Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
La presente tesis aborda el desarrollo y la evaluación de una Interfaz CerebroComputadora (BCI) de bajo coste para el control de dispositivos físicos. El objetivo principal es superar las barreras de accesibilidad y aplicabilidad de los sistemas BCI tradicionales, que dependen de equipos EEG de grad...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Burgos (UBU) |
| Repositorio: | Repositorio Institucional de la Universidad de Burgos (RIUBU) |
| OAI Identifier: | oai:riubu.ubu.es:10259/10849 |
| Acceso en línea: | https://hdl.handle.net/10259/10849 |
| Access Level: | acceso embargado |
| Palabra clave: | Interfaz cerebro-computadora (BCI) Electroencefalografía (EEG) Predicción (RNN) Clasificación Robótica Asistencial Interfaces cerebro-ordenador Brain-computer interfaces 3307.99 Otras 3311.02 Ingeniería de Control 3311.10 Instrumentos Médicos 3314.99 Otras |
| Sumario: | La presente tesis aborda el desarrollo y la evaluación de una Interfaz CerebroComputadora (BCI) de bajo coste para el control de dispositivos físicos. El objetivo principal es superar las barreras de accesibilidad y aplicabilidad de los sistemas BCI tradicionales, que dependen de equipos EEG de grado clínico de alto coste, proponiendo una arquitectura funcional basada en diademas comerciales de bajo coste (Neurosky, Brainlink). La metodología se centra en dos tareas fundamentales: la predicción de estados cognitivos (atención y meditación) y la posterior clasificación de intenciones motoras (cuatro movimientos direccionales y estado de reposo) aplicables en sistemas físicos con electrónica de control embarcada. Para la primera tarea, se implementaron y compararon redes neuronales recurrentes (RNN) de tipo LSTM y GRU. Para la segunda, se realizó un análisis comparativo exhaustivo entre las arquitecturas RNN, sus variantes estabilizadas mediante el criterio de Popov (LSTM+Popov, GRU+Popov) y el algoritmo de aprendizaje automático basado en árboles de decisión, Extreme Gradient Boosting (XGBoost). En el proceso de clasificación el preprocesamiento de las señales EEG incluyó normalización mediante RobustScaler, segmentación en ventanas temporales y una ingeniería de características basada en descriptores estadísticos para optimizar la entrada a los modelos. La evaluación del rendimiento se realizó mediante métricas como Exactitud, F1-Score, ROC-AUC y los tiempos de entrenamiento e inferencia. Los resultados demuestran que, si bien los modelos LSTM y GRU son adecuados para la predicción de estados cognitivos continuos, el modelo XGBoost exhibe una superioridad significativa en la tarea de clasificación multiclase de las intenciones motoras. XGBoost alcanzó una exactitud del 87.72% y un F1-Score del 87.65%, con tiempos de inferencia sustancialmente menores a los de las arquitecturas RNN. Esta eficiencia computacional lo posiciona como el modelo idóneo para su despliegue en plataformas embebidas (ej. Jetson Nano, Raspberry Pi) con recursos limitados. Como principal contribución, la tesis aporta una arquitectura BCI validada, de bajo coste y alto rendimiento, y proporciona evidencia empírica de que, para la clasificación de señales EEG ruidosas en tiempo real, los métodos de boosting como XGBoost pueden superar en precisión y eficiencia a modelos de aprendizaje profundo secuencial. El trabajo culmina con el despliegue de un clasificador funcional y una propuesta de integración completa basada en ROS (Robot Operating System), sentando las bases para el desarrollo de tecnologías de asistencia más accesibles y prácticas. |
|---|