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...

Descripción completa

Detalles Bibliográficos
Autor: Rivas Navazo, Fernando
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
id ES_0d12103ad4fa2dbfd881daefb8ea9df3
oai_identifier_str oai:riubu.ubu.es:10259/10849
network_acronym_str ES
network_name_str España
repository_id_str
spelling Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo CosteRivas Navazo, FernandoInterfaz cerebro-computadora (BCI)Electroencefalografía (EEG)Predicción (RNN)ClasificaciónRobótica AsistencialInterfaces cerebro-ordenadorBrain-computer interfaces3307.99 Otras3311.02 Ingeniería de Control3311.10 Instrumentos Médicos3314.99 OtrasLa 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.Doctorado en Ingeniería y Tecnologías Industrial, Informática y CivilSierra Garcia, Jesús EnriqueCámara Nebreda, José MaríaUniversidad de Burgos. Departamento de Ingeniería Electromecánicainfo20252025202525-0info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionapplication/pdfhttps://hdl.handle.net/10259/10849reponame:Repositorio Institucional de la Universidad de Burgos (RIUBU)instname:Universidad de Burgos (UBU)EspañolAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Este documento está sujeto a una licencia de uso Creative Commons, por la cual está permitido hacer copia, distribuir y comunicar públicamente la obra siempre que se cite al autor original y no se haga de él uso comercial ni obra derivadainfo:eu-repo/semantics/embargoedAccessoai:riubu.ubu.es:10259/108492026-05-28T07:56:11Z
dc.title.none.fl_str_mv Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
title Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
spellingShingle Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
Rivas Navazo, Fernando
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
title_short Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
title_full Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
title_fullStr Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
title_full_unstemmed Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
title_sort Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
dc.creator.none.fl_str_mv Rivas Navazo, Fernando
author Rivas Navazo, Fernando
author_facet Rivas Navazo, Fernando
author_role author
dc.contributor.none.fl_str_mv Sierra Garcia, Jesús Enrique
Cámara Nebreda, José María
Universidad de Burgos. Departamento de Ingeniería Electromecánica
dc.subject.none.fl_str_mv 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
topic 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
description 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.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025
2025
25-0
info
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/10259/10849
url https://hdl.handle.net/10259/10849
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/embargoedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional de la Universidad de Burgos (RIUBU)
instname:Universidad de Burgos (UBU)
instname_str Universidad de Burgos (UBU)
reponame_str Repositorio Institucional de la Universidad de Burgos (RIUBU)
collection Repositorio Institucional de la Universidad de Burgos (RIUBU)
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869403319172071424
score 15,811543

Similares en LA Referencia