Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores

Un interfaz cerebro-máquina (BCI) es un modo de comunicación directa entre el cerebro y un dispositivo externo. En este trabajo fin de máster se ha investigado varios métodos para clasificar las señales cerebrales generadas por el usuario y de este modo interpretar su intención. Para ello, previamen...

Descripción completa

Detalles Bibliográficos
Autor: Nicolas Alonso, Luis Fernando
Tipo de recurso: tesis doctoral
Fecha de publicación:2012
País:España
Institución:Universidad de Valladolid
Repositorio:UVaDOC. Repositorio Documental de la Universidad de Valladolid
OAI Identifier:oai:uvadoc.uva.es:10324/2656
Acceso en línea:http://uvadoc.uva.es/handle/10324/2656
Access Level:acceso abierto
Palabra clave:Interacción hombre maquina(Informática)
Neurociencias informáticas
id ES_4e79277cf2d0edde0091e096afcf21b6
oai_identifier_str oai:uvadoc.uva.es:10324/2656
network_acronym_str ES
network_name_str España
repository_id_str
spelling Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotoresNicolas Alonso, Luis FernandoInteracción hombre maquina(Informática)Neurociencias informáticasUn interfaz cerebro-máquina (BCI) es un modo de comunicación directa entre el cerebro y un dispositivo externo. En este trabajo fin de máster se ha investigado varios métodos para clasificar las señales cerebrales generadas por el usuario y de este modo interpretar su intención. Para ello, previamente se ha realizado un estudio de las investigaciones en el campo de los BCI en las dos últimas décadas. Este estudio se organiza de acuerdo a la estructura típica de un BCI, que está formada por un bloque de adquisición de las señales cerebrales, un bloque de procesamiento de las señales y otro dedicado al control del dispositivo. En primer lugar, se analizaron las diferentes técnicas que los BCI emplean para adquirir la actividad cerebral y los tipos de señales de control que se pueden encontrar en la misma y que pueden ser moduladas voluntariamente por los usuarios. En segundo lugar, se estudiaron las diferentes técnicas utilizadas para el procesamiento de señales cerebrales. Estas técnicas engloban aquéllas que pretenden extraer la información característica de las señales cerebrales y las que emplean esta información extraída para clasificar las señales con el fin de conocer las intenciones del usuario. Por último, se hizo una revisión de los distintos dispositivos que la comunidad científica ha controlado mediante sistemas basados en BCI. A continuación, se estudiaron diferentes métodos de clasificación aplicados a las señales EEG del conjunto de datos 2b de la competición BCI de 2008. El método ganador de dicha competición se basa en un método derivado de Common Spatial Pattern para la extracción de características y emplea como clasificador Naïve Bayesian Parzen Window (NBPW). En este trabajo se han propuesto cuatro métodos de clasificación de características: análisis discriminante lineal, máquina de soporte vectorial, perceptrón multicapa y red probabilística de Parzen. En el resto de etapas del BCI se han mantenido los métodos empleados por el ganador de la competición. Los resultados indican que los clasificadores propuestos como alternativas al NBPW no proporcionan una mejora significativa del rendimiento. La red probabilística de Parzen y SVM consiguen mejorar el rendimiento en 3.8%, el LDA en 1.9% y el perceptrón multicapa no consigue superar el rendimiento de NBPW. Por otro lado, se estudian también otros aspectos relacionados con la etapa de clasificación como es el post-procesado de las probabilidades a posteriori y el tiempo de procesamiento de los clasificadores. El método de post-procesado mejora necesariamente la clasificación de las señales para todos los sujetos. Sin embargo, si que lo hace en promedio para todos los sujetos de prueba. Por último, se ha estudiado el tiempo de computación que necesitan los diferentes algoritmos de clasificación propuestos. En este punto se ha constatado que el método LDA y la red probabilística de Parzen claramente superan al resto clasificando tardan alrededor de medio segundo para procesar todas las señales de test de un sujeto.Teoría de la Señal y Comunicaciones e Ingeniería TelemáticaMáster en Investigación en Tecnologías de la Información y las ComunicacionesHornero Sánchez, RobertoGómez Gil, JaimeUniversidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación2012info:eu-repo/semantics/doctoralThesisapplication/pdfhttp://uvadoc.uva.es/handle/10324/2656reponame:UVaDOC. Repositorio Documental de la Universidad de Valladolidinstname:Universidad de ValladolidEspañolinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/3.0/es/oai:uvadoc.uva.es:10324/26562026-06-13T12:44:47Z
dc.title.none.fl_str_mv Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
title Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
spellingShingle Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
Nicolas Alonso, Luis Fernando
Interacción hombre maquina(Informática)
Neurociencias informáticas
title_short Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
title_full Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
title_fullStr Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
title_full_unstemmed Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
title_sort Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores
dc.creator.none.fl_str_mv Nicolas Alonso, Luis Fernando
author Nicolas Alonso, Luis Fernando
author_facet Nicolas Alonso, Luis Fernando
author_role author
dc.contributor.none.fl_str_mv Hornero Sánchez, Roberto
Gómez Gil, Jaime
Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
dc.subject.none.fl_str_mv Interacción hombre maquina(Informática)
Neurociencias informáticas
topic Interacción hombre maquina(Informática)
Neurociencias informáticas
description Un interfaz cerebro-máquina (BCI) es un modo de comunicación directa entre el cerebro y un dispositivo externo. En este trabajo fin de máster se ha investigado varios métodos para clasificar las señales cerebrales generadas por el usuario y de este modo interpretar su intención. Para ello, previamente se ha realizado un estudio de las investigaciones en el campo de los BCI en las dos últimas décadas. Este estudio se organiza de acuerdo a la estructura típica de un BCI, que está formada por un bloque de adquisición de las señales cerebrales, un bloque de procesamiento de las señales y otro dedicado al control del dispositivo. En primer lugar, se analizaron las diferentes técnicas que los BCI emplean para adquirir la actividad cerebral y los tipos de señales de control que se pueden encontrar en la misma y que pueden ser moduladas voluntariamente por los usuarios. En segundo lugar, se estudiaron las diferentes técnicas utilizadas para el procesamiento de señales cerebrales. Estas técnicas engloban aquéllas que pretenden extraer la información característica de las señales cerebrales y las que emplean esta información extraída para clasificar las señales con el fin de conocer las intenciones del usuario. Por último, se hizo una revisión de los distintos dispositivos que la comunidad científica ha controlado mediante sistemas basados en BCI. A continuación, se estudiaron diferentes métodos de clasificación aplicados a las señales EEG del conjunto de datos 2b de la competición BCI de 2008. El método ganador de dicha competición se basa en un método derivado de Common Spatial Pattern para la extracción de características y emplea como clasificador Naïve Bayesian Parzen Window (NBPW). En este trabajo se han propuesto cuatro métodos de clasificación de características: análisis discriminante lineal, máquina de soporte vectorial, perceptrón multicapa y red probabilística de Parzen. En el resto de etapas del BCI se han mantenido los métodos empleados por el ganador de la competición. Los resultados indican que los clasificadores propuestos como alternativas al NBPW no proporcionan una mejora significativa del rendimiento. La red probabilística de Parzen y SVM consiguen mejorar el rendimiento en 3.8%, el LDA en 1.9% y el perceptrón multicapa no consigue superar el rendimiento de NBPW. Por otro lado, se estudian también otros aspectos relacionados con la etapa de clasificación como es el post-procesado de las probabilidades a posteriori y el tiempo de procesamiento de los clasificadores. El método de post-procesado mejora necesariamente la clasificación de las señales para todos los sujetos. Sin embargo, si que lo hace en promedio para todos los sujetos de prueba. Por último, se ha estudiado el tiempo de computación que necesitan los diferentes algoritmos de clasificación propuestos. En este punto se ha constatado que el método LDA y la red probabilística de Parzen claramente superan al resto clasificando tardan alrededor de medio segundo para procesar todas las señales de test de un sujeto.
publishDate 2012
dc.date.none.fl_str_mv 2012
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv http://uvadoc.uva.es/handle/10324/2656
url http://uvadoc.uva.es/handle/10324/2656
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:UVaDOC. Repositorio Documental de la Universidad de Valladolid
instname:Universidad de Valladolid
instname_str Universidad de Valladolid
reponame_str UVaDOC. Repositorio Documental de la Universidad de Valladolid
collection UVaDOC. Repositorio Documental de la Universidad de Valladolid
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869407758919401472
score 15,298079

Similares en LA Referencia