Las Interfaces Cerebro-Computadora (ICC) o BCI (Brain-Computer Interfaces), han sido estudiadas ampliamente en las últimas décadas con diversos objetivos, entre ellos, el de poder ayudar a personas con discapacidad motriz severa a recuperar algún nivel de independencia. Uno de los grandes retos de las interfaces es crear un control que active/desactive la interfaz cuando el usuario así lo decida, y no cuando la computadora se lo ordene, estos sistemas se conocen como BCI asíncronas. En este trabajo se diseñó un sistema de control continuo de una BCI asíncrona utilizando predictores de las series de tiempo de potencia espectral del Electroencefalograma (EEG) en diferentes bandas de frecuencia. Con los errores de predicción se calculó una señal continua que fue utilizado como rasgo único para la estimación continua del estado mental. El modelo de predicción fue generado con una herramienta de Aprendizaje Maquinal llamada Long Short-Term Memory (LSTM), la cual es un derivado de las Redes Neuronales Recurrentes que permite mantener la información temporal relevante de la serie de entrada durante el entrenamiento. Las señales de EEG con las que se trabajó corresponden a tareas de cálculo mental, con periodos de actividad (cálculo aritmético) y reposo, sobre los cuales se observan cambios en la potencia espectral. Estos cambios de potencia fueron analizados calculando series de tiempo (BPts) que corresponden a cambios de potencia en cuatro bandas de interés (θ, α, β y γ). Los periodos de EEG, correspondientes a los estados mentales antes mencionados, se utilizaron para entrenar dos arquitecturas LSTM respectivamente. Se pretende que cada modelo genere predicciones acertadas en los periodos de estado mental con los que se entrenaron (actividad o reposo), y menos precisas en el estado contrario. Así, el error en el tiempo cambiaría de manera inversa entre modelos. También se exploraron las combinaciones de canales y bandas de frecuencia para el entrenamiento y predicción que optimicen el desempeño de los modelos y permitan obtener la mayor separabilidad entre los errores de las predicciones para cada estado mental. Los resultados sugieren que es posible estimar el estado mental utilizando predictores construidos con arquitecturas LSTM configuradas con los parámetros adecuados. En las bandas α, β, y γ se obtuvieron resultados de Área bajo la curva ROC (AUROC) de hasta 0.68 al estimar el estado de cálculo mental, mientras que analizando la banda θ se obtuvieron valores de AUROC de hasta 0.62 al estimar el estado de Reposo. También se sugiere que una exploración más detallada en la combinación de canales de EEG analizados podría brindar mejores resultados, pues se observó que no todos los canales estudiados (32 y 18) contienen información relevante para la estimación. De hecho, es posible que el desempeño de los modelos predictores sea sub-óptima debido a la combinación de canales utilizada. El trabajo futuro que se podría desarrollar en complemento de lo presentado consta de una exploración sistemática de canales y bandas de frecuencia para el entrenamiento y prueba de los modelos LSTM con los parámetros aquí propuestos. Se sugiere que la dinámica de las series BPts de cada sujeto es distinta, así como las zonas de mayor actividad cortical durante el paradigma, por lo que es posible que el método incremente su efectividad al realizar una selección específica de canales y combinaciones de bandas para cada sujeto. También se observó que el método tiene un desempeño menor al estimar las secciones de Reposo. Esto puede ser debido al paradigma utilizado, pues en las secciones de reposo no hubo una “tarea” específica o controlada, lo cual pudo provocar falta de congruencia en la dinámica de la BPts en estas secciones, lo que se traduce en una calibración sub-óptima. Contenido En el Capítulo 1 se abordan los temas teóricos relacionados con el desarrollo del trabajo, desde las bases fisiológicas del EEG hasta la teoría del modelo de Aprendizaje Maquinal utilizado. El Capítulo 2 contiene la información general del presente trabajo, el planteamiento del problema, hipótesis y objetivos. En este capítulo se pretende informar al lector sobre la importancia y distinción del trabajo realizado. El Capítulo 3 discute los trabajos relacionados que se han realizado en años recientes, los cuales incluyen esfuerzos en el análisis de las señales de EEG utilizando el modelo de ML propuesto, estudios realizados con el paradigma de cálculo mental y sus características relevantes, y los trabajos hasta ahora realizados utilizando las series de potencia espectral BPts. La metodología utilizada se describe en el Capítulo 4, donde se plantea con detalle las técnicas, exploración y métodos utilizados para lograr los resultados que se reportan en el Capítulo 5. Los resultados se discuten en el Capítulo 6, donde se analizan y se busca dar un sentido de aplicación y fisiológico a los datos conseguidos por el método propuesto. Aquí se plantea cómo esta metodología puede aportar información relevante al área de las BCI. Por último, en el Capítulo 7 se cierran las ideas planteadas, mencionando las complicaciones y soluciones propuestas durante el desarrollo de este proyecto. También se propone el trabajo que queda pendiente por realizar, como sugerencia a continuar con el estudio y mejoramiento del método de análisis propuesto.
Relaciones
| En Conjunto Administrativo: |
|
|---|
Descripciones
| Nombre del atributo | Valores |
|---|
| Creador |
|
|---|
| Colaboradores |
|
|---|
| Tema |
|
|---|
| Editor |
|
|---|
| Idioma |
|
|---|
| Palabra Clave |
|
|---|
| Año de publicación |
|
|---|
| Tipo de Recurso |
|
|---|
| Derechos |
|
|---|
| División académica |
|
|---|
| Línea académica |
|
|---|
| Licencia |
|
|---|
