Universidad Politécnica de Madridoa.upm.es/55990/1/TGM_JESSICA_NATHALY_CORREA_TENESACA.pdf · en...

Escuela Técnica Superior de Ingenieros

Informáticos

Universidad Politécnica de Madrid

Detección de actividad física enseñales cerebrales

Trabajo Fin de MásterMáster Universitario en Inteligencia Artificial

AUTOR: Jessica Nathaly Correa TenesacaTUTOR: Javier de Lope Asiaín

2019

Dedicatoria

A quien guía mi camino y bendice mi día a día, Dios, por darme lafortaleza para levantar ante cada tropiezo.

A mis padres, por su amor y apoyo incondicional, sin ustedes esto nosería posible.

Jessica Nathaly

iii

iv DEDICATORIA

Agradecimientos

A todas aquellas personas que de una u otra forma estuvieron presentesa lo largo de este camino, gracias por compartir sus conocimientos, apoyoconstante y ser partícipes de esta aventura.

Un agradecimiento especial a la Secretaria de Educación Superior, Cien-cia, Tecnología e Innovación (SENESCYT), Ecuador, por su apoyo fi-nanciero para la realización de mis estudios y permitirme continuar conmi formación profesional.

v

vi AGRADECIMIENTOS

Resumen

Las señales cerebrales permiten detectar actividades cognitivas y motoras que,aplicados a diversos campos de estudio, pueden aportar al desarrollo y mejorar de lacalidad de vida de las personas. En el presente trabajo se analiza la detección de acti-vidades físicas, mientras un individuo se encuentra sentado o caminando, utilizandoel casco neuronal Emotiv EPOC+, en su versión de 14 canales. Para posteriormente,con los datos obtenidos, procesarlos mediante un suavizado de señales usando el fil-tro Savitzky-Golay y con ello reducir el ruido que puede existir durante la grabaciónde las señales. Se utilizan además técnicas de extracción de características basadasen el dominio del tiempo utilizando ventanas de tiempo contiguas y finalmente seevalúan cuatro clasificadores que permitirán determinar el que mejor capacidad dediscriminación adquiere, utilizando distintas configuraciones de los parámetros.

Palabras clave: Señales EEG, KNN, SVC, Random Forest, Naive Bayes, Emotiv,Hjorth, PCA, filtro Savitzky–Golay.

vii

viii RESUMEN

Abstract

Brain signals allow to detect cognitive and motor activities that, applied todifferent fields of study, can contribute to the development and improvement of thequality of people’s life. This paper discusses the detection of physical activities,while an individual is sitting or walking, using the emotiv EPOC+ neural helmet, inits 14-channel version. Following that, process the data by smoothing signals usingthe Savitzky-Golay filter and thereby reduce the noise that may exist during therecording of the signals. Feature extraction techniques based on time domain arealso used applying contiguous time windows and finally four classifiers are evaluatedto determine the best capacity for discrimination, using different parameter settings.

Key words: EEG Signals, KNN, SVC, Random Forest, Naive Bayes, Emotiv,Hjorth, PCA, Savitzky–Golay filter.

ix

x ABSTRACT

Índice general

Dedicatoria iii

Agradecimientos v

Resumen vii

Abstract ix

1. Introducción 1

2. Objetivos 32.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3. Estado del arte 53.1. Sistemas basados en señales EEG . . . . . . . . . . . . . . . . . . . . 53.2. Electroencefalograma (EEG) . . . . . . . . . . . . . . . . . . . . . . . 7

3.2.1. Ondas cerebrales . . . . . . . . . . . . . . . . . . . . . . . . . 83.3. Brain Computer Interface (BCI) . . . . . . . . . . . . . . . . . . . . . 10

3.3.1. Tipos de BCI . . . . . . . . . . . . . . . . . . . . . . . . . . . 103.3.2. Componentes de BCI . . . . . . . . . . . . . . . . . . . . . . . 11

3.4. Emotiv EPOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123.5. Técnicas de extracción de características . . . . . . . . . . . . . . . . 13

3.5.1. Técnicas en el dominio del tiempo . . . . . . . . . . . . . . . 133.5.2. Técnicas en el dominio de frecuencias . . . . . . . . . . . . . . 143.5.3. Técnicas en el dominio tiempo-frecuencia . . . . . . . . . . . 143.5.4. Otras técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4. Evaluación de Riesgos 17

5. Metodología 195.1. Adquisición de Datos: Emotiv EPOC . . . . . . . . . . . . . . . . . . 195.2. Procesamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . 20

5.2.1. Procesamiento basado en ventanas . . . . . . . . . . . . . . . 225.2.2. Parámetros de Hjorth . . . . . . . . . . . . . . . . . . . . . . . 235.2.3. Análisis de Componentes Principales (PCA) . . . . . . . . . . 24

xi

xii ÍNDICE GENERAL

5.2.4. Estadística instantánea . . . . . . . . . . . . . . . . . . . . . . 245.3. Algoritmos de Clasificación . . . . . . . . . . . . . . . . . . . . . . . . 24

6. Resultados 276.1. Descripción de las pruebas . . . . . . . . . . . . . . . . . . . . . . . . 276.2. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

6.2.1. Clasificación utilizando todas las bandas de frecuencia y suscanales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

6.2.2. Clasificación utilizando las bandas de frecuencia y sus canalesde manera independiente . . . . . . . . . . . . . . . . . . . . . 30

7. Conclusiones 35

8. Líneas Futuras 37

A. Anexos 39A.1. Resumen de los resultados al evaluar todas las ondas de frecuencia . . 39A.2. Resumen de los resultados al evaluar las ondas de frecuencia indivi-

dualmente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Bibliografía 47

Índice de figuras

1.1. Fisiología del cerebro humano. . . . . . . . . . . . . . . . . . . . . . . 1

3.1. Señales EEG de distintos canales. . . . . . . . . . . . . . . . . . . . . 73.2. Representación de una onda cerebral Delta. . . . . . . . . . . . . . . 83.3. Representación de una onda cerebral Theta. . . . . . . . . . . . . . . 83.4. Representación de una onda cerebral Alpha. . . . . . . . . . . . . . . 93.5. Representación de una onda cerebral Beta. . . . . . . . . . . . . . . . 93.6. Esquema básico de un Sistema BCI. . . . . . . . . . . . . . . . . . . . 113.7. Casco Emotiv Epoc de 14 canales . . . . . . . . . . . . . . . . . . . . 13

5.1. Estructura de la metodología de desarrollo del TFM. . . . . . . . . . 195.2. Suavizado del canal AF3 en la banda de frecuencia Alpha. . . . . . . 215.3. Procesamiento de señales EEG basado en ventanas . . . . . . . . . . 225.4. Extracción de características con media estadística . . . . . . . . . . 25

6.1. Parámetros de Hjorth en la banda de frecuencia Low Beta para cadaactividad física . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

6.2. Cálculo de la media estadística para cada actividad física . . . . . . . 286.3. Resultados de la clasificación de actividades en distintos lapsos de

tiempo utilizando todas las bandas de frecuencia . . . . . . . . . . . . 296.4. Resultados de la clasificación de actividades usando la banda de fre-

cuencia Alpha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316.5. Resultados de la clasificación de actividades usando la banda de fre-

cuencia Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326.6. Resultados de la clasificación de actividades usando la banda de fre-

cuencia Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336.7. Resultados de la clasificación de actividades usando la banda de fre-

cuencia Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

xiii

xiv ÍNDICE DE FIGURAS

Índice de tablas

3.1. Clasificación de las ondas según su frecuencia y actividad. . . . . . . 9

5.1. Datos obtenidos durante el primer segundo de la banda Low Betapara el experimento 1 (sentado) . . . . . . . . . . . . . . . . . . . . . 20

5.2. Registros obtenidos tras el uso de ventanas contiguas . . . . . . . . . 22

6.1. Resumen de la clasificación de actividades físicas utilizando todas lasbandas de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

6.2. Resumen de la clasificación de actividades físicas utilizando la ondaAlpha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

6.3. Resumen de la clasificación de actividades físicas utilizando la ondaBeta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

6.4. Resumen de la clasificación de actividades físicas utilizando la ondaTheta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

6.5. Resumen de la clasificación de actividades físicas utilizando la ondaGamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

xv

xvi ÍNDICE DE TABLAS

Capítulo 1

Introducción

“El cerebro es un órgano estupendo: comienza a funcionar en el momentoen que te despiertas y no deja de hacerlo hasta que entras a trabajar.”

(Steven Alexander Wright)

El cerebro humano es una de las estructuras más complejas, por lo que, día adía se encuentran más investigaciones sobre su funcionamiento. Siendo el cerebro elencargado de recibir los estímulos sensitivos, motores e integradores; se encuentradivido en dos partes primordiales, denominadas hemisferio izquierdo y hemisferioderecho. Y; cada hemisferio consta de 4 lóbulos.

Figura 1.1: Fisiología del cerebro humano.

Todas estas áreas de las que se estructura el cerebro son las que permiten realizaractividades cognitivas, tomar decisiones, razonar, transmitir órdenes a los músculos,etc. Siendo así, que cuando ocurren cualquiera de estas acciones nuestro cerebroemite señales que pueden ser captadas por dispositivos como el electroencefalograma(EEG), donde inicialmente la recopilación de estos datos era usada para la medicina,sin embargo, en los últimos años se han hecho avances novedosos sobre el potencialque ofrece trabajar sobre estas señales, permitiendo así, mejorar la salud de las

1

2 CAPÍTULO 1. INTRODUCCIÓN

personas al analizar desórdenes, controlar prótesis o cosas tan sencillas como operardispositivos con tan solo pensarlo.

Este trabajo está enfocado en encontrar el potencial de esta técnica, medianteel análisis de señales EEG para determinar actividades motoras como caminar osentarse, lo que permitirá crear un modelo capaz de determinar la acción que realizauna persona con tan solo monitorizar su actividad cerebral.

Para lograr este objetivo se han recopilado datos de un sujeto por medio deldispositivo EMOTIV EPOC +, que recopila datos de 14 canales cerebrales por cadafrecuencia (Alpha, Low Beta, High Beta, Theta y Gamma), se ha realizado un totalde 10 experimentos divididos en dos actividades puntuales que son las que se buscandeterminar (caminar y sentarse), para esto es necesario un proceso que se encuentraasociado a los denominados sistemas de interfaz cerebro-computador (BCI), queentre otras cosas incluye la captación de la señal, su procesamiento y las posterioresacciones que se puedan realizar al determinar las actividades.

Como base y sustento de este trabajo en la primera sección del estado del arte,se abordan trabajos que están enfocados en la misma línea de sistemas que apro-vechan las señales captadas por dispositivos EEG, aquí también se describen losfundamentos de este tipo de sistemas y la distribución de los canales y frecuenciasque se recopilan.

El capítulo de metodología describe paso a paso todo el proceso que se ha desarro-llado para llegar a construir un modelo, capaz de determinar si mediante la recepciónde un conjunto de señales EEG, éstas se asocian a las actividades físicas de sentarsey caminar, antes de esto, se ha desarrollado un proceso de limpieza de la señal yextracción de características que se describen en este apartado.

Como punto final se muestran los resultados obtenidos con este trabajo y unadiscusión que permite determinar qué modelo generado es el más óptimo y brindalos mejores resultados al trabajar con estas señales orientadas a acciones motoras.

Capítulo 2

Objetivos

2.1. Objetivo General

Identificar actividades físicas a través de señales cerebrales, mediante técnicas deextracción de características y algoritmos de clasificación que mejor se adapten.

2.2. Objetivos Específicos

Realizar una revisión del estado del arte sobre sistemas BCI y técnicas deextracción de características para las señales EEG.

Extraer características que permitan entrenar modelos de clasificación super-visada.

Analizar los resultados obtenidos con los diferentes modelos de clasificación.

3

4 CAPÍTULO 2. OBJETIVOS

Capítulo 3

Estado del arte

En este capítulo se analizan los fundamentos relevantes para el desarrollo delTrabajo de Fin de Máster. Se estudian algunos sistemas basados en señales EEG,además de abordar el tema de Interfaz Cerebro Computador y su funcionamiento,incluido el casco utilizado para la obtención de datos Emotiv EPOC+ y las técnicasde extracción de características para las señales EEG.

3.1. Sistemas basados en señales EEG

La captura de señales EEG, desde un inicio han sido utilizadas para mejorar lacalidad de la vida de la persona y monitorizar su salud, para un neurólogo conocer elcomportamiento de la actividad cerebral en su paciente le permite conocer el avanceen la recuperación del mismo por medio del reconocimiento de patrones asociadosa enfermedades neurológicas, el trabajo de [Agarwal et al., 2017] busca mejorar lainformación que pueden aportar las señales cerebrales por medio de una limpiezaexhaustiva de las mismas, de tal modo que, éstas sean suavizadas y eliminar en loposible el ruido generado por líneas eléctricas, el movimiento ocular, la actividadmuscular, entre otros. Para lograr este objetivo centran su trabajo en técnicas deprocesamiento de la señal, como el filtro de suavizado Savitzky Golay (SGSF) quese usa para minimizar la distorsión presente en una señal conservando los picos quepuedan estar presentes, además de, con el objetivo de reducir el ruido han propuestoel uso del filtro de promedio móvil en cascada (CMAF), basados en esto, proponencrear un método capaz de utilizar estas dos herramientas y producir una señal máslimpia. Como desarrollo de su trabajo tienen un total de 5 diferentes filtros de laseñal, que son expuestos en conjunto con la señal original, las técnicas aplicadas son:suavizado MAF-MAF, SGSF-MAF, SGSF Binomial, SG Y SG en cascada, paraanalizar de manera cuantitativa la mejor técnica hacen uso de la Relación SeñalRuido (SNR), señal a señal más la relación de ruido (SSNR), el error cuadráticomedio (MSE) y el coeficiente de correlación (COR). De esto, se concluye que leaplicación del modelo MAFMAF es ligeramente mejor que SGSF-MAF cuando serefiere a eliminar el ruido, sin embargo, de un modo más equilibrado entre suavizarla señal y reducir el ruido el mejor comportamiento es generado por SGSF-MAF.

5

6 CAPÍTULO 3. ESTADO DEL ARTE

En el ámbito médico el lograr lateralizar un síntoma tiene por propósito el des-cubrir en qué área del cerebro (lateral izquierdo o derecho), es el causante de quese desaten ciertos comportamientos que pueden dar como resultado enfermedadescomo la epilepsia, generalmente los neurólogos para determinar esto se basan en elestudio visual del paciente, historia clínica y el análisis de resultados emitidos pordispositivos de electroencefalografía (EEG) y magneto encefalografía (MEG), unavez estudiado todos estos datos es cuando el doctor es capaz de emitir un criterio pa-ra realizar un proceso quirúrgico, lo que deja clara la importancia que tiene realizartodo este conjunto de pasos y análisis de manera correcta, en base a lo antes expues-to, en el trabajo de [Cecchin et al., 2010], se propone crear un sistema automáticoque por medio del análisis de las señales EEG de una persona que sufre de epilep-sia, poder determinar qué zona lateral del cerebro es la que está siendo responsablede este padecimiento. Para lograr este objetivo inician por un proceso de prepro-cesamiento de los datos, primero aplican un filtro con el objetivo de minimizar lasintervenciones del ruido generado por la actividad muscular y ondas lentas; Luegopara minimizar el efecto de artefactos de gran amplitud y larga duración como movi-mientos o problemas con los electrodos, se aplica un filtro de mediana que cosiste enaplicar una ventana de 1 segundo tomando un total de 256 muestras, para obtenerla línea base de la señal; Como tercer y último paso se recortaron artefactos que secaracterizan por su gran amplitud y corta duración que no aportaban ningún valoren el análisis de los datos. Como parte del procesamiento de la señal generaron nue-vas características derivadas de los parámetros de Hjorth que consisten en encontrarla Actividad, Movilidad y Complejidad por cada canal que los electrodos captan, delos cuales trabajaron con estos dos primeros, además de incluir otras característicascomo la amplitud y frecuencia de las señales, media cuadrática, entre otros cálculosque les permitirán lograr su objetivo antes expuesto, como resultado lograron unaexactitud del 94 % en su modelo para determinar la lateralización, fallando tan soloen uno de los casos que fueron parte de su prueba para medir el rendimiento de suclasificador.

En relación a los temas antes mencionados sobre el uso del análisis de señalesEEG en la salud, para detectar enfermedades y permitir a un especialista médicotomar decisiones frente a los resultados, cabe mencionar que el aprovechamiento deesta prometedora área no solo se limita a esto, sino que va mucho más allá, este es elcaso que expone [Pereira et al., 2017], en donde, se analizan estos datos producidospor la actividad eléctrica del cerebro para proporcionar movilidad por medio de pró-tesis a personas que han perdido extremidades o sufren de algún tipo de parálisis,para lograr esto es necesario resolver dos problemas, el primero está asociado a la na-turalidad de los movimientos, ya que es una tarea complicada el detectar las señalesasociadas a los movimientos particulares de una extremidad podría producir pro-blemas como movimientos repetitivos, como también, el número limitado de clasespara adoptar todos los posibles desplazamientos que puede tener una mano, entreotros ejemplos. El otro problema es el tiempo de retraso ente la captación de la señaly el comando para ejecutar una orden en particular en el dispositivo que se preten-de manipular. Para tratar de mitigar las limitaciones que generan estos obstáculos

3.2. ELECTROENCEFALOGRAMA (EEG) 7

proponen explotar las diferencias entre los movimientos dirigidos y no dirigidos aun objetivo, para mejorar la estimación con respecto a la intención de movimientode algún sujeto, como escenario para la adquisición de señales EEG pidieron a losparticipantes realizar tareas como tocar una pantalla para poder determinar cuatrocondiciones de estudio, Movimiento con intención (GM), Movimiento sin intención(NGM); Intención sin movimiento (GNN) y no registrar movimientos sin tener in-tenciones (NGNM), en base a esto recopilaron datos pertenecientes a 72 ensayosrealizados. Como parte del procesamiento previo de los datos eliminaron datos rui-dosos que fueron inspeccionados de forma visual, además de, reducir los canales queno aportaban información relevante, posterior a esto hicieron uso del Análisis deComponentes Principales (PCA), reduciendo la dimensión de los datos esto en con-junto con un análisis de componentes independientes (ICA), que permitirá descartaraquellos componentes relacionados con movimiento ocular y parpadeos, que hacenreferencia a ruido presente en las señales, para extraer características su enfoque secentró en la amplitud de las señales, sus resultados se encuentran desde un 60 % deprecisión en la clasificación de los movimientos, hasta un 90 % cuando el movimientoera dirigido a un objetivo, esto permitiría mejorar aquellos sistemas BCI orientadosa tratar de estimar que movimiento desarrollaría una persona y así evitar el retrasoentre la orden proveniente del cerebro y la respuesta de una prótesis.

3.2. Electroencefalograma (EEG)

[Silverthorn, 2008, Guerrero, 2010] coinciden en describir la electroencefalogra-fía como el registro de bio-señales (actividad eléctrica producida por las neuronasdel encéfalo) utilizando electrodos adheridos al cuero cabelludo en respuesta a unestímulo que puede ser eléctrico, auditivo, visual, etc.

Figura 3.1: Señales EEG de distintos canales.

Tal como lo muestra la Figura 3.1, la actividad encefalográfica adopta formasvariadas y complejas de acuerdo a la posición de los electrodos y la actividad del


paciente. El método más utilizado se denomina no invasivo, el mismo que utilizaelectrodos de superficie sobre el cráneo.

3.2.1. Ondas cerebrales

Conociendo la increíble capacidad del cerebro para producir señales eléctricascapturadas mediante el electroencefalograma (EEG) a diversas frecuencias, es posi-ble clasificar estas ondas de acuerdo con procesos específicos y diversos estados dela conciencia. Cada una de las bandas de frecuencia oscilatorias se identifican me-diante el alfabeto griego, mencionadas a continuación [Martínez Albaladejo, 2013,Braidot, 2008]:

Delta (δ): La bio-señal Delta puede ser observada en niños y va decreciendo segúnla edad. Se relaciona con un estado de sueño profundo y desórdenes cerebrales. Sufrecuencia oscila entre 0.5 y 4Hz

Figura 3.2: Representación de una onda cerebral Delta.[Martínez Albaladejo, 2013]

Theta (θ): Rango de frecuencia es de 4 a 8Hz por segundo. Este tipo de ondasestá vinculado a actividades de meditación o estado de somnolencia durante lasprimeras fases del sueño.

Figura 3.3: Representación de una onda cerebral Theta.[Martínez Albaladejo, 2013]

Alpha (α): Su frecuencia varía en un rango de 8 y 13Hz. Este tipo de ritmoscerebrales están asociados a un estado de relajación con los ojos cerrados. útiles paradeterminar el nivel de cansancio mental ya que se relaciona con el esfuerzo mental.

3.2. ELECTROENCEFALOGRAMA (EEG) 9

Figura 3.4: Representación de una onda cerebral Alpha.[Martínez Albaladejo, 2013]

Beta (β): Asociado a un nivel de concentración, resolución de problemas y aten-ción. Se subdivide en dos grupos: Beta I y Beta II según su frecuencia, siendo esteúltimo el de mayor frecuencia, el cual aparece cuando se activa la zona del sistemanervioso central en una mayor intensidad. Su rango de frecuencia varía entre 15 y25Hz

Figura 3.5: Representación de una onda cerebral Beta.[Martínez Albaladejo, 2013]

La intensidad de las ondas cerebrales en la superficie del cerebro puede ser dehasta 10 mV , mientras que aquellas ondas obtenidas con electrodos ubicados enel cuero cabelludo alcanzan una amplitud aproximada de 100 μV . Las frecuenciaspor su parte se encuentran en un rango de 0.5 a 100 Hz [Webster, 2009]. La Tabla3.1 presenta un resumen de las 4 ondas cerebrales identificadas, mostrando la señaleléctrica producida, frecuencia y actividad o estado relacionado a ésta.

Tabla 3.1: Clasificación de las ondas según su frecuencia y actividad.

Nombre Onda cerebral Frecuencia (Hz) Estado

Delta 0.5 - 4 Sueño profundo

Theta 4 - 8 Estado de meditación o somnolencia

Alpha 8 - 12 Estado de reposo con ojos cerrados

Beta 15 - 25 Concentración y resolución de problemas


3.3. Brain Computer Interface (BCI)

Brain Computer Interfaces (BCI) o también denominados Brain-Machine Interfa-cing (BMI) son dispositivos capaces de permitir comunicación y control sin necesidaddel movimiento [Guger et al., 2014]. Basándose primordialmente en captar señalesprovenientes de la actividad cerebral mientras se realiza alguna actividad.

La idea de BCIs tiene sus inicios en 1929, cuando el alemán Hans Berger introdu-jera por primera vez el término electroencefalograma [Wolpaw and Wolpaw, 2012]para registrar la actividad cerebral. Años más tarde,en 1964, el Dr. Grey Walter,descubre el primer BCI conectando electrodos directamente a las áreas motoras delcerebro de un paciente, solicitando que presionara un botón para avanzar un proyec-tor de diapositivas, mientras en Dr. Walter registraba la actividad. A pesar de que nopublicó este acontecimiento, presentó una charla al grupo Oster Society en Londres[Graimann et al., 2010]. Posterior a ello, se informa sobre la primera investigaciónpublicada sobre BCI [Sanei and Chambers, 2013]. Con ello, se demostraba el objeti-vo inicial de estos sistemas "Demostrar que los BCI pueden ayudar a pacientes quenecesitan BCI para comunicarse"[Graimann et al., 2010].

En la actualidad existen algunas empresas que ofrecen de manera comercial In-terfaces Cerebro Computador, entre las que se puede mencionar Neurosky, Ocz Tech-nologies, Emotiv Epoc, entre otras.

3.3.1. Tipos de BCI

Conociendo que el objetivo de los BCI es obtener bioseñales del cerebro, éstaspueden ser medidas mediante dos tipos de interfaces, en [Fouad et al., 2014] lasclasifican en invasivas, parcialmente invasivas y no invasivas.

BCI invasivas: Las interfaces Cerebro Computador invasivas se denominan así por-que son colocadas directamente en el cerebro, por lo que se requiere de cirugías queimplanten los sensores para captar las señales, siendo estas las señales que mayorcalidad obtienen los BCI.

BCI parcialmente invasivas: Es un tipo de interfaz cerebro computador que in-crusta los sensores dentro del cráneo, pero descansan fuera del cerebro. Esta técnicaproduce señales un poco más débiles que los métodos invasivos, pero aún generabuena resolución en las señales obtenidas. Para este tipo de BCI también se requierede una cirugía para implantar los sensores.

BCI no invasivas: El tercer tipo de interfaz cerebro computador son las no invasi-vas, denominadas así porque no requieren de cirugías para colocar los electrodos quelean las señales de la actividad cerebral. A pesar de producir señales menos efectivasque los métodos invasivos y parcialmente invasivos es la técnica más segura, ya quese colocan los electrodos sobre el cuero cabelludo.

3.3. BRAIN COMPUTER INTERFACE (BCI) 11

3.3.2. Componentes de BCI

BCI consta básicamente de 4 etapas, tal como lo hace cualquier sistema de co-municación o de control, consta de una entrada (señales de actividad eléctrica delcerebro) que luego serán traducidos a una salida (control de dispositivos). La Figura3.6 el proceso típico de un sistema BCI, el cual se resume en el registro o adqui-sición de señales mediante EEG, preprocesamiento de los datos, extracción de lascaracterísticas y finalmente la clasificación de las señales.

Figura 3.6: Esquema básico de un Sistema BCI.

Adquisición de la señal

La etapa inicial de los sistemas BCI, es la entrada de los datos. Para ello, lasseñales eléctricas son registradas mediante métodos invasivos (intracortical) o méto-dos no invasivos (EEG). En esta etapa se "prepara"la señal para su procesamientoposterior. para ello son amplificadas, filtradas y digitalizadas.

Pre-procesamiento

Las bioseñales obtenidas pueden contener cierto tipo de "señales débiles"quepueden ser consideradas fuente de ruido, si no es información de interés. Este ti-po de señales pueden darse por razones fisiológicas, los instrumentos utilizados osimplemente por el medio del experimento.

Es así como, esta etapa permite utilizar diversos filtros que eliminan aquellasseñales que generan ruido o contaminan los datos, creando así cierta dificultad en lainterpretación de la actividad eléctrica.


Extracción de características

La extracción de características permite crear un vector con determinadas propie-dades específicas de la señal adquirida, con el fin de que la detección de actividadescerebrales tenga la información más relevante para su discriminación de tareas.

Es importante tener en cuenta, que en esta fase la dimensión del vector es unfactor a considerar, ya que de ello depende la complejidad del sistema y teniendo encuenta, además, que durante la extracción de las nuevas características no se pierdainformación de la señal. Los métodos existentes se explican en la sección 3.5.

Clasificación

En la clasificación se intenta determinar patrones o clases que describan unao varias tareas. Por lo tanto, una vez extraído y seleccionado las propiedades quemejor describen a una actividad determinada, se requiere escoger un algoritmo declasificación según el tipo de datos a utilizar.

A manera general, es posible distinguir dos grupos para la clasificación, los cualesinfluirán a la hora de seleccionar el método con el que se realizará la discriminaciónde las tareas mentales:

Clasificación supervisada conoce desde un principio las clases a la que perte-nece cada una de las tareas evaluadas, para ello, utiliza conjuntos de muestraspara entrenar y establecer los criterios que permitirán determinar el tipo declase a la que pertenece una muestra dada.

Clasificación no supervisada, se utiliza cuando no se conoce a priori la clasede pertenencia de una actividad. Este tipo de algoritmos utilizan distintasmedidas para agrupar en función de algún criterio las muestras proporcionadas.

3.4. Emotiv EPOC

El casco Emotiv1 Epoc presenta un sistema de electroencefalografía multi-canalpara fines investigativos, siendo un dispositivo wireless EEG mínimamente invasivo.La figura 3.7a muestra el casco Emotiv, el cual captura un total de 14 canales (AF3,F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4) basados en las ubicacionesinternacionales 10/202 (ver figura 3.7b) y basados en sensores salinos.

Para especificaciones técnicas del dispositivo, refiérase al manual de usuario3

presentado por la empresa Emotiv Inc.

1Página Web: https://www.emotiv.com/2Método internacional para la colocación de los electrodos en el cuero cabelludo para Electro-

encefalogramas.3Manual de Emotiv EPOC: https://emotiv.gitbook.io/epoc-user-manual/

3.5. TÉCNICAS DE EXTRACCIÓN DE CARACTERÍSTICAS 13

(a) Casco Emotiv Epoc(b) Sistema internacional10-20

Figura 3.7: Casco Emotiv Epoc de 14 canales

3.5. Técnicas de extracción de características

Un aspecto clave del procesamiento de señales EEG es la extracción de carac-terísticas que permitan discriminar entre diversas actividades, tareas o estímuloscerebrales, para su posterior selección de propiedades relevantes que aporten en elmejor rendimiento posible.

Teniendo en cuenta que, las características de una señal EEG son agregadasgeneralmente a un vector llamado como vector de características. [Lotte, 2008] de-fine a esta fase como la operación que transforma una o varias señales en un vec-tor de características. Para algunos investigadores, la extracción de característicases una de las fases que más impacto tiene sobre la clasificación final [Lotte, 2008,Martínez Albaladejo, 2013].

Existe una amplia variedad de técnicas que ayudan en la extracción de carac-terísticas aplicadas a señales EEG, en investigaciones como [Medina et al., 2018,Lotte, 2014, Motamedi-Fakhr et al., 2014] es discutido en detalle las diversas técni-cas, definiendo tres principales grupos:

Métodos que extraen información en función del tiempo.

Métodos que describen información frecuencial (espectral), y

Métodos con información tiempo-frecuenciales

En [Lotte, 2014] se añade un cuarto grupo, determinando métodos de informa-ción espacial, es decir extrae características en función de dónde se origina la señal(canales específicos), de acuerdo a la fisiología del cerebro.

3.5.1. Técnicas en el dominio del tiempo

Métodos que describe propiedades relevantes de las señales en función de cómovaría con el tiempo en diversos puntos o ventanas temporales. Entre las técnicas


que podemos analizar es posibles agrupar en dos técnicas principales, Estadísticainstantánea y Modelos autorregresivos.

Estadística instantánea: El uso de técnicas estadísticas permiten analizar la se-ñal EEG y obtener propiedades en un dominio de tiempo específico. Algunas de lastécnicas que se mencionan en [Khorshidtalab et al., 2012] son la longitud de onda,valor absoluto de la media, valor máximo, integral cuadrada simple, amplitud de Wil-son (WAMP). Otras técnicas comunes son los parámetros de Hjorth [Hjorth, 1970],varianza, cruce por cero, etc.

Modelo Autorregresivos (AR): Teniendo en cuenta que las señales EEG son noestacionarias, se necesita evaluarlas utilizando segmentos de tiempo cortos sobre losque se presume que los datos son estacionarios [Krusienski et al., 2006]. Por lo que,los modelos autorregresivos no están limitados por la duración del proceso de entra-da, así que en [Rodríguez-Bermúdez et al., 2012] definen un modelo autorregresivocomo un modelo lineal que describe la observación actual con una combinación demuestras anteriores.

3.5.2. Técnicas en el dominio de frecuencias

Transformada Rápida de Fourier (FFT): Traduce la señal del dominio deltiempo al dominio de frecuencia. Para ello, evalúa la distribución de la amplitud delespectro EEG y extrae los picos para mostrar las tareas del cerebro [Zhang et al., 2008].Sin embargo, la principal desventaja es que no resulta óptimo cuando los datos notienen un tamaño igual a la potencia de 2.

Potencia Espectral: Determina la distribución de la potencia de la señal en fun-ción de sus frecuencias. Dicho de otro modo, indica las variaciones de frecuenciaexistentes en las señales. Para el cálculo de la Densidad Espectral de Potencia (PSD)se utiliza la transformada rápida de Fourier.

3.5.3. Técnicas en el dominio tiempo-frecuencia

En [Motamedi-Fakhr et al., 2014], mencionan que las técnicas de análisis tiempo-frecuencia son un método importante ya que es capaz de descomponer las señalesen función de ambos aspectos (tiempo y frecuencia).

Transformada de Fourier en tiempo reducido (STFT): Es una de las for-mas más simples del análisis de señales EEG en el dominio del tiempo-frecuencia. Latransformada de Fourier en tiempo reducido computa la señal en segmentos unifor-mes superpuestos cuyo periodo de duración sea corto, para luego calcular la trans-formada de Fourier en cada ventana segmentada. En [Motamedi-Fakhr et al., 2014]mencionan que esta técnica es ampliamente utilizada para el análisis de señales EEGdurante la etapa del sueño.

3.5. TÉCNICAS DE EXTRACCIÓN DE CARACTERÍSTICAS 15

Transformada de Wavelet: Está relacionada a la transformada de Fourier entiempo reducido permitiendo la representación de la señal como un conjunto de ven-tanas sinusoidales en diferentes frecuencias, siendo escalable en función del tiempo.

3.5.4. Otras técnicas

La variedad de técnicas es demasiado amplia, por lo que, las principales han sidocomentadas en los apartados 3.5.1, 3.5.3 y 3.5.3. Es posible mencionar otras técnicascomo las espaciales entre las que se mencionan los Patrones especiales comunes(CSP) capaz de calcular filtros que maximizan la varianza de los datos con respectode otra. En [Lotte, 2014] se menciona también las técnicas no lineales en las quemenciona la entropía y coeficientes de Lyapunov.

Capítulo 4

Evaluación de Riesgos

Al momento de realizar el presente trabajo de fin de máster, es necesario analizarciertos riesgos que pueden causar efectos sobre los resultados a obtener, determinan-do lo siguiente:

La poca cantidad de sesiones y experimentos realizados, dan lugar a tenerescasa información que dificultan la correcta evaluación y análisis de los resul-tados.

Para analizar las señales y actividad cerebral es importante tener en cuentafactores como la edad, sexo, estado del sujeto, toma de medicamentos, etc,debido a que éstos pueden variar en la adquisición de los datos.

Es necesario tener en cuenta que existen artefactos de corriente o del ambienteque generan ruido en la adquisición de las señales, por lo que es un factor atener en cuenta durante las sesiones que se realizan los experimentos. Parala captación de los datos utilizados en el presente trabajo se utilizó el casoEmotiv EPOC+, el cual ya realiza una disminución del ruido generado poreste tipo de características.

17

18 CAPÍTULO 4. EVALUACIÓN DE RIESGOS

Capítulo 5

Metodología

Para el desarrollo del TFM se propone la estructura que se muestra en la Figura5.1, siendo las fases principales la adquisición de la señal con la ayuda del cascoEMOTIV EPOC+ y el procesamiento de ésta mediante técnicas basadas en el do-minio del tiempo; proceso que permitirá construir un clasificador de las actividadesde sentarse y caminar, para el posterior análisis de los resultados conseguidos en elcapítulo 6.

Figura 5.1: Estructura de la metodología de desarrollo del TFM.

En los apartados siguientes se describe a detalle cada fase propuesta para ladetección de actividades físicas.

5.1. Adquisición de Datos: Emotiv EPOC

La primera etapa para el desarrollo del presente trabajo es la adquisición de losdatos. Para ello, se hace uso del casco EMOTIV EPOC+, en su versión de 14 canales

19

20 CAPÍTULO 5. METODOLOGÍA

que, como se menciona en la sección 3.4 es un dispositivo mínimamente invasivo quepermite la movilidad natural de la persona [Araquistain et al., 2019].

El conjunto de datos se obtiene de un total de diez sesiones, monitorizandoa una sola persona. Donde, en cinco de las sesiones se monitorizaba al individuomientras se encontraba sentado, en un estado de relajación, mientras que en lascinco sesiones restantes el sujeto ha caminado por el lugar mientras utiliza el casconeuronal Emotiv, recogiendo los datos durante un tiempo aproximado de 1 minutopor sesión.

La Tabla 5.1 muestra el registro de los datos para los canales de Low Beta,correspondiente al primer experimento mientras el sujeto se encuentra sentado enun estado de relajación.

Tabla 5.1: Datos obtenidos durante el primer segundo de la banda Low Beta parael experimento 1 (sentado)

Time AF3 F7 F3 ... FC6 F4 F8 AF4

0 0.733931 1.760285 0.632653 ... 0.380391 0.633376 0.413191 0.9556070.03 0.733931 1.760285 0.632653 ... 0.551138 0.840595 0.607584 1.4151170.16 0.999516 2.320877 0.981052 ... 0.814564 1.711771 1.05308 2.3497630.19 1.584393 4.016302 1.874369 ... 1.20332 3.404878 1.707336 3.9208220.29 2.453135 6.269891 3.554484 ... 1.709422 6.428331 2.618262 5.989170.41 3.573831 10.240604 6.094158 ... 2.275009 10.596599 3.52816 8.1771850.54 4.73242 13.454494 9.006965 ... 2.744056 14.82242 4.216159 9.849820.67 5.603415 18.265402 11.60272 ... 3.027216 18.521632 4.467642 10.4861230.79 5.858376 20.858538 13.022777 ... 3.027216 18.521632 4.467642 10.4861231.05 5.858376 20.858538 13.022777 ... 3.015123 20.081942 4.173289 9.817049

Tras haber obtenido un total de 50 ficheros de datos de tipo csv (5 bandas x 10sesiones) se unifica en un solo dataset para poder trabajar sobre el. Por lo tanto,dadas las 5 bandas (Alpha, Low Beta, High Beta, Theta y Gamma) que obtiene elEmotiv EPOC+, y los 14 canales (AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6,F4, F8 y AF4), el vector de características con el que se trabajará estará conformadopor 72 características y 5035 registros, donde 70 características pertenecen a loscanales de las 5 bandas de frecuencia, una de ellas indica el tiempo de captura de laseñal, y otra por la clase a la que pertenece denotadas como sit y walk.

5.2. Procesamiento de los datos

El análisis de series temporales, como las señales cerebrales, tiene un amplioconjunto de métodos con fundamentos matemáticos y ciencia, a lo largo de la histo-ria [Agapov et al., 2016]. Teniendo en cuenta que, al trabajar con señales cerebralespuede existir cierto ruido provocado por el movimiento ocular, movimientos mus-culares ajenos a los que se buscan detectar o ciertas características que no formanparte de su naturaleza, es necesario realizar un preprocesamiento de los datos antesde ser tratados.

Es importante mencionar que los datos de la actividad cerebral han sido obteni-dos desde la API del Emotiv en su versión gratuita, por lo que no se trabajará con

5.2. PROCESAMIENTO DE LOS DATOS 21

las señales Raw EEG.Partiendo de ello, y, conociendo que el Emotiv presenta un filtro interno pasa

banda de 0.2-45Hz [Salgado et al., 2016], para evitar posibles errores durante laadquisición de los datos, los primeros 10 segundos son suprimidos de las 10 sesionesrealizadas con el fin de disminuir la tasa de error en las actividades, además de aplicarel filtro paso bajo de Savitzky–Golay, el cual permitirá suavizar y reducir el ruidoexistente en la señal. Siendo éste un método basado en la aproximación por mínimoscuadrados, donde demostraron que al ajustar un polinomio a un conjunto de datosde entrada y evaluar el polinomio resultante en un punto dentro del intervalo deaproximación era equivalente a una convolución discreta [Schafer et al., 2011].

Con ello, es posible suavizar el ruido de la señal mientras se mantiene la forma ypicos de la señal. Con este fin, se hace uso de la librería scipy, mediante la funciónsavgol filter, la misma que devuelve un conjunto de datos de la señal cuya longitudes igual a la establecida como entrada. Los parámetros utilizados, son producto deuna evaluación de prueba y error con el fin de obtener la mejor señal, para ello sedefine:

x : Conjunto de datos de la señal de entrada

window length: Tamaño de la ventana para evaluar las muestras. Debe sersiempre un valor impar, por consiguiente, se establece un tamaño de 31.

polyorder : Orden del polinomio a utilizar para ajustar las muestras. Este valordebe ser menor al tamaño de la ventana, por lo tanto, se utiliza un polinomiode orden 2.

mode: Este parámetro determina la extensión de la señal de suavizada, en estecaso se analiza el modo constant para obtener como salida una longitud iguala la de la señal de entrada.

(a) Señal con ruido (b) Señal suavizada

Figura 5.2: Suavizado del canal AF3 en la banda de frecuencia Alpha.

En la figura 5.2 se observa el resultado luego de aplicar el suavizado de la señalcon los parámetros antes mencionados, realizado en el canal AF3 de la banda defrecuencia Alpha de la sesión 1(caminando).


5.2.1. Procesamiento basado en ventanas

Generalmente se utilizan ventanas deslizantes para el procesamiento de señales,por un lado, algunos investigadores como [Martinez-Murcia et al., 2019, Dias et al., 2007]dividen la señal en distintos segmentos superpuestos, para luego ser computados porcada ventana segmentada, mientras tanto [Lotte, 2014] lo realiza con ventanas des-lizantes (contiguas) en un lapso de n segundos.

En este estudio se pretende trabajar con segmentos o ventanas de tiempo con-tiguas, para seguidamente realizar los cálculos establecidos (Parámetros de Hjortho Media estadística) para cada una de las épocas. La figura 5.3 muestra la segmen-tación de la señal EEG en distintos periodos de tiempo, por lo que, cada ventanadevolverá un vector de características de 1xM, según corresponda el caso.

Figura 5.3: Procesamiento de señales EEG basado en ventanas

La tabla 5.2 muestra un resumen del número de muestras obtenidos tras segmen-tar en ventanas de 1s, 2s, 3s y 5s, para las pruebas siguientes de las señales EEG.Se ha determinado un máximo de 5 segundos por la poca cantidad de registros quese obtienen para la clasificación final.

Tabla 5.2: Registros obtenidos tras el uso de ventanas contiguas

Tiempo Número de registros(s) Sentado Caminando

1 252 2502 127 1263 85 845 52 52

5.2. PROCESAMIENTO DE LOS DATOS 23

5.2.2. Parámetros de Hjorth

Los parámetros de Hjorth son características pensadas para aplicar en EEG,propuesto por Bo Hjorth [Hjorth, 1970], bajo la necesidad de aplicar métodos cuan-titativos en la descripción de un EEG.

El método propuesto, sugiere como parámetros básicos la varianza e incluyeademás la varianza de la amplitud de la señal y su derivada. Este conjunto deparámetros permiten una descripción cuantitativa de un segmento de EEG dentrode cada época. Se establecen los siguientes parámetros:

Actividad: Se computa con la medida de la varianza de amplitud y representa lapotencia de la señal. Se representa por:

Actividad(x) = var(x) (5.1)

Dónde, x representa la señal EEG.

Movilidad: Se define como la raíz cuadrada de la varianza de la primera derivadadividido para la varianza de la señal (amplitud), representando la frecuencia mediade señal. Se calcula como:

Movilidad(x) =

√var(x′)var(x)

(5.2)

Dónde, x’ representa la primera derivada de la señal EEG.

Complejidad: Se deriva de la proporción entre la movilidad de la primera derivaday la movilidad de la señal EEG (5.2). El mínimo valor de la complejidad es la unidad(1), por cuánto más cerca esté a este valor, más cerca será la señal de ser sinusoidal.Representa los cambios de la señal en el dominio de la frecuencia, y se calcula:

Complejidad(x) =

√Movilidad(x′)Movilidad(x)

(5.3)

Estos 3 parámetros caracterizan a la señal EEG en términos de amplitud, tiempoy complejidad, referidos a cada época. Debido a la naturaleza estadística de losparámetros, cuando el análisis se aplica a diversos canales EEG, al final es posiblecalcular el promedio, variabilidad, etc.

Para el cálculo de los parámetros de Hjorth, se hace uso de las librería Numpyde Python, ya que gracias a su amplia variedad de funciones matemáticas es posiblecalcular cada época de las señales EEG.


5.2.3. Análisis de Componentes Principales (PCA)

El análisis de componentes principales es una de las técnicas de reducción dedimensionalidad más populares [Sarkar et al., 2018], cuyo método matemático per-mite extraer y reducir características de un vector dado, de tal manera que, medianteuna transformación lineal logra obtener la información más relevante y así, con unmínimo de variables nuevas es posible representar las antiguas características de unaforma más simplificada.

Con el fin de reducir el coste computacional debido a la gran cantidad de atributosen el vector de características, se propone reducir el número de variables haciendo usode la biblioteca Scikit-Learn1, para ello, se prevé reducir a un total de 5 componentesprincipales, obteniendo entre un 84 % y 98 % de información (Ver Anexo A).

5.2.4. Estadística instantánea

En [Medina et al., 2018] se habla sobre la técnica de estadística instantánea parala extracción de características. Donde los métodos en el dominio del tiempo utilizancomo características las variaciones del tiempo en la señal. Tal como se menciona enla sección 3.5.1 es posible obtener características estadísticas como:

Cruce por cero

Varianza

Desviación estándar

Coeficiente de correlación

Media

Valor de percentiles, entre otras.

Siendo éstas, solo algunas de las tantas características que es posible computarmediante factores estadísticos. Sin embargo, para propósitos del desarrollo de estetrabajo, se computa la media de los 14 canales por cada banda de frecuencia paragenerar una nueva característica que se denominará con el nombre del canal al quecorresponde el cómputo, por lo tanto, como se observa en la figura 5.4, medianteeste cálculo es posible obtener un nuevo vector con 5 características (Alpha, LowBeta, High Beta, Theta y Gamma).

5.3. Algoritmos de Clasificación

Por último, se asocia una clase de pertenencia según la tarea realizada, dondese utilizarán algoritmos de clasificación que permitan determinar la actividad física

1Página web de Scikit-Learn: https://scikit-learn.org/stable/

5.3. ALGORITMOS DE CLASIFICACIÓN 25

Figura 5.4: Extracción de características con media estadística

que un individuo ejecuta, siendo un total de 10 sesiones (5 sentado y 5 caminan-do) durante un minuto cada una. Para ello, se evalúa un total de 4 algoritmos declasificación mediante el paquete Scikit-Learn, el cual presenta una vasta gama dealgoritmos de aprendizaje automático supervisado y no supervisado y librerías rela-cionadas al procesamiento de señales. En este trabajo se hará uso de los siguientesalgoritmos de clasificación:

KNN: Algoritmo de clasificación basado en el valor de la densidad de sus k-vecinos más cercanos, para establecer el número de vecinos, se utilizará laconfiguración óptima según las pruebas que se realizan, tomando valores entreel rango de 1 a 20 vecinos.

SVC: Los clasificadores de soporte vectorial se basan en la separación de ca-tegorías con el margen más amplio posible en un hiperplano, haciendo uso dedistintos núcleos para su clasificación. Para la detección de actividades físicasse utilizará el kernel lineal.

NB: El algoritmo Naive Bayes, es un clasificador bayesiano basado en la hipó-tesis de independencia condicional entre las variables o atributos.

Random Forest: Su idea se centra en combinar varios árboles de decisión in-dependientes en un solo modelo, donde se evalúa a un conjunto aleatorio dedatos con la misma distribución. Para establecer el número de estimadores seutiliza el óptimo de un rango de 1 a 20.

En función de la poca cantidad de registros que se tienen, se hará uso de la técnicade validación Leave One Out, para lo cual se entrenará con 4 de las 5 sesiones paracada actividad y se dejará una sesión que permitirá realizar la validación del modelode clasificador.

Capítulo 6

Resultados

6.1. Descripción de las pruebas

Una vez procesada la señal es necesario crear un modelo capaz de clasificar lasactividades físicas de caminar y sentarse en las que este trabajo se enfoca; sin embar-go, no existe una configuración exacta de que algoritmo de clasificación usar, cuantossegundos de ventana son necesarios o en cuántas características se deben reducir loscanales que forman parte del conjunto de datos, por esto es necesario realizar variaspruebas utilizando variedad de parámetros con el objetivo de encontrar el modeloidóneo que se adapte mejor y sea capaz de diferenciar entre las características deestas dos actividades.

Cabe señalar un aspecto importante que se ha logrado concluir en el procesode este trabajo, la Figura 6.1 nos permite observar de manera clara un aspectorelevante sobre los datos que se asocian a las actividades, en este caso utilizandolos parámetros de Hjroth que nos permiten detectar la intensidad de la señal entres aspectos que se han detallado en la sección 5.2.2, podemos observar una claradiferencia entre el parámetro Actividad en ambas acciones (sentarse y caminando),mientras que, la Figura 6.1a muestra un rango de actividad comprendido entre unvalor aproximado de 0 a 0.5 para cuando el sujeto está sentado, en la Figura 6.1b,cuando el sujeto está caminando, los valores son totalmente distintos alcanzandoun rango de 0.2 a 3.5 aproximadamente, muy por encima de los que mantiene laprimera acción.

Para brindar mayor claridad sobre lo antes expuesto y recalcar la enorme dife-rencia que está presente entre la acción de sentarse y caminar, la Figura 6.2 contiene4 situaciones, dos para la primera acción en donde se ha obtenida la media estadís-tica para reducir las dimensiones de las características de los canales según la ondaque tienen asociada, como puede verse en la Figura 6.2a, y el mismo procedimientocuando el sujeto está caminando que está presente en la Figura 6.2b. Si se presentaatención a los valores en el eje Y en los conjuntos de imágenes se puede notar algomuy destacable y es que, mientras el rango de valores para la onda Theta cuandoel sujeto está sentado comúnmente se mantiene entre 0 a 7 (a excepción de ciertospicos), en contraste con el rango de valores de la misma onda cuando el sujeto esta

27

28 CAPÍTULO 6. RESULTADOS

(a) Sesión: Sujeto sentado (b) Sesión: Sujeto caminando

Figura 6.1: Parámetros de Hjorth en la banda de frecuencia Low Beta para cadaactividad física

caminando, el cual se mantiene entre 2 a 25, siendo la diferencia sustancial.

El punto de recalcar estas diferencias notables entre las acciones de sentar ycaminar es establecer que son totalmente opuestas una de la otra, ya que el algoritmoes capaz de crear rangos de valores para cada una de ellas que las distinguen, estoafectará notablemente a la eficiencia de los clasificadores, ya que al ser acciones tandistintas una de otra, los resultados serán muy precisos al momento de clasificarentre estas dos.

(a) Sesión: Sujeto sentado

(b) Sesión: Sujeto caminando

Figura 6.2: Cálculo de la media estadística para cada actividad física

6.2. ANÁLISIS DE RESULTADOS 29

6.2. Análisis de resultados

Se han ejecutado un total de 42 pruebas, descritas a detalle en el Anexo A, lascuales se realizaron en dos grupos:

Se utiliza todas las bandas de frecuencia para evaluar la capacidad de discri-minación de cada uno de los algoritmos a utilizar

Se evalúa cada banda de frecuencia de manera independiente, con el fin dedeterminar cuánta información aporta cada uno para la detección de las acti-vidades físicas.

En los apartados siguientes, se analiza los resultados obtenidos para cada una delas pruebas realizadas.

6.2.1. Clasificación utilizando todas las bandas de frecuenciay sus canales

El primer grupo de pruebas que se realizaron corresponden a trabajar sobre elvector de 70 características, para los que se evaluó con ventanas de 1s, 2s, 3s, y 5s.Cada uno de los parámetros, se establecen luego de evaluar el rendimiento de cadamodelo de clasificación. Siendo así que, la figura 6.3, indica la comparativa de losresultados obtenidos asociados a las distintas ventanas de tiempo.

(a) 1 segundo (b) 2 segundos

(c) 3 segundos (d) 5 segundos

Figura 6.3: Resultados de la clasificación de actividades en distintos lapsos de tiempoutilizando todas las bandas de frecuencia

Un aspecto a mencionar sobre los tiempos escogidos para el procesamiento basadoen ventanas, es que se estableció como límite 5 segundos este grupo de pruebas, sin


embargo, se observó que la cantidad de datos que se tenía al final para evaluar erademasiado pequeño, resultado que se ve reflejado en la figura 6.3d donde los modelosde clasificación comienzan a adquirir los mismos resultados en la detección de lasactividades, sin embargo, esto se debe a que se validan con un total de 21 registrospara las dos actividades. Mientras que, al utilizar el tamaño de ventanas de 1s, esposible observar que se obtiene los mejores resultados con un accuracy del 98.02 %utilizando la técnica de reducción de dimensionalidad de análisis de componentesprincipales (PCA) obteniendo un 84.33 % de información en 5 componentes, para losalgoritmos KNN (cuando k=3) y Random Forest (cuando número de estimadores =12). Mientras que la técnica con menor capacidad de discernir entre las actividadesa evaluar son los parámetros de Hjorth, utilizando el modelo Naive Bayes, para loque alcanza un 52.94 % de exactitud (Ver Tabla 6.1), pudiendo identificar una altadeficiencia al determinar cuando el sujeto se encuentra caminando, haciendo uso deuna ventana contigua de 3s.

Tabla 6.1: Resumen de la clasificación de actividades físicas utilizando todas lasbandas de frecuencia

Tiempo (s) Técnica KNN SVM Naïve Bayes Random Forest

1 PCA 98.02% 96.04 % 93.07 % 98.02%1 Media 97.03 % 95.05 % 92.08 % 95.05 %1 Hjorth 75.00 % 82.00 % 59.00 % 89.00 %2 PCA 96.08 % 96.08 % 96.08 % 96.08 %2 Media 96.08 % 96.08 % 96.08 % 96.08 %2 Hjorth 76.00 % 86.00 % 56.00 % 88.00 %3 PCA 97.06 % 97.06 % 97.06 % 100.00 %3 Media 97.06 % 97.06 % 97.06 % 97.06 %3 Hjorth 82.35 % 85.29 % 52.94% 94.12 %5 PCA 95.24 % 95.24 % 95.24 % 95.24 %5 Media 95.24 % 95.24 % 95.24 % 95.24 %5 Hjorth 90.00 % 95.00 % 55.00 % 95.00 %

6.2.2. Clasificación utilizando las bandas de frecuencia y suscanales de manera independiente

El segundo grupo de pruebas corresponde a analizar cada una de las bandas defrecuencia por separado. Para este conjunto de pruebas se utilizó ventanas de tiempode 1s y 2s, en base a los resultados obtenidos en el apartado 6.2.2.

Alpha: Es la primera banda de frecuencia que se evalúa, se analiza las tres técnicaspropuestas (Media, Parámetros de Hjorth y PCA). Donde, la media y PCA obtienenresultados muy prometedores (Ver Tabla 6.2), logrando obtener un accuracy de98.04 % para ambos casos, utilizando ventanas de tiempo de 2s, para el modelo declasificación KNN cuando K=10. Mientras que los parámetros de Hjorth por sí solosno aportan mucha información obteniendo un 50 % debido a su dificultad de detectarla actividad cuando el sujeto está caminando, como se observa en la figura 6.4.


Tabla 6.2: Resumen de la clasificación de actividades físicas utilizando la onda Alpha


1 PCA 95.05 % 94.06 % 75.25 % 94.06 %1 Media 94.06 % 95.05 % 82.18 % 97.03 %1 Hjorth 72.00 % 66.00 % 50.00 % 64.00 %2 PCA 98.04% 100.00 % 84.31 % 96.08 %2 Media 98.04% 94.12 % 88.24 % 94.12 %2 Hjorth 64.00 % 58.00 % 50.00% 60.00 %


Figura 6.4: Resultados de la clasificación de actividades usando la banda de frecuen-cia Alpha

Beta: Las bandas Low Beta y High Beta son las más relacionadas a las actividadesque se pretende analizar, debido a que están asociadas al estado de alerta de lapersona, y la actividad cognitiva que requieren realizar. Aquí se puede observaren la figura 6.5, los resultados para las bandas Low Beta y High Beta, utilizandoventanas de tiempo de 1s y 2s, donde los mejores resultados se obtienen procesandoventanas de tiempo corto (1s), con el algoritmo KNN cuando K=3 (Low Beta)y K=5 (High Beta). Se logra obtener un accuracy del 97.03 % para Low Beta y99.01 % para High Beta utilizando la técnica de estadística instantánea (Media). Enel resumen de la tabla 6.3, indica que, a pesar de que los parámetros de Hjorth noarrojan los mejores resultados, es posible evidenciar que al utilizar como algoritmode clasificación Random Forest, se observa una mayor capacidad de discriminaciónen comparación con lo obtenido en la banda Alpha.

Tabla 6.3: Resumen de la clasificación de actividades físicas utilizando la onda Beta

Onda Tiempo (s) Técnica KNN SVM Naïve Bayes Random Forest

Low Beta 1 PCA 97.03% 93.07 % 86.14 % 94.06 %Low Beta 1 Media 97.03% 95.05 % 91.09 % 95.05 %Low Beta 1 Hjorth 82.00 % 73.00 % 59.00 % 82.00 %Low Beta 2 PCA 94.12 % 90.20 % 92.16 % 96.08 %Low Beta 2 Media 96.08 % 86.27 % 94.12 % 96.08 %Low Beta 2 Hjorth 86.00 % 80.00 % 62.00 % 72.00 %High Beta 1 PCA 98.02 % 97.03 % 82.18 % 96.04 %High Beta 1 Media 99.01% 100.00 % 86.14 % 97.03 %High Beta 1 Hjorth 82.00 % 56.00 % 50.00 % 88.00 %High Beta 2 PCA 96.08 % 96.08 % 78.43 % 94.12 %High Beta 2 Media 98.04 % 98.04 % 88.24 % 98.04 %High Beta 2 Hjorth 88.00 % 54.00 % 48.00% 90.00 %


(a) 1 segundo (Low Beta) (b) 1 segundo (High Beta)

(c) 2 segundos (Low Beta) (d) 2 segundos (High Beta)

Figura 6.5: Resultados de la clasificación de actividades usando la banda de frecuen-cia Beta

Theta: Al analizar la banda de frecuencia Theta, es posible evidenciar que al igualque las bandas antes mencionadas, al utilizar la media se obtiene mejores resulta-dos (Ver Tabla 6.4) llegando a obtener un 98.04 % de accuracy para el algoritmoKNN cuando K=1. La figura 6.6 muestra que, los parámetros de Hjorth continúanarrojando los peores resultados al ser evaluados con el clasificador Naive Bayes.

Tabla 6.4: Resumen de la clasificación de actividades físicas utilizando la onda Theta


1 PCA 93.07 % 95.05 % 87.13 % 94.06 %1 Media 94.06 % 96.04 % 96.04 % 97.03 %1 Hjorth 74.00 % 71.00 % 63.00 % 74.00 %2 PCA 96.08 % 96.08 % 88.24 % 94.12 %2 Media 98.04% 96.08 % 96.08 % 98.04%2 Hjorth 74.00 % 76.00 % 64.00 % 74.00 %

Gamma: Finalmente, en esta banda de frecuencia se puede apreciar resultadospoco favorables, esto puede ser debido que se centra en actividades cognitivas de altonivel. La figura 6.7 muestra que, dependiendo del tamaño de la ventana su resultadovaría en la utilización de la misma técnica, arrojando el mejor y peor resultadoutilizando la media, así que, para una ventana de 1s, el accuracy obtenido es de 47 %teniendo la mayor dificultad en la clasificación de la actividad mientras el sujeto seencuentra sentado, esto haciendo uso del modelo Naive Bayes. Por el contrario, alcambiar de algoritmo a KNN con K=2 y una ventana de 2s, los resultados varían



Figura 6.6: Resultados de la clasificación de actividades usando la banda de frecuen-cia Theta

considerablemente hasta obtener una exactitud de clasificación del 98.04 % (VerTabla 6.5).

Tabla 6.5: Resumen de la clasificación de actividades físicas utilizando la onda Gam-ma


1 PCA 97.03 % 98.02 % 95.05 % 97.03 %1 Media 98.02 % 98.02 % 47.52 % 98.02 %1 Hjorth 62.00 % 52.00 % 52.00 % 88.00 %2 PCA 98.04% 96.08 % 94.12 % 96.08 %2 Media 98.04% 98.04% 49.02% 96.08 %2 Hjorth 66.00 % 64.00 % 52.00 % 94.00 %


Figura 6.7: Resultados de la clasificación de actividades usando la banda de frecuen-cia Gamma

En resumen, de un total de 42 pruebas evaluadas, es posible definir que paraclasificar este tipo de actividades físicas (a pesar de su diferencia entre ellas), elalgoritmo de clasificación Naive Bayes resulta el menos eficiente, mientras que losalgoritmos KNN y Random Forest presentan mejores resultados llegando a alcanzarun 98.04 % de exactitud (accuracy).

Capítulo 7

Conclusiones

Luego de realizar distintas pruebas utilizando cuatro algoritmos para la clasi-ficación de actividades físicas, y el procesamiento de la señal basado en ventanasevaluando tres técnicas de extracción y reducción de características, se concluye losiguiente:

La creación de varios escenarios y la configuración de los parámetros paralos algoritmos de clasificación, el tiempo de las ventanas para extraer la líneabase sobre una actividad en concreto y el incluir técnicas de extracción decaracterísticas, han permitido el definir cuál modelo brinda un mejor resultadoy bajo qué características. Tomando como base en el análisis de resultados quese hizo previamente se concluye que en la aplicación del PCA, en una ventanade 1 segundo y el uso del algoritmo Random Forest se ha logrado alcanzar unaccuracy de 98.04 %, mientras que, por otro lado, se ha podido definir que alutilizar solamente los parámetros de Hjroth por cada frecuencia, en conjuntocon el algoritmo Naive Bayes nos dan el accuracy más bajo correspondiente a47.52 %.

Uno de los puntos clave para una correcta detección de actividades con señalesEEG, es la limpieza de la señal y la extracción de características, ya quesi esto no se realiza adecuadamente los algoritmos de clasificación puedenllegar a confundir las actividades evitando así una correcta discriminación dela información. Por lo que, dentro de esta fase, el tamaño de las ventanas autilizar son también un punto al que se le debe prestar atención. Es así que,al evaluar distintos lapsos de tiempo es posible determinar que con un rangoentre 1s a 3s el clasificador ya es capaz de detectar una actividad, sin embargo,por la poca cantidad de experimentos con los que se evaluó, se puede determinóun límite máximo de 5s en el que los resultados de los algoritmos empiezan amanifestar un decaimiento e su eficiencia.

El enfoque de este trabajo se estableció sobre determinar dos actividades moto-ras puntuales, como es el determinar si una persona está sentada o caminando,sin embargo, al trabajar con estas dos acciones se pudo notar que el hecho de

35

36 CAPÍTULO 7. CONCLUSIONES

que la intensidad de la actividad cerebral sea muy distinta en cada una de es-tas, interviene directamente en el desempeño de los algoritmos de clasificación,causando que para éstos sea más sencillo el poder establecer la diferencias exis-tentes entre cada conjunto de datos asociados a la actividad, esto se aprecia ymanifiesta mejor en algoritmos basados en funciones lineales que crean efecti-vamente una brecha entre ambas actividades, o como en el caso del algoritmoKNN cuyos vecinos próximos son muy parecidos y tan solo al dar un valor dek vecinos muy grande llega a confundirse con los datos de otra actividad.

Capítulo 8

Líneas Futuras

Los resultados antes expuestos proporcionan las siguientes ideas para futurasinvestigaciones:

Próximas investigaciones en este campo, podrían evaluar la eficiencia del mo-delo propuesto para actividades un poco más complejas o acordes entre sí.Teniendo en cuenta que la precisión de los clasificadores pudo ser producto dela utilización de pocas sesiones experimentales y de actividades sencillas deevaluar.

Profundizar en el conocimiento de técnicas de procesamiento de señales tem-porales, podría ser un tema para explorar con más detalle en futuros estudios.

El uso de ventanas contiguas puede dar lugar a pérdida de cierta informaciónde señales, por lo que, evaluar la aplicación con otras técnicas de extracciónde características en función del tiempo y frecuencia + ventanas con retroali-mentación (superpuestas) puede dar lugar a resultados interesantes.

Sería muy interesante realizar investigación en el ámbito del control motordel músculo esquelético o imaginación del movimiento mediante las señalescerebrales, para su aplicación en prótesis.

Finalmente, se propone evaluar el uso de señales EEG, combinado con otrocomponente de captura de movimiento para evaluar la información que escapaz de aportar para una correcta clasificación de actividades.

37

38 CAPÍTULO 8. LÍNEAS FUTURAS

Apéndice A

Anexos

A.1. Resumen de los resultados al evaluar todas lasondas de frecuencia

Se expone el accuracy obtenido para cada técnica aplicada, en distintos tamañosde ventanas.

39

Sit Walk Sit Walk Sit Walk Sit Walk

KNN n_neighbors=3 48 51 2 0 98.02%

SVM kernel='linear' 46 51 4 0 96.04%

Naive Bayes Gaussian 48 46 2 5 93.07%Ramdom

Forest n_estimators=12 48 51 2 0 98.02%

KNN n_neighbors=3 47 51 3 0 97.03%




KNN n_neighbors=2 29 46 21 4 75.00%




KNN n_neighbors=3 23 26 2 0 96.08%




KNN n_neighbors=3 23 26 2 0 96.08%




KNN n_neighbors=3 14 24 11 1 76.00%




KNN n_neighbors=1 16 17 1 0 97.06%




KNN n_neighbors=3 16 17 1 0 97.06%




KNN n_neighbors=2 14 14 3 3 82.35%




KNN n_neighbors=3 9 11 1 0 95.24%


Naive Bayes Gaussian 9 11 1 0 95.24%

17 17

5 52 52 PCA 92.24% 5 10 11

3 85 84 Hjorth 15

17 17

3 85 84 Media 5 17 17

3 85 84 PCA 89.99% 5

25 26

2 126 124 Hjorth 15 25 25

2 127 126 Media 5

50 50

2 127 126 PCA 87.43% 5 25 26

1 251 248 Hjorth 15

50 51

1 252 250 Media 5 50 51

1 252 250 PCA 84.33% 5

Modelo DetalleDatos Aciertos Fallos

Accuracy

Preprocesamiento de Datos

Reducción de características Entrenamiento Test Resultados

Tiempo (s)

DatosTécnica % Caract

Sit Walk Sit Walk Sit Walk Sit WalkModelo Detalle

Datos Aciertos FallosAccuracy



Tiempo (s)


Ramdom Forest n_estimators=8 9 11 1 0 95.24%

KNN n_neighbors=3 9 11 1 0 95.24%




KNN n_neighbors=3 8 10 2 0 90.00%




10 11

5 51 50 Hjorth 15 10 10

5 52 52 Media 5

42 APÉNDICE A. ANEXOS

A.2. Resumen de los resultados al evaluar las ondasde frecuencia individualmente

Se expone el accuracy obtenido para cada técnica aplicada, con una ventana de1s y 2s, evaluando cada banda de frecuencia de forma individual.


KNN n_neighbors=6 47 49 3 2 95.05%




KNN n_neighbors=13 46 49 4 2 94.06%




KNN n_neighbors=17 29 43 21 7 72.00%




KNN n_neighbors=10 24 26 1 0 98.04%




KNN n_neighbors=10 24 26 1 0 98.04%




KNN n_neighbors=19 12 20 13 5 64.00%



Forest n_estimators=13 10 20 15 5 60.00%KNN n_neighbors=9 47 51 3 0 97.03%SVM kernel='linear' 48 46 2 5 93.07%











26

Low Beta 2 127 126 Media 14 25 26

50 50

Low Beta 2 127 126 PCA 96.61% 5 25

14 50 51

Low Beta 1 251 248 Hjorth 3

95.75% 5 50 51

Low Beta 1 252 250 Media

Alpha

Low Beta 1 252 250 PCA

Banda

Alpha

Alpha

Alpha

Alpha

Alpha 25 26

2 126 124 Hjorth 3 25 25

2 127 126 Media 14

50 50

2 127 126 PCA 93.17% 5 25 26

1 251 248 Hjorth 3

50 51

1 252 250 Media 14 50 51

1 252 250 PCA 91.76% 5

Modelo DetalleDatos Aciertos Fallos

Accuracy



Tiempo (s)



BandaModelo Detalle




Tiempo (s)




























25 25Theta 2 126 124 Hjorth

26

Theta 2 127 126 Media 25 26

50 50

Theta 2 127 126 PCA 95.92% 25

14 50 51

Theta 1 251 248 Hjorth 3

Theta 1 252 250 Media

25

Theta 1 252 250 PCA 94.45% 5 50 51

25 26

High Beta 2 126 124 Hjorth 3 25

5 25 26

High Beta 2 127 126 Media 14

High Beta 2 127 126 PCA 97.06%

51

High Beta 1 251 248 Hjorth 3 50 50

50 51

High Beta 1 252 250 Media 14 50

3 25 25

High Beta 1 252 250 PCA 96.51% 5

Low Beta 2 126 124 Hjorth


BandaModelo Detalle




Tiempo (s)


KNN n_neighbors=2 50 48 0 3 97.03%SVM kernel='linear' 48 51 2 0 98.02%













25

25 26

Gamma 2 126 124 Hjorth 3 25

5 25 26

Gamma 2 127 126 Media 14

Gamma 2 127 126 PCA 98.84%

51

Gamma 1 251 248 Hjorth 3 50 50

50 51

Gamma 1 252 250 Media 14 50

Gamma 1 252 250 PCA 98.55% 5

46 APÉNDICE A. ANEXOS

Bibliografía

[Agapov et al., 2016] Agapov, S., A. Bulanov, V., V. Zakharov, A., and S. Sergeeva,M. (2016). Review of analytical instruments for eeg analysis.

[Agarwal et al., 2017] Agarwal, S., Rani, A., Singh, V., and Mittal, A. (2017). Eegsignal enhancement using cascaded s-golay filter. Biomedical Signal Processingand Control, 36:194 – 204.

[Araquistain et al., 2019] Araquistain, I. B., Garmendia, X., Graña, M., and de Lo-pe Asiain, J. (2019). Fusion of inertial motion sensors and electroencephalogramfor activity detection. In Ferrández Vicente, J. M., Álvarez-Sánchez, J. R., de laPaz López, F., Toledo Moreo, J., and Adeli, H., editors, Understanding the BrainFunction and Emotions, pages 319–326, Cham. Springer International Publishing.

[Braidot, 2008] Braidot, N. (2008). Neuromanagement. Biblioteca Braidot. Granica.

[Cecchin et al., 2010] Cecchin, T., Ranta, R., Koessler, L., Caspary, O., Vespigna-ni, H., and Maillard, L. (2010). Seizure lateralization in scalp eeg using hjorthparameters. Clinical Neurophysiology, 121(3):290 – 300.

[Dias et al., 2007] Dias, N., Kamrunnahar, M., M Mendes, P., J Schiff, S., andCorreia, J. (2007). Comparison of eeg pattern classification methods for brain-computer interfaces. Conference proceedings : ... Annual International Conferenceof the IEEE Engineering in Medicine and Biology Society. IEEE Engineering inMedicine and Biology Society. Conference, 2007:2540–3.

[Fouad et al., 2014] Fouad, M., Amin, K., El-Bendary, N., and Hassanien, A. E.(2014). Brain Computer Interface: A Review, volume 74, pages 3–30.

[Graimann et al., 2010] Graimann, B., Allison, B., and Pfurtscheller, G. (2010).Brain-Computer Interfaces: Revolutionizing Human-Computer Interaction. TheFrontiers Collection. Springer Berlin Heidelberg.

[Guerrero, 2010] Guerrero, J. (2010). Tema 2: Bioseñales. Universitat de València.http://ocw.uv.es/ingenieria-y-arquitectura/1-5/ibmaterial/IBT2OCW.pdf.

[Guger et al., 2014] Guger, C., Vaughan, T., and Allison, B. (2014). Brain-ComputerInterface Research: A State-of-the-Art Summary 3.

47

48 BIBLIOGRAFÍA

[Hjorth, 1970] Hjorth, B. (1970). Eeg analysis based on time domain properties. Elec-troencephalography and Clinical Neurophysiology, 29(3):306 – 310.

[Khorshidtalab et al., 2012] Khorshidtalab, A., Salami, M. J. E., and Hamedi, M.(2012). Evaluation of time-domain features for motor imagery movements usingfcm and svm. In 2012 Ninth International Conference on Computer Science andSoftware Engineering (JCSSE), pages 17–22.

[Krusienski et al., 2006] Krusienski, D. J., McFarland, D. J., and Wolpaw, J. R. (2006).An evaluation of autoregressive spectral estimation model order for brain-computerinterface applications. In 2006 International Conference of the IEEE Engineeringin Medicine and Biology Society, pages 1323–1326.

[Lotte, 2008] Lotte, F. (2008). Study of Electroencephalographic Signal Processing andClassification Techniques towards the use of Brain-Computer Interfaces in VirtualReality Applications. Theses, INSA de Rennes.

[Lotte, 2014] Lotte, F. (2014). A Tutorial on EEG Signal-processing Techniques forMental-state Recognition in Brain–Computer Interfaces, pages 133–161. SpringerLondon, London.

[Martinez-Murcia et al., 2019] Martinez-Murcia, F. J., Ortiz, A., Morales-Ortega, R.,López, P. J., Luque, J. L., Castillo-Barnes, D., Segovia, F., Illan, I. A., Ortega, J.,Ramirez, J., and Gorriz, J. M. (2019). Periodogram connectivity of eeg signals forthe detection of dyslexia. In Ferrández Vicente, J. M., Álvarez-Sánchez, J. R., de laPaz López, F., Toledo Moreo, J., and Adeli, H., editors, Understanding the BrainFunction and Emotions, pages 350–359, Cham. Springer International Publishing.

[Martínez Albaladejo, 2013] Martínez Albaladejo, F. J. (2013). Evaluación de técnicascomputacionales para el análisis lineal de señales electroencefralográficas. PhD thesis,Universidad Politécnica de Cartagena.

[Medina et al., 2018] Medina, B., Sierra, J. E., and Ulloa, A. B. (2018). Técnicas deextracción de características de señales eeg en la imaginación de movimiento parasistemas bci. Revista ESPACIOS. ISSN 0798 1015 Vol. 39 (No 22) Año 2018,39(22):36.

[Motamedi-Fakhr et al., 2014] Motamedi-Fakhr, S., Moshrefi-Torbati, M., Hill, M.,Hill, C. M., and White, P. R. (2014). Signal processing techniques applied to humansleep eeg signals—a review. Biomedical Signal Processing and Control, 10:21 – 33.

[Pereira et al., 2017] Pereira, J., Ofner, P., Schwarz, A., Sburlea, A. I., and MÃller-Putz, G. R. (2017). Eeg neural correlates of goal-directed movement intention.NeuroImage, 149:129 – 140.

[Rodríguez-Bermúdez et al., 2012] Rodríguez-Bermúdez, G., García Laencina, P., Ro-ca, J., Roca-González, J., and Roca, J. (2012). Diseño de sistemas bci adaptativosmediante una selección eficiente de características para discriminantes lineales.

BIBLIOGRAFÍA 49

[Salgado et al., 2016] Salgado, J., Barrera, C., and Monje, B. (2016). Emotiv epoc bciwith python on a raspberry pi. Sistemas y Telemática, 14:27–38.

[Sanei and Chambers, 2013] Sanei, S. and Chambers, J. (2013). EEG Signal Proces-sing. Wiley.

[Sarkar et al., 2018] Sarkar, D., Bali, R., and Ghosh, T. (2018). Hands-On TransferLearning with Python: Implement advanced deep learning and neural network modelsusing TensorFlow and Keras. Packt Publishing.

[Schafer et al., 2011] Schafer, R. W. et al. (2011). What is a savitzky-golay filter.IEEE Signal processing magazine, 28(4):111–117.

[Silverthorn, 2008] Silverthorn, D. (2008). Fisiologia humana / Human Physiology:Un enfoque integrado. Incluye Sitio Web / An integrated approach. Editorial MedicaPanamericana Sa de.

[Webster, 2009] Webster, J. (2009). Medical Instrumentation: Application and Design.Wiley.

[Wolpaw and Wolpaw, 2012] Wolpaw, J. and Wolpaw, E. (2012). Brain-Computer In-terfaces: Principles and Practice. Oxford University Press.

[Zhang et al., 2008] Zhang, A., Yang, B., and Huang, L. (2008). Feature extractionof eeg signals using power spectral entropy. In 2008 International Conference onBioMedical Engineering and Informatics, volume 2, pages 435–439.

Universidad Politécnica de Madridoa.upm.es/55990/1/TGM_JESSICA_NATHALY_CORREA_TENESACA.pdf · en...

Documents

Transcript of Universidad Politécnica de Madridoa.upm.es/55990/1/TGM_JESSICA_NATHALY_CORREA_TENESACA.pdf · en...