı́sticas de la señal original a partir de la
información particular de las componentes.
El uso de PCA se combina con otros métodos basados en análisis temporal de la señal.
Con ello, se busca dividir la señal en sus generadoras, permitiendo mediante el correcto
análisis eliminar artefactos (señales de interferencia), como por ejemplo el movimiento
ocular o el ritmo cardiaco. El uso de PCA permite disminuir la dimensionalidad de las
caracterı́sticas, al poder centrar el análisis en los componente principales, permitiendo
que con la misma cantidad de señal se pueda reducir el tiempo de cómputo[40; 41].
2.3.4
Independent Component Analysis (ICA)
ICA es un método de procesamiento de señales que asume que cualquier señal tiene
componentes estadı́sticamente independientes y de distribución no normal. Este método
es ampliamente utilizado en discriminación de voz, teniendo en cuenta que cada sonido
tiene una fuente independiente de las demás.
En la figura 2.4 se aprecia las magnitudes extradias de una señal EEG teniendo como
fuente 10 canales de información, cada uno de estos corresponde en la practica a los
electrodos posicionados sobre la cabeza. ICA permite que si se cuenta con un número
suficiente de canales es posible extraer todas las componentes presentes en una señal. A
nivel de BCI se parte del principio que las señales en el cerebro se componen de sumas
de señales con distintas fuentes de origen.
El uso de ICA se puede combinar con el método tradicional de análisis de armónicos
usando Fourier y un clasificador LDA. Existen distintos métodos de uso de ICA, como
Capı́tulo 2. Estado Del Arte
Capı́tulo 2 Estado Del Arte
Figura 2.4: Independent component analysis implementado en EEGLAB
puede verse en [42], sin embargo ICA por sı́ solo no detecta señales SSVEP. Éstas son detectadas mediante la correcta extracción de caracterı́sticas al seleccionar la componente
correcta. También puede ser utilizado en remoción de artefactos [39].
En ICA, se asume que existen m fuentes s(t) = [s1 (t), s2 (t), . . . , sm (t)] y estas son
observadas por n canales x(t) = [x1 (t), x2 (t), . . . , xn (t)]. ICA propone que estos canales
son el resultado de la combinación lineal de las fuentes. [43]
x(t) = As(t)
(2.5)
Donde A es de tamaño n x m y representa la combinación de las fuentes. ICA busca
encontrar una matriz W tal que permita obtener las fuentes originales
s(t) = Wx(t)
(2.6)
Donde W = [w1 , w2 , . . . , wn ] es la matrix que decodifica las fuentes originales. ICA
asume que el número de canales es igual al número de fuentes independientes [43].
2.3.5
Constrained ICA (cICA)
ICA extrae tantos componentes como canales de medición se tengan disponibles, lo que
ocasiona que se obtengan en muchos casos señales irrelevantes y se subutilice el método
Capı́tulo 2. Estado Del Arte
13
en caso de querer obtener, por ejemplo, una única señal deseada. Constrained ICA
(cICA) es una técnica que permite extraer únicamente los componentes solicitados, al
incluir información previa. Por esta razón también es conocido como ICA-R (ICA con
referencia)[43]. Una explicación detallada de cICA puede obtenerse de [44].
2.3.6
Canonical Correlation
El Análisis de Correlación Canónica (CCA) es un método estadı́stico multivariado para
maximizar la correlación entre la señal EEG y las señales planas sinusoidales asociadas
a la frecuencia de parpadeo en SSVEP[47].
El método está basado en tomar un conjunto de señales de entrada x(t), tomado de
los canales EEG disponibles. Basado en que cualquier señal periódica puede ser descompuesta en un un conjunto de señales sinusoidales, el segundo conjunto de señales
de referencia y(t) está basado en la descomposición en serie de Fourier de una señal
cuadrada[45].

y1 (t)


sen(2πf t)


 

 y2 (t)   cos(2πf t) 

 

 y3 (t)   sen(4πf t) 

 

y(t) =  .  = 

..
 ..  

.

 


 

yn−1 (t) sen(mπf t)
yn (t)
cos(mπf t)
(2.7)
Donde f es la frecuencia base del estı́mulo.La detección de f está basada en el nivel
de correlación entre las señales de prueba y las señales de referencia. Se espera que la
mayor correlación se obtenga cuando se utiliza una señal de referencia con la frecuencia
del estı́mulo SSVEP.
CCA es funcional y brinda buenos resultados, siempre que las señales a detectar se
encuentren dentro de los diccionarios de señales de referencia. Un ejemplo de las aplicaciones de CCA se puede obtener en [46; 48].
2.3.7
Coherence Analysis
El análisis de Coherencia es un método basado en el análisis de la fase de las señales.
Algunos estudios han demostrado que la respuesta del cerebro de un sujeto expuesto a
estı́mulos evocados visuales se encuentra en fase con el estı́mulo al que se encuentra expuesto. Este fenómeno es conocido como phase−locking[49]. Otros estudios demuestran
que el análisis de fase puede ser medido y utilizado mediante el análisis de coherencia[50],
definido como la correlación cruzada de la densidad espectral de potencia.
Capı́tulo 2. Estado Del Arte
Capı́tulo 2 Estado Del Arte
Cxy (f ) =
|Gxy (f )|2
Gxx (f )Gyy (f )
(2.8)
El método establece que el valor de la correlación cruzada será máximo (1) si tanto
la señal de muestra como la señal de referencia se encuentran en fase. Una de las
principales aplicaciones del análisis de coherencia en Bioingenierı́a es la caracterización
de los movimientos musculares de acuerdo a impulsos cerebrales[51]. En la figura 2.5
se observa mediante un análisis de coherencia que la señal muscular EMG está en fase
con la señal LP, y en ese instante la correlación cruzada es máxima.
Figura 2.5: Modelado de coherencia de una señal cortico-muscular[51].(a) Espectro de
potencia simulado de LFP, (b) Espectro de potencia simulado de EMG. (c) Coherencia
cortico-muscular simulada. (d) Datos de coherencia cortico-muscular en un humano.
Capı́tulo 3
Metodologı́a
3.1
Descripción General
Figura 3.1: Esquema General del sistema BCI implementado.
El sistema propuesto está organizado en distintos bloques, como se puede apreciar en la
Figura 3.1. El bloque de color rojo corresponde a la conexión entre el sistema de control
y la silla de ruedas. Éste está compuesto por un enlace USB del computador hacia el
micro controlador, el cual está conectado a un circuito opto-acoplado que convierte las
señales digitales recibidas del micro controlador a señales analógicas, al mismo tiempo
que aı́sla tanto al sujeto como al bloque de control de la alimentación de los motores.
El bloque de color azul corresponde al sistema de control. Éste está compuesto por el
equipo de EEG, este captura señales EEG, ECG (Electro - cardiografı́a) y EOG (Electro
- oculografı́a). Este bloque también incluye el equipo de cómputo, que se encarga del
procesamiento de las señales para su posterior accionamiento sobre el hardware. Este
bloque es el encargado de ejecutar los algoritmos de pre-procesamiento, extracción de
caracterı́sticas y posterior clasificación para determinar la acción a realizar, ası́ mismo
15
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
también es el encargado de producir los estı́mulos visuales empleados posteriormente
para el control de los motores de la silla de ruedas.
El recuadro verde muestra el desarrollo del sistema de control preliminar, dado que este
por si mismo es capaz de generar acciones control sobre la silla de ruedas, lo que permitió
realizar las pruebas de control de hardware pertinentes en el curso de la investigación.
3.2
Descripción de los Experimentos
3.2.1
Bases de datos externas
Para análisis preliminares de las señales SSVEP, se usaron bases de datos proporcionadas
por otros grupos de investigación. En términos generales estas bases de datos constan de
señales cerebrales capturadas de un grupo de voluntarios, expuestos a estı́mulos visuales
que dan lugar a la generación de potenciales SSVEP en la región occipital del cerebro.
Estos estı́mulos visuales están compuestos por imágenes o una fuente de luz, que alternan
entre dos estados a una frecuencia especı́fica y por un tiempo determinado. Seguido a
esto cada sujeto tiene un breve periodo de descanso en el que no se expone a ningún
estı́mulo. Este ciclo de estı́mulo y descanso se repite una cierta cantidad de veces. El
objetivo final es predecir el estı́mulo visual que el sujeto está observando, determinando
la frecuencia de dicho estı́mulo a partir de potenciales SSVEP en las señales EEG.
Para la obtención de datos, los sujetos son sentados cómodamente frente a una pantalla
o una fuente de luz a una distancia de aproximadamente un metro y se les instruye a
fijar su mirada en uno de varios estı́mulos presentados. Bajo este esquema general, dos
bases de datos fueron empleadas:
Base de datos externa #1:
Este conjunto de datos fue adquirido a partir de cuatro sujetos sometidos a 15 segundos
de estı́mulo, donde cada estı́mulo es una de tres clases. Cada clase corresponde a la
frecuencia especı́fica de un estı́mulo y cada clase cuenta con 5 repeticiones del mismo
estı́mulo, para un total de 15 repeticiones por sujeto. Esta base de datos tiene como
parámetros de captura 128 canales distribuidos de acuerdo a la configuración 10-20
internacional a una tasa de muestreo de 256 Hz.
Como fuente de estı́mulo visual se emplea un monitor con una tasa de refresco de 170
Hz y una imagen similar a un tablero de ajedrez alternando los cuadros del mismo entre
blanco y negro a una frecuencia y por el tiempo especificado, a una distancia entre sujeto
y pantalla de aproximadamente 90 cm. Esta base de datos fue tomada de [25].
Capı́tulo 3. Metodologı́a
17
Base de datos externa #2:
Este conjunto de datos consta de señales cerebrales adquiridas de cinco sujetos, los cuales
fueron sometidos a 5 segundos de estı́mulo. Cada estı́mulo es una de 4 clases, de las
cuales 3 corresponden a frecuencias especı́ficas y una clase adicional de no actividad;
cada clase cuenta con 10 repeticiones, para un total de 40 repeticiones por sujeto.
Esta base de datos difiere de la anterior en cuanto a la generación del estı́mulo, ya que
ésta utiliza diodos LED controlados por un microcontrolador que los activa y desactiva
a la frecuencia deseada. La distribución de electrodos es 10-20 de 8 canales dedicados
a la región occipital, tomando únicamente los electrodos que corresponden a: Oz, O1,
O2, POz, PO3, PO4, PO7 y PO8, con una tasa de muestro de 256 Hz. Cada sujeto fue
sentando cómodamente a una distancia aproximada de 60 cm de la fuente del estı́mulo.
Esta base de datos fue tomada de [26].
3.2.2
Bases de datos propias
Figura 3.2: Esquema General de adquisición de la base de datos BSPAI-SSVEP.
La estructura general del experimento se puede observar en la figura 3.2. Para la
adquisición de las señales EEG, EOG y ECG se usó el equipo BIOSEMI Active two,
con 32 canales para EEG y 8 canales externos. En primera instancia los 32 electrodos
fueron distribuidos usando la configuración internacional 10-20 (Ver figura 3.3) sobre la
cabeza del sujeto, al cual se le presentó estı́mulo que consta de un cuadrado alternando
entre blanco y negro a una frecuencia previamente establecida. Además se usaron 4
electrodos para EOG, 3 para ECG y uno para referencia, tomada en el lóbulo de la oreja
derecha.
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
Figura 3.3: Distribución de electrodos internacional 10-20
Base de datos propia #1:
Para esta base de datos se seleccionaron dos frecuencias: 4.7Hz y 9.4Hz, donde cada
repetición corresponde a un solo estı́mulo cuadrado en pantalla a una de las dos frecuencias determinadas. La estructura de presentación del estı́mulo fue:
1. Una cruz blanca durante 3 segundos, seguido de un pitido (Beep) de sistema.
2. Un estı́mulo durante 10 segundos.
3. Un descanso durante 5 segundos.
El procedimiento anterior se repitió 60 veces a una frecuencia de muestreo de 2048 Hz,
para 6 sujetos. Se destaca la captura de EEG, EOG y ECG mediante siete canales
externos. Estos fueron utilizados para remover los artefactos creados por el movimiento
de los ojos y la actividad cardı́aca en la señal EEG.
Base de datos propia #2:
Para esta base de datos el estı́mulo consta de dos cuadrados que alternan entre blanco
y negro a dos frecuencias: 4.7Hz y 9.4Hz, oscilando en el mismo campo visual del
sujeto, lo que implica 3 clases: derecha, izquierda y no actividad. La tercera clase es
obtenida cuando el sujeto no atiende a ninguno de los dos cuadrados. La estructura de
presentación del estı́mulo fue:
Capı́tulo 3. Metodologı́a
19
1. Una cruz blanca durante 3 segundos que indica a que estı́mulo debe observar el
sujeto, seguido de un pitido (Beep) de sistema.
2. Un estı́mulo durante 10 segundos.
3. Un descanso durante 5 segundos.
Lo anterior se repitió 60 veces a una frecuencia de muestreo de 2048 Hz para 8 sujetos.
Se destaca la captura de EEG, EOG y ECG mediante siete canales externos. Estos
fueron utilizados para remover los artefactos creados por el movimiento de los ojos y la
actividad cardiaca en la señal EEG.
Para ambas bases de datos también se incluye la información sobre el momento en que
cada estı́mulo cambia de color en la pantalla, brindando información de realimentación
al sistema.
3.3
Pre-Procesamiento de Señales
3.3.1
Filtrado
Las señales EEG que contienen SSVEP se analizan en un espacio reducido de la banda
de frecuencias hasta los 40 Hz. Esto es debido a que mas allá de esta frecuencia el cerebro
no es capaz de distinguir conscientemente el cambio visual, por lo que la información
adquirida por encima de los 40 Hz no es relevante para la aplicación desarrollada. Por
consiguiente se realizó un filtrado pasabajas con una frecuencia de corte de 40 Hz.
La figura 3.4 muestra la magnitud del espectro de frecuencias medida en el electrodo
Oz durante el tiempo en el que el sujeto está expuesto a un estı́mulo visual. En ella
se aprecia una tendencia decreciente con comportamiento (1/f ) [27] en el valor de la
magnitud a medida que aumenta el eje de la frecuencia. Esto es debido a que se ha
comprobado que en el cerebro las señales de baja frecuencia tienen mayor potencia que
las de alta frecuencia. Con el fin de evitar el paso de niveles DC, de señales fisiológicas o
productos de la medición de ellas, se establece un filtrado paso-altas con una frecuencia
de corte de 1Hz. Con las dos frecuencias de corte establecidas se implementa un filtro
pasabanda entre 1Hz y 40 Hz para la señal EEG.
3.3.2
Remoción de artefactos
El cuerpo debe ser considerado como un sistema donde operan distintas funciones, relacionadas entre si. Por ende uno de los principales problemas es atenuar las distintas
componentes de señal que pueden estar contaminando la señal EEG requerida. La señal
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
mas fuerte que incide sobre las lecturas de EEG es la EOG [28; 29; 30]. Esto sucede
debido a la cercanı́a de los electrodos de EEG a los ojos, dado que la piel es un medio
conductor que transmite señales musculares como los movimientos oculares. Tomando
en cuenta este problema, en las bases de datos grabadas en el laboratorio se capturaron
señales cardiacas (ECG) y señales del movimiento ocular EOG.
Con la adquisición de bases de datos propias en el laboratorio usando el equipo Biosemi,
se pudo desarrollar experimentos en los cuales se agregaron las señales EOG y ECG
al conjunto de datos. Teniendo estas nuevas fuentes de información se implementó la
remoción de artefactos por medio de una regresión lineal que permitió remover componentes conocidos de la señal EEG, en este caso las señales EOG y ECG
Para simplificar asumimos que la señal EEG capturada por los 32 canales está contaminada con la señales ECG y EOG proveniente de los electrodos externos, modelando el
problema como sigue:
w(n) = s(n) + u(n).b
(3.1)
Donde n representa el ı́ndice de muestra, w(n) y s(n) son la señal EEG con ruido y sin
ruido respectivamente, mientras que el ruido producido por las señales ECG y EOG es
representado por u(n). w(n), s(n) y u(n) corresponde cada uno a un vector muestra en
un tiempo determinado y b es una matriz desconocida de tamaño N xM que contiene
los coeficientes que indican la propagación de las señales ECG y EOG a cada electrodo
EEG[34].
Multiplicando por la derecha y por la izquierda de la ecuación 3.1 por u(n)T y tomando
el valor esperado E, se obtiene:
E[u(n)T w(n)] = E[u(n)T s(n)] + E[u(n)T u(n).b]
(3.2)
Si asumimos que las señales EEG no están correlacionadas con las señales ECG y EOG,
como en principio se supone, se puede calcular la matriz de coeficientes como:
b = E[u(n)T u(n)]−1 E[u(n)T w(n)]
(3.3)
Para el caso particular de las bases de datos capturadas en el laboratorio se cuenta
con 32 canales de señal EEG, 3 canales para ECG y 4 canales de EOG. Usando los
canales externos empleamos el método propuesto sobre los datos, limpiando las señales
de interés de las señales de interferencia mediante la estimación de b, dando lugar a
una mejor aproximación de la señal s(n). Esto permite observar una disminución en
el error cuantitativo en la clasificación de señales utilizando métodos de clasificación
Capı́tulo 3. Metodologı́a
21
que consumen pocos recursos computacionales como LDA (linear discriminat analisys).
La tabla 3.1 muestra la disminución cuantitativa del error al aplicar la remoción de
artefactos al set de datos que emula el control de la silla de ruedas1 .
Tabla 3.1: Resultados de clasificación control off-line
3.3.3
Sujeto
Artefactos Removidos
Artefactos NO Removidos
1
2
3
4
5
6
98,06%
57,88%
54,71%
83,76%
83,27%
89,30%
94,63%
65,84%
50,66%
78,46%
84,16%
88,01%
Promedio
88,60%
86,31%
Representación en el dominio de la frecuencia
Se estudió el comportamiento de las señales SSVEP de forma general tanto en el dominio
del tiempo como de la frecuencia. Se parte del supuesto que el cerebro reacciona de una
manera coherente con respecto al estı́mulo, esperando ver pulsos continuos en el tiempo
que se presentan como componentes marcados de frecuencia en el espectro de frecuencias.
En la figura 3.4 se muestra el espectro de frecuencias de una señal EEG de un sujeto expuesto a un estı́mulo SSVEP. En esta gráfica se aprecia un comportamiento decreciente
en la magnitud de la señal, propia del comportamiento 1/f de las señales cerebrales
comentado anteriormente, además de máximos locales en determinados valores de frecuencia. Estos componentes de máxima amplitud se cree que son producidos por la
frecuencia de excitación principal y los armónicos.
3.3.4
Análisis en el dominio temporal
Las bases de datos creadas en nuestro laboratorio incluyen información sobre el cambio de
luminosidad en la pantalla como consecuencia de la presentación de los estı́mulos. Dado
que se presentan dos estı́mulos simultáneamente, información sobre los dos estı́mulos es
retenida por el algoritmo. Aunque esta información no es adquirida tradicionalmente
en aplicaciones BCI basadas en SSVEP, la información sobre los cambios del estı́mulo
podrı́a ser empleada para realizar un promediado coherente, lo que ayudarı́a a remover
ruido aleatorio presente en la señal. La idea principal es que el cerebro responde a los
cambios de contraste y promediando la respuesta a cada cambio de contraste provee una
1
Descartando los sujetos 2 y 3, se efectuó una prueba t de Student con datos pareados, con un nivel de
significancia del 5%. La prueba indicó que los resultados de clasificación con y sin remoción de artefactos
son estadı́sticamente distintos p = 0.0269.
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
0.45
X: 0.25
Y: 0.4383
0.4
0.35
|X(f)|
0.3
0.25
0.2
X: 9.35
Y: 0.1527
0.15
X: 18.65
Y: 0.06886
0.1
0.05
0
0
5
10
15
20
25
Frequency (Hz)
X: 28.05
Y: 0.04072
30
X: 37.45
Y: 0.01688
35
40
Figura 3.4: Uso de Fourier para detección de frecuencia fundamental en el electrodo
Oz
señal con mayor relación señal a ruido. Los resultados que se muestran a continuación
confirman nuestra hipótesis.
En la figura 3.5 (lado izquierdo) se observa una señal EEG (Azul), la cual previamente
ha sido filtrada y se le han removido los artefactos. Ésta ha sido promediada con una
ventana de 500ms y centrada en el momento de cambio. La muestra de señal EEG
usada es de 10 segundos, dado que es el tiempo en el que el sujeto estuvo sometido a
la exposición continua del estı́mulo. Ası́ mismo, se observa en color verde la señal del
estı́mulo centrada en el momento de observación.
Esta figura muestra que realizar el promedio en estos intervalos permite observar una
relación directa entre el estı́mulo y la señal EEG (Parte central de la figura 3.5), al notar
que la frecuencia fundamental del estı́mulo y la señal EEG tienen valores muy cercanos.
Los resultados de la implementación de este procedimiento sobre la base de datos propia
#1 se describen en la sección 3.4 y la figura 3.6. Esto demuestra que incluir esta información para el desarrollo de BCIs influirı́a positivamente,debido a que seria necesario
menos tiempo de exposición del sujeto a el estı́mulo para tener resultados en la clasificación equiparables a los obtenidos actualmente mediante exposición prolongada al
estı́mulo.
Capı́tulo 3. Metodologı́a
23
Figura 3.5: Implementación análisis de ventanas de tiempo usando base de datos
propia sobre una repetición de 9.4 Hz
3.4
Clasificación
Para determinar el estı́mulo en que el sujeto centra su atención, es necesario implementar un algoritmo de clasificación basado en técnicas de inteligencia artificial. Para
la selección del clasificador se evaluó el desempeño de LDA y SVM. Una descripción
detallada de estos métodos se puede encontrar en la secciones 2.3.1 y 2.3.2 respectivamente. Al ser necesaria la implementación de un clasificador multi-clase, se empleo la
librerı́a libsvm, debido a que esta incluye por defecto el poder implementar un clasificador multi-clase aplicando la técnica one vs one, la tecnica one vs one es seleccionada
sobre la técnica one vs rest debido a que el rendimiento es comparable entre ambas, pero
el tiempo de entrenamiento es menor usando one vs one[53].
Como resultado de la exploración de estos métodos, usando las bases de datos externas
se obtuvieron los resultados mostrados en las tablas 3.2 y 3.3. En ellas se observan
los resultado de la implementación de LDA en la base de datos externas 1 y 2 respectivamente, aplicando validación cruzada2 a fin de disminuir el efecto del sobreajuste del
clasificador3 y usando los valores de potencia en las bandas de interés en el rango de
0-30Hz como caracterı́sticas de entrada.
Descripción de procedimientos para la base de datos externa 1 (Tabla 3.2).
2
Validación cruzada permite entrenar el clasificador con distintos grupos de muestra seleccionados
aleatoriamente del conjunto de datos para entrenamiento. Esto permite obtener resultados mas reales.
3
Efecto de sobreentrenar un algoritmo de aprendizaje con unos ciertos datos para los que se conoce
el resultado deseado. Ocasionando que el sistema solo funcione bien para el conjunto de datos con el
que fue entrenado y no para datos nuevos.
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
Tabla 3.2: Resultados de error en clasificación empleando LDA en la base de datos
externa #1. Los valores se muestran en porcentajes.
Sujeto
1
2
3
4
Error
Promedio
Método 1
Método 2
Método 3
Método 4
Método 5
2,0
8,0
9,4
17,8
13,3
10,2
11,7
0,0
0,0
8,0
6,0
21,5
25,8
0,0
0,0
43,6
29,8
27,0
15,3
8,0
15,4
17,7
15,5
8,2
7,3
• Método 1: Se tomaron los datos sin aplicar ajustes adicionales a los descritos
anteriormente.
• Método 2: Se promedio la señal de todos los canales y a cada canal se le restó
dicho promedio.
• Método 3: Asumiendo el comportamiento 1/f en el espectro de frecuencia, se
estimó una señal de ruido base con dicho comportamiento y se resto a la señal
original. La señal de ruido fue la misma para todos los canales.
• Método 4: Combinación de los métodos 2 y 3.
• Método 5: Se aplicó el método 2 y se aplico el método 3 estimando el ruido base
para cada canal independiente.
Tabla 3.3: Resultados de error en clasificación empleando LDA en la base de datos
externa #2. Los valores se muestran en porcentajes.
Sujeto
1
2
3
4
5
Error
Promedio
Método 1
Método 2
Método 3
Método 4
Método 5
Método 6
6,9
3,3
45,1
20,7
43,7
7,70
18,4
8,9
58,6
27,8
40,6
15,1
21,3
9,9
52,7
17,8
49,3
12,9
31,5
21,6
57,3
45,8
60,4
39,4
22,8
5,1
49,7
16,5
41,4
10,4
20,2
9,8
52,7
25,7
47,1
17,1
Descripción de procedimientos para la base de datos externa 2 (Tabla 3.3).
• Método 1: Se tomaron los datos sin aplicar ajustes adicionales a los descritos
anteriormente.
• Método 2: Se promedio la señal de todos los canales y a cada canal se le resto
dicho promedio.
Capı́tulo 3. Metodologı́a
25
• Método 3: Asumiendo el comportamiento 1/f en el espectro de frecuencia, se
estimó una señal de ruido base con dicho comportamiento y se resto a la señal
original. La señal de ruido fue la misma para todos los canales.
• Método 4: Combinación de los métodos 2 y 3.
• Método 5: Se aplicó el método 2 y se aplico el método 3 estimando el ruido base
para cada canal independiente.
• Método 6: Aplicación del método 4 cambiando la señal de referencia. Se tomó
como señal de referencia aquella que condujo a la mejor precisión después de usar
cada electrodo EEG como referencia.
De la implementación de LDA, tomando los mejores resultados, se obtiene un error
promedio de 7.3% para la base de datos 1 y 9.8% para la base de datos 2.
La implementación de SVM solo fue posible realizarla sobre la base de datos 2 debido
que se contaba con la cantidad suficiente de información para el clasificador SVM. Los
resultados obtenidos mediante este clasificador se muestran en la tabla 3.4. La descripción de métodos es la misma empleada en la tabla 3.3. El error mı́nimo observado
para SVM en la base de datos #2 fue de 3.9%.
Tabla 3.4: Resultados de error clasificación empleando SVM en la base de datos
externa #2. Los valores se muestran en porcentajes.
Sujeto
1
2
3
4
5
Error
Promedio
Metodo 1
Metodo 2
Metodo 3
Metodo 4
Metodo 5
Metodo 6
7,8
0,5
49,9
5,5
40,6
4,4
15,7
1,7
53,9
4,5
43,2
9,5
9,2
2,8
37,7
5,1
41,0
5,9
30,5
13,5
57,8
45,7
71,1
38,8
4,8
0,8
42,1
5,6
29,2
2,4
13,6
3,9
48,3
13,3
45,0
12,2
De acuerdo con los resultados preliminares obtenidos, se observa un mejor comportamiento del clasificador SVM comparado con LDA bajo unas mismas condiciones de
experimentación. Por lo tanto, se decide emplear SVM como método de clasificación.
Adicionalmente se comparo el desempeño de los clasificadores haciendo uso del análisis
temporal descrito en la sección anterior. La figura 3.6 muestra que el método que emplea
promediado supera el método tradicional empleado en la literatura para BCIs basadas
en SSVEP.
El accuracy promedio por sujeto y por cantidad de tiempo empleado usando LDA y
SVM se puede observar en las tablas 3.5 y 3.6, mientras que en las tablas 3.7 y 3.8 los
resultados al aplicar el método de promediado de ventanas. En las tablas el valor en
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
Accuracy rate of the proposed vs current method
1
LDA Proposed method
LDA Current method
SVM Proposed method
SVM Current method
0.95
Accuracy
0.9
0.85
0.8
0.75
0.7
1
2
3
4
5
6
7
Size of time windows (Seconds)
8
9
10
Figura 3.6: Comparación de clasificación empleando análisis temporal Vs. Datos sin
análisis temporal, sobre base de datos propia #1
segundos indica que cantidad de señal EEG se uso para realizar la clasificación por cada
sujeto.
Tabla 3.5: Resultados de clasificación empleando LDA en la base de datos propia #1.
Los valores se muestran en porcentajes.
Sujeto
2 seg
3 seg
4 seg
5 seg
6 seg
7 seg
8 seg
9 seg
10 seg
1
2
3
4
5
77,0
62,0
97,0
82,0
83,0
89,0
57,0
100,0
93,0
89,0
91,0
66,0
99,0
97,0
95,0
90,0
70,0
100,0
97,0
96,0
92,0
72,0
100,0
98,0
93,0
95,0
69,0
100,0
99,0
95,0
97,0
73,0
100,0
99,0
97,0
95,0
79,0
100,0
99,0
99,0
99,0
71,0
100,0
99,0
98,0
Tabla 3.6: Resultados de clasificación empleando SVM en la base de datos propia #1.
Los valores se muestran en porcentajes.
Sujeto
2 seg
3 seg
4 seg
5 seg
6 seg
7 seg
8 seg
9 seg
10 seg
1
2
3
4
5
87,0
71,0
100,0
78,0
81,0
97,0
71,0
100,0
96,0
94,0
95,0
75,0
98,0
100,0
97,0
99,0
75,0
100,0
100,0
98,0
97,0
78,0
100,0
100,0
99,0
99,0
78,0
100,0
100,0
100,0
100,0
85,0
100,0
100,0
99,0
100,0
78,0
100,0
100,0
100,0
99,0
80,0
100,0
100,0
100,0
Esta comprobación realizada en el laboratorio BSPAI de la Universidad del Norte permite establecer que la investigación basada en análisis temporal puede ser empleada en
futuros trabajos para análisis de coherencia.
Capı́tulo 3. Metodologı́a
27
Tabla 3.7: Resultados de clasificación empleando LDA en la base de datos propia
#1, aplicando el método de promediado de ventanas. Los valores se muestran en
porcentajes. Solo se muestran los primeros 5 segundos
Sujeto
2 seg
3 seg
4 seg
5 seg
1
2
3
4
5
100
100
100
99
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
Tabla 3.8: Resultados de clasificación empleando SVM en la base de datos propia
#1, aplicando el método de promediado de ventanas. Los valores se muestran en
porcentajes. Solo se muestran los primeros 5 segundos
3.5
Sujeto
2 seg
3 seg
4 seg
5 seg
1
2
3
4
5
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
Descripción de la BCI para silla de ruedas
Con el fin de poder ejercer control directo sobre la silla se modificó el sistema de control
original de la misma, cambiando las señales de control que emite éste por una señal
proveniente de un microcontrolador, el cual a su vez está gobernado por el PC encargado
de procesar las señales y determinar qué acción debe ejercer el microcontrolador sobre
la silla.
La caracterización del sistema de control permitió establecer que tanto el control de
velocidad de los motores como el sentido de giro, están determinados por un eje (x, y),
en el cual el valor máximo en x determina velocidad máxima y giro a la derecha y el
valor mı́nimo establece velocidad máxima y giro a la izquierda; Análogamente sucede
con el eje y brindando velocidad máxima hacia adelante y velocidad máxima hacia atrás.
Se establece que el sistema en fase de desarrollo debe poder cumplir con al menos dos
grados de libertad. Sin embargo, el sistema de control fue desarrollado para permitir
hasta 4 grados de libertad.
Este acople entre el equipo PC y el microcontrolador se realizó a través de la plataforma
Arduino. En pruebas de comunicación y respuesta realizadas en el laboratorio se comprobó el correcto funcionamiento del sistema, empleado como sistema de adquisición de
datos el giroscopio del equipo Emotiv, como el mostrado en la figura 3.7. Este equipo
permite acceder al giroscopio y obtener la aceleración en 3 dimensiones.
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
Figura 3.7: Equipo Emotiv EPOC+
Se determina la posición P (x, y, z) de la cabeza del sujeto a través de la integral numérica
RRR
RRR
de la aceleración en cada eje, donde P (x) =
xdx, P (y) =
ydy, P (z) =
RRR
zdz.
 
 
 
1
0
0
 
 
 
P (x, y, z) = P (x) 0 + P (y) 1 + P (z) 0
0
0
1
(3.4)
Lo anterior permitió establecer las pruebas iniciales al tomar como entrada x,y,z el valor
entregado por el giroscopio del Emotiv.
Este equipo solo fue utilizado para verificar el funcionamiento del sistema de control.
Posteriormente este fue remplazado por el Biosemi como fuente de adquisición de señales
y los algoritmos de traducción que reemplazan las instrucciones enviadas por el Emotiv.
Se desarrolló un algoritmo de control para la silla de ruedas, el cual requiere que se le
indique la acción a realizar (Ver descripción de actividades abajo). Para las pruebas preliminares se tomó el movimiento de la cabeza hacia arriba y hacia abajo como controles
del movimiento hacia atrás y hacia adelante de la silla. Mientras que los movimientos a
la derecha e izquierda controlaban los movimientos correspondientes en la silla.
El conjunto de señales de control con las que cuenta el microcontrolador son:
1. Hacia adelante.
2. Hacia atrás.
3. Giro a la derecha.
4. Giro a la izquierda.
5. Detener.
Capı́tulo 3. Metodologı́a
29
Conexión con Hardware
La conexión entre el sistema BCI y la silla se realizó directamente a través del control de
fábrica de la misma, conectando el circuito del microcontrolador a la señal de posición
de la silla. Debido a que era necesaria la conexión en tiempo real, se implementó una
conexión mediante buffer entre el computador y el equipo Biosemi del laboratorio para
adquirir señales EEG. Esta conexión fue posible haciendo uso de los algoritmos de Fieldtrip. Este incluye dentrol de los algoritmos capaz de habilitar una conexión en tiempo
real de las señales enviadas por el equipo de medición [52]. Esto permite mediante su integración al programa principal realizar las tareas de pre-procesamiento, procesamiento
y clasificación en el instante que es adquirida la señal.
El software desarrollado para la BCI mediante Matlab requiere en primera instancia la
conexión con el equipo de medición. Luego de verificada dicha conexión con el equipo de
EEG, el PC envı́a a través del puerto serial la instrucción requerida para detener la silla.
Posterior a ello se pide que se enciendan los motores de la misma. Esto se efectúa con el
fin de establecer la referencia para los motores. Mediante la caracterización del control
de fábrica se encontró que estos requieren de un valor de referencia al ser encendidos.
Figura 3.8: Esquema Conexión de Hardware
Una vez iniciado, el sistema permite al usuario moverse de acuerdo al estı́mulo que
observe este en la pantalla: Estimulo derecho, izquierdo o no actividad, permitiendo
tener hasta tres grados de libertad. Tanto el estimulo derecho, como el izquierdo son
cuadros alternando entre blanco y negro a dos frecuencias distintas. En la Figura 3.8
se muestra el esquema general de conexiones entre los componentes del sistema BCI.
Capı́tulo 3. Metodologı́a
Capı́tulo 3 Metodologı́a
Las pruebas preliminares del sistema completo fueron realizadas online sin activación de
motores, donde se colocó a un sujeto para el cual el clasificador fue sometido previamente
a entrenamiento. En esta prueba se simuló una secuencia aleatoria de estı́mulos en el
computador de escritorio a través del puerto paralelo, obteniendo la realimentación de
los estı́mulos enviados y su relación con los movimientos a los que hubiese habido lugar
si el sistema se encontrase conectado a los motores.
Las pruebas finales fueron llevadas a cabo de la misma manera, teniendo una secuencia
aleatoria de movimientos. Mediante observación se verificó que el sistema respondiera
de acuerdo a la dirección que se le indicaba al usuario observar en pantalla.
Capı́tulo 4
Resumen de los Resultados
1. Implementación de algoritmo para pre-procesamiento de señales de estado estacionario generadas por potenciales visuales obtenidas por grabaciones electroencefalográficas.
Se desarrolló un algoritmo capaz de grabar, procesar y clasificar señales electroencefalográficas online, mediante un clasificador previamente entrenado con
un sujeto. El algoritmo arroja la clase correcta y se transfiere la instrucción al
microcontrolador, para efectuarla en los motores.
La etapa de pre-procesamiento del sistema involucra la remoción de artefactos
mediante regresión lineal de las señales EOG y ECG. Dichas señales interfieren
con la medición de la actividad cerebral. La remoción de dichos artefactos, produce una mejora significativa del desempeño del sistema (ver Tabla 3.1). Posterior
a esta etapa se procede a la extracción de caracterı́sticas mediante el uso de la
transformada de Fourier, obteniendo de esta manera la potencia en cada valor de
frecuencia desde 0 hasta 30Hz
2. Se implementaron algoritmos de machine learning para clasificación de señales
EEG usando bases de datos externas y propias.
Como se analizó en la subsección 3.4, se utilizaron algoritmos de inteligencia artificial para la implementación de clasificadores discriminantes entre dos clases
sobre bases de datos externas. En general, los experimentos consisten en presentar
estı́mulos con diferentes frecuencias y realizar la medición de las señales EEG.
Los resultados, empleando validación cruzada, arrojaron errores promedio (a través
de todos los sujetos) de 3.9% para SVM y 9.8% para LDA. El error mı́nimo observado a través de los sujetos fue de 0%, y un máximo error de 13.54% fue
observado empleando SVM. Es necesario tener en cuenta, que el desempeño del
31
Capı́tulo 4. Análisis de Resultados
Capı́tulo 4 Resumen de los Resultados
sistema depende del grado de colaboración del sujeto, al seguir oportunamente las
indicaciones del experimentador.
En pruebas realizadas con datos obtenidos en nuestro laboratorio, se obtuvo un
error mı́nimo de 2% y un error máximo del 17.12% en 6 sujetos. Se descartaron
2 sujetos que afirmaron tener problemas para centrar su atención en el estı́mulo
indicado. Estos experimentos fueron realizados con dos estı́mulos simultáneos a
dos frecuencias distintas, donde el sistema debı́a detectar si el sujeto se encontraba
concentrado en el estı́mulo de la derecha (Clase 1), el estı́mulo de la izquierda
(Clase 2) o no estaba concentrado en ninguno de los dos (Clase 3). De esta manera tres distintos comando pueden ser enviados a la silla de ruedas para girar a la
izquierda, a la derecha, o no ejecutar actividad alguna.
3. Diseñar e implementar una interfaz entre un PC y una silla de ruedas eléctrica
para el control del movimiento.
En la figura 3.8 se muestra la interfaz desarrollada entre el PC y la silla de ruedas.
Esta interfaz se desarrolló para recibir secuencialmente una de cinco instrucciones,
las cuales están enumeradas en la sección 3.5.
4. Diseñar experimentos de captura de señales EEG.
Se desarrolló un protocolo de experimento para la captura de señales EEG en sincronı́a con señales ECG y EOG, utilizando el equipo Biosemi disponible en nuestro
laboratorio. Este protocolo es enunciado en la sección 3.2 y en la Figura 3.2 se
establece la estructura de la base de datos creada. Esta consta de 40 canales, de
los cuales 32 son de señales EEG en configuración internacional 10/20, 3 canales
ECG, 4 canales EOG y un canal de referencia en el lóbulo de la oreja derecha. La
tasa de muestreo es de 2048 Hz.
5. Probar la operación del sistema en general (Silla de ruedas con sistema de control).
Se integró cada componente del sistema BCI, como se muestra en la figura 3.8
y se verificó el funcionamiento de la misma. En la figura 4.1 tal se muestra la
implementación en un sujeto. La interfaz fue programada para responder a una
de 3 instrucciones de movimiento.
La operación de la silla se describe a continuación: una vez encendido el equipo de
captura de señales EEG, se ejecuta un algoritmo principal, que se encarga de colocar los valores de referencia en el microcontrolador mientras inicia los parámetros
de visualización del estı́mulo. Posterior a ello, el usuario determina a que dirección
desplazarse concentrándose en el estı́mulo correspondiente en la pantalla. A continuación, el computador procesa la información adquirida y envı́a la instrucción
Capı́tulo 4. Análisis de Resultados
33
Figura 4.1: Implementación BCI en sujeto.
al microcontrolador para el movimiento de la silla.
Las pruebas preliminares fueron realizadas en un equipo de escritorio, el cual
cuenta con un puerto serie para obtener realimentación de los estı́mulos captados y
comparar la clases seleccionada con la clases detectada por el sistema. Las pruebas
finales fueron realizadas online mediante un equipo portátil como se muestra en la
figura 3.8.
Capı́tulo 5
Conclusiones y trabajo futuro
En este trabajo se presenta un sistema que mediante el uso de electro-encefalografı́a,
permite el control de una silla de ruedas. Se diseñaron experimentos que permite evocar
en los sujetos de prueba los potenciales evocados de estado estacionario o SSVEP. Dichos
potenciales son extraı́dos de la señal mediante varias etapas. En primer lugar las señales
EEG son filtradas en la banda de interés de 1 – 40 Hz. Artefactos producidos por la
actividad cardiaca y por el movimiento de los globos oculares fueron removidos mediante
regresión lineal, empleando mediciones externas de las señales ECG y EOG. Posteriormente, caracterı́sticas importantes de las señales fueron extraı́das mediante análisis en
el dominio de la frecuencia y mediante promediado coherente. Finalmente, mediante
algoritmos de inteligencia artificial, se detecta que estı́mulo está siendo observado por
los sujetos y dicha información es empleada para controlar dispositivos externos.
Los resultados fuera de lı́nea (offline) muestran que es posible clasificar con bajo error,
basados en la actividad cerebral, el estı́mulo presentado a los sujetos. Estos resultados
fueron empleados para diseñar un sistema en tiempo real que controla la dirección de
movimiento de una silla de ruedas. La BCI diseñada permite giros a la izquierda, giro a
la derecha y una función de no actividad.
Además del método tradicional que implica la aplicación de la transformada de Fourier a
la señal EEG, se implementó una variación que involucra realizar un promediado coherente con los estı́mulos presentados, previo a la estimación del contenido de frecuencias
de la señal EEG mediante análisis de Fourier. Este método provee altos desempeños
con menos tiempo de estipulación lo que implica una mejora considerable del sistema en
términos de aplicabilidad práctica.
El trabajo futuro estará concentrado en el incremento del número de clases, permitiendo
mayor flexibilidad en el uso de la silla de ruedas a pacientes con lesiones que comprometen
el sistema motriz.
35
Capı́tulo 5. Conclusiones y trabajo futuro
Capı́tulo 5 Conclusiones y trabajo futuro
El trabajo futuro también incluirá la incorporación de técnicas de navegación automática,
que permitan a la silla de ruedas obtener información sobre el entorno para evitar colisiones con obstáculos que podrı́an causar accidentes al usuario.
Bibliografı́a
[1] J. J. Shih, D. J. Krusienski, and J. R. Wolpaw, “Brain-Computer Interfaces in
Medicine,” Mayo Clin. Proc., vol. 87, no. 3, pp. 268–279, Mar. 2012.
[2] J. R. Wolpaw, N. Birbaumer, W. J. Heetderks, D. J. Mcfarland, P. H. Peckham, G.
Schalk, E. Donchin, L. A. Quatrano, C. J. Robinson, and T. M. Vaughan, “Brain –
Computer Interface Technology : A Review of the First International Meeting,” Ieee
Trans. Rehabil. Eng., vol. 8, no. 2, pp. 164–173, 2000.
[3] Vaughan TM, Heetderks WJ, Trejo LJ, Rymer WZ, Weinrich M, Moore MM, Kübler
A, Dobkin BH, Birbaumer N, Donchin E, Wolpaw EW, Wolpaw JR. Brain-computer
interface technology: a review of the Second International Meeting. IEEE Trans
Neural Syst Rehabil Eng. 2003
[4] G. Schalk, D. J. McFarland, T. Hinterberger, N. Birbaumer, and J. R. Wolpaw,
“BCI2000: A General-Purpose Brain-Computer Interface (BCI) System,” IEEE
Trans. Biomed. Eng., vol. 51, no. 6, pp. 1034–1043, Jun. 2004.
[5] J. R. Wolpaw, D. J. McFarland, and T. M. Vaughan, “Brain-computer interface
research at the Wadsworth Center,” IEEE Trans. Rehabil. Eng., vol. 8, no. 2, pp.
222–226, 2000.
[6] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan,
“Brain–computer interfaces for communication and control,” Clin. Neurophysiol.,
vol. 113, no. 6, pp. 767–791, Jun. 2002.
[7] N. a., “BCI for games: a ‘state of the art’ survey,” Entertain. Comput. - ICEC 2008,
no. 2, pp. 225–228, 2009.
[8] Yuanqing Li, Jiahui Pan, Fei Wang, and Zhuliang Yu, “A Hybrid BCI System Combining P300 and SSVEP and Its Application to Wheelchair Control,” IEEE Trans.
Biomed. Eng., vol. 60, no. 11, pp. 3156–3166, Nov. 2013.
[9] E. Yin, T. Zeyl, R. Saab, T. Chau, D. Hu, and Z. Zhou, “A Hybrid Brain-Computer
Interface Based on the Fusion of P300 and SSVEP Scores.,” IEEE Trans. Neural
Syst. Rehabil. Eng., vol. 23, no. 4, pp. 693–701, 2015.
37
Capı́tulo 5. Conclusiones y trabajo futuro
BIBLIOGRAFÍA
[10] X. Fan, L. Bi, T. Teng, H. Ding, and Y. Liu, “A Brain amp;2013;Computer
Interface-Based Vehicle Destination Selection System Using P300 and SSVEP Signals,” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 1, pp. 274–283, Feb. 2015.
[11] T. Yu, J. Xiao, F. Wang, R. Zhang, Z. Gu, A. Cichocki, and Y. Li, “Enhanced Motor
Imagery Training Using a Hybrid BCI With Feedback,” Biomedical Engineering,
IEEE Transactions on, vol. 62, no. 7. pp. 1706–1717, 2015.
[12] C. Escolano, J. M. Antelis, and J. Minguez, “A telepresence mobile robot controlled
with a noninvasive brain-computer interface,” IEEE Trans. Syst. Man, Cybern. Part
B Cybern., vol. 42, no. 3, pp. 793–804, 2012.
[13] E. Garcia Cossio and G. G. Gentiletti, “Interfaz cerebro computadora (ICC) basada
en el potencial relacionado con eventos P300: análisis del efecto de la dimensión de
la matriz de estimulación sobre su desempeño,” Rev. Ing. Biomédica, vol. 2, no. Icc,
pp. 26–33, 2008.
[14] C. Arboleda, E. Garcia, A. Posada, and R. Torres, “Diseño y construcción De un
prototipo De interfaz cerebro-computaDor para facilitar la comunicación De personas
con DiscapaciDaD motora,” Rev. EIA, vol. 1, pp. 105–115, 2009.
[15] R. J. Moreno, “Control of a Mobile Robot Through Brain Computer Interface *
Control de Móvil Robótico Mediante Interfaz Cerebro Computador,” vol. 11, no. 2,
pp. 74–83, 2015.
[16] J. Evelio, C. Aristizábal, G. Psi, D. Universidad, G. Gama, and D. Universidad,
“STEADY STATE VISUALLY EVOKED POTENTIALS BASED BRAIN COMPUTER INTERFACE SYSTEM,” vol. 25, no. 1, pp. 120–125, 2014.
[17] A. Luo and T. J. Sullivan, “A user-friendly SSVEP-based brain – computer interface
using a time-domain classifier,” vol. 26010, 2010.
[18] The International Alliance of ALS/MND Associations (2015). WHAT IS ALS/MND? [Online]. Disponible en: http://www.alsmndalliance.org/what-is-alsmnd
Consultado por Ultima Vez: 03/04/2017
[19] Jonathan R Wolpaw, Niels Birbaumer, Dennis J McFarland, Gert Pfurtscheller,
Theresa M Vaughan, Brain–computer interfaces for communication and control,
Clinical Neurophysiology, Volume 113, Issue 6, June 2002, Pages 767-791, ISSN
1388-2457
[20] J. V. Odom, M. Bach, C. Barber, M. Brigell, M. F. Marmor, A. P. Tormene, and
G. E. Holder, “Visual evoked potentials standard ( 2004 ),” pp. 115–123, 2004.
[21] J. Polich, “NIH Public Access,” vol. 118, no. 10, pp. 2128–2148, 2009.
[22] JOHNSON, Ray. On the neural generators of the P300 component of the eventrelated potential. Psychophysiology, 1993, vol. 30, p. 90-90.
Capı́tulo 5. Conclusiones y trabajo futuro
39
[23] O. Friman, I. Volosyak, and A. Gräser, “Multiple Channel Detection of SteadyState Visual Evoked Potentials for Brain-Computer Interfaces,” vol. 54, no. 4, pp.
742–750, 2007.
[24] N. Birbaumer, “slow Cortical Potentials : Plasticity , Operant Control , and Behavioral Effects,” pp. 74–78, 1999.
[25] Bakardjian H, Tanaka T, Cichocki A, Optimization of SSVEP brain responses
with application to eight-command Brain–Computer Interface, Neurosci Lett, 2010,
469(1):34-38.
[26] Emmanuel Kalunga, Karim Djouani, Yskandar Hamam, Sylvain Chevallier, Eric
Monacelli. SSVEP Enhancement Based on Canonical Correlation Analysis to Improve BCI Performances. IEEE AFRICON, pp. 1-5, Ile Maurice, 2013.
[27] K. J. Miller, L. B. Sorensen, J. G. Ojemann, and M. Den Nijs, “Power-law scaling
in the brain surface electric potential,” PLoS Comput. Biol., vol. 5, no. 12, 2009.
[28] C. A. Joyce, I. F. Gorodnitsky, and M. Kutas, “Automatic removal of eye movement
and blink artifacts from EEG data using blind component separation,” Psychophysiology, vol. 41, no. 2, pp. 313–325, Mar. 2004.
[29] D. E. Kusumandari, H. Fakhrurroja, A. Turnip, S. S.Hutagalung, B. Kumbara,
and J. Simarmata, “Removal of EOG artifacts: Comparison of ICA algorithm from
recording EEG,” in 2014 2nd International Conference on Technology, Informatics,
Management, Engineering, and Environment (TIME-E), 2014, pp. 335–339.
[30] N. S. Cheok and P. Raveendran, “Removal of EOG Artifacts Using ICA Regression
Method,” in 4th Kuala Lumpur International Conference on Biomedical Engineering
2008, D. N. A. A. Osman, D. F. Ibrahim, D. W. A. B. W. Abas, H. S. A. Rahman,
and D. H.-N. Ting, Eds. Springer Berlin Heidelberg, 2008, pp. 226–229.
[31] Saeid Sanei, J. A. Chambers. 2007. EEG Signal Processing. WILEY.
[32] Guido Dornhege, José del R. Millán, Thilo Hinterberger, Dennis J. McFarland,
Klaus-Robert Müller. 2007. Toward Brain-Computer Interfacing.
[33] K. J. Miller, S. Zanos, E. E. Fetz, M. Den Nijs, and J. G. Ojemann, “Decoupling
the Cortical Power Spectrum Reveals Real-Time Representation of Individual Finger
Movements in Humans,” vol. 29, no. 10, pp. 3132–3137, 2009.
[34] J. F. D. Saa and M. Çetin, “A latent discriminative model-based approach for
classification of imaginary motor tasks from EEG data,” J. Neural Eng., vol. 9, no.
2, p. 26020, 2012.
[35] J. F. D. Saa, M. S. Gutierrez, “EEG Signal Classification Using Power Spectral Features and linear Discriminant Analysis : A Brain Computer Interface Application,”
Eighth LACCEI Lat. Am. Caribb. Conf. Eng. Technol., no. 2003, pp. 1–7, 2010.
Capı́tulo 5. Conclusiones y trabajo futuro
BIBLIOGRAFÍA
[36] J. F. D. Saa and M. Çetin, “Discriminative Methods for Classi fi cation of Asynchronous Imaginary Motor Tasks From EEG Data,” Ieee Trans. Neural Syst. Rehabil.
Eng., vol. 21, no. 5, pp. 716–724, 2013.
[37] J. F. Delgado Saa, A. de Pesters, and M. Cetin, “Asynchronous decoding of finger
movements from ECoG signals using long-range dependencies conditional random
fields,” J. Neural Eng., vol. 13, no. 3, p. 36017, 2016.
[38] Christophe M. Bishop. 2009. Pattern Recognition and Machine Learning. Springer.
[39] Cohen, M.X.,Analyzing Neural Time Series Data: Theory and Practice, 2014, MIT
Press
[40] Q. Liu, K. Chen, and Q. Ai, “Review : Recent Development of Signal Processing
Algorithms for SSVEP-based Brain Computer Interfaces,” vol. 34, no. 4, pp. 299–309,
2013.
[41] S. Pouryazdian and a Erfanian, “IFMBE Proceedings 2509 - Detection of SteadyState Visual Evoked Potentials for Brain-Computer Interfaces Using PCA and HighOrder Statistics,” pp. 480–483, 2009.
[42] M. Ko, A. Majkowski, and R. J. Rak, “S Pa 2016 Automatic Detection of SSVEP
using Independent Component Analysis,” pp. 196–201, 2016.
[43] O. I. Khan, F. Farooq, F. Akram, M. T. Choi, S. M. Han, and T. S. Kim, “Robust
extraction of P300 using constrained ICA for BCI applications,” Med. Biol. Eng.
Comput., vol. 50, no. 3, pp. 231–241, 2012.
[44] W. Lu and J. C. Rajapakse, “Approach and applications of constrained ICA,” IEEE
Trans. Neural Networks, vol. 16, no. 1, pp. 203–212, 2005.
[45] Z. Lin, C. Zhang, W. Wu, and X. Gao, “Frequency Recognition Based on Canonical
Correlation Analysis for SSVEP-Based BCIs,” 2006.
[46] Y. Liu, X. Jiang, T. Cao, F. Wan, P. U. Mak, P. Mak, and M. I. Vai, “Implementation of SSVEP Based BCI with Emotiv EPOC,” pp. 26–29, 2012.
[47] Y. Velchev, D. Radev, and S. Radeva, “Features Extraction Based Application to
SSVEP BCI on Subspace Methods with,” vol. 4, no. 1, pp. 52–58, 2016.
[48] Y. Lin, Y. Wang, T. Jung, and S. Member, “A Mobile SSVEP - based Brain
- computer Interface for Freely Moving Humans : The Robustness of Canonical
Correlation Analysis to Motion Artifacts,” pp. 1350–1353, 2013.
[49] C. S. Herrmann, “Human EEG responses to 1 – 100 Hz flicker : resonance phenomena in visual cortex and their potential correlation to cognitive phenomena,” vol. 1,
pp. 346–353, 2001.
Capı́tulo 5. Conclusiones y trabajo futuro
41
[50] J. Lachaux, E. Rodriguez, J. Martinerie, and F. J. Varela, “Measuring Phase Synchrony in Brain Signals,” vol. 208, pp. 194–208, 1999.
[51] S. Heitmann, T. Boonstra, P. Gong, M. Breakspear, and B. Ermentrout, “The
rhythms of steady posture: Motor commands as spatially organized oscillation patterns,” Neurocomputing, vol. 170, pp. 3–14, 2015.
[52] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, “FieldTrip: Open source
software for advanced analysis of MEG, EEG, and invasive electrophysiological data,”
Comput. Intell. Neurosci., vol. 2011, 2011.
[53] C.-W. Hsu and C.-J. Lin. A comparison of methods for multi-class support vector
machines , IEEE Transactions on Neural Networks, 13(2002), 415-425.
Descargar