Documentos de Académico
Documentos de Profesional
Documentos de Cultura
[CLASIFICACIÓN DE SEÑALES
Jaime Fernando Delgado Saa
POR
2009
A Mi Padre, Carlos Emilio Delgado Angulo
“Science is but a perversion of itself unless it has
as its ultimate goal the betterment of humanity”.
Nikola Tesla
AGRADECIMIENTOS
Esta tesis es el resultado de 2 años de trabajo y no habría sido posible sin el apoyo soporte y
estimulo de muchas personas. En primer lugar quisiera agradecer a mi padre Carlos Emilio
Delgado Angulo por su apoyo en todos los aspectos de la vida, sus consejos y enseñanzas
han sido el principal elemento para el logro de las metas que hasta la fecha he alcanzado. Al
profesor Miguel Sotaquirá Gutierrez, por dirigir esta tesis y por el tiempo invertido en las
discusiones que se generaron alrededor del tema de investigación que aquí se trata.
Agradezco también por su apoyo en el desarrollo del presente trabajo a los profesores
Julián Betancur y Juan Vélez. A los profesores Erick Vallejo Rodríguez y José Daniel Soto
por su especial colaboración en el desarrollo mi mis estudios de maestría.
A muchos amigos entre los cuales se encuentran Ronald Messino, Diego Gómez, Reinaldo
Pérez e Ivonne Robles por brindarme voces de ánimo y por su aporte con sugerencias
durante en desarrollo de este trabajo.
TABLA DE CONTENIDO
LISTA DE ACRÓNIMOS
INTRODUCCIÓN
1
1.1Motivación
La principal motivación para el desarrollo de Interfaces Hombre-Computadora (BCI) es
asistir a personas que han sufrido una enfermedad grave o enfermedad que impide la
realización de actividad motora, como es el caso de pacientes con Esclerosis Lateral
Amiotrófica (ALS) o pacientes con Apoplejía [ HYPERLINK \l "Ger05" 1 ]. Estas
enfermedades producen fallas en el sistema de control muscular, lo que tiene un impacto
negativo en la calidad de vida de las personas pues impide la realización de actividades
básicas que involucran entre otras la habilidad de las personas para comunicarse a través de
gestos, habla, escritura etc. 2].
Las BCI tienen la finalidad de establecer una vía de comunicación alterna entre el
hombre y la computadora (PC) [ HYPERLINK \l "Ger05" 1 ] y3], que no involucra el uso del
sistema muscular, sino que emplea señales EEG como señales de control para un PC u otro
dispositivo a través de este último.
Aunque las enfermedades y/o accidentes cerebro vasculares y sus consecuencias han
motivado el desarrollo de las BCI, las aplicaciones de esta tecnología no están limitadas a
estas situaciones. Personas que no sufren de ningún desmejoramiento de su habilidad para
1
ANEXO
Otro posible uso de las BCI se encuentra en el sector militar donde es posible emplear
las señales cerebrales en combinación con otras señales provenientes del cuerpo humano
para aumentar la velocidad de respuesta de pilotos. El programa de investigación ACT
(Alternative Control Technology) de la Fuerza Aérea de los Estados Unidos de América
tiene como meta el desarrollo de sistemas que permitan al usuario de un PC establecer
comunicación cuando sus manos están ocupadas con otra tarea [ HYPERLINK \l "Bay01" 6 ].
2
ANEXO
del sistema y que requiere el uso, entre otras, de técnicas de aprendizaje de máquina, que
cumplan con el requerimiento de respuesta en “vivo” de modo que la aplicación sea útil.
1.3Objetivos y Alcances.
El objetivo principal de este trabajo es desarrollar un conjunto de algoritmos que permitan
clasificar los potenciales eléctricos cerebrales relacionados con actividad motora (o
imaginación de actividad motora) para dos tipos de clases (dos actividades mentales
definidas).
Para tal fin se diseñará e implementará un conjunto de algoritmos que permitan extraer
características discriminantes de la señal EEG y se diseñarán e implementarán un conjunto
de algoritmos para la clasificación de las señales basándose en las características
discriminantes extraídas usando el primer algoritmo.
1.4Principales contribuciones
En este trabajo se diseña, implementa y se pone a prueba el bloque de procesamiento de
una Interfaz Cerebro-Computadora, el cual está compuesto principalmente por la extracción
de características y la clasificación.
Dada la necesidad de operación en tiempo real de este tipo de sistemas, se realiza una
comparación de los métodos para extracción de características en términos de desempeño y
tiempo de cómputo requerido. Se obtiene la comparación entre métodos paramétricos y no
paramétricos para la extracción de características de la señal EEG. La diferencia en la
2
Se denomina artefactos a interferencias en las señales biológicas debido a señales externas y movimiento del
paciente, que pueden afectar negativamente la calidad de la señal.
3
ANEXO
calidad de las características extraídas con cada uno de los métodos es medida con base en
el índice de Fisher y los valores de Kappa del sistema. El tiempo requerido para el cálculo
de la PSD ha sido tenido en cuenta para determinar cuál de los métodos se ajusta mejor a la
aplicación específica de las BCI.
Establecer una comparación entre dos métodos para la estimación de la densidad espectral
de potencia con el fin de determinar la conveniencia de la aplicación de métodos
paramétricos o no paramétricos en el desarrollo de BCI’s, en lo referente al análisis de las
componentes en frecuencia de la señal EEG relacionadas a eventos motores.
4
ANEXO
El anexo que se presenta contiene la descripción del “data-set” empleado para realizar las
distintas pruebas. Este “data-set” corresponde al presentado por la universidad de Graz en
la competencia BCI 2003.
5
ANEXO
6
ANEXO
Figura SEQ Figura \* ARABIC 1. Diagrama de bloques de una interfaz cerebro computadora.
Debido a que la cabeza de un ser humano tiene varias capas (cuero cabelludo, cráneo,
cerebro) la señal EEG se atenúa de manera considerable al pasar por ellas, lo que hace que
la relación señal a ruido sea muy baja, razón por la cual los sistemas de adquisición de
señales deben ser muy precisos y poseer niveles de rechazo en modo común (CMRR)
suficientemente altos (>80dB) CITATION Gar98 \l 9226 [HYPERLINK \l "Gar98"15] para
atenuar de manera importante las fuentes de ruido.
7
ANEXO
En lo referente a los métodos de adquisición las señales cerebrales pueden ser adquiridas
mediante técnicas invasivas o no invasivas. Las técnicas como Electrocorticograma,
(EcoG), Imagen por Resonancia Magnética Funcional (FMRI) y Espectroscopia de
Infrarrojo Cercano (NISR) proveen gran resolución pero tienen el inconveniente de
necesitar equipos voluminosos y costosos. En el caso específico de la ECoG es necesario
realizar una cirugía para ubicar los electrodos sobre la corteza cerebral, lo que además de
ser peligroso por el riesgo inherente de la operación, resulta ser costoso. Pese a esto la
ECoG es empleada en muchos trabajos de investigación CITATION HuR07 \l 9226
[HYPERLINK \l "HuR07"17], CITATION GUG09 \l 9226 [HYPERLINK \l "GUG09"18],
CITATION Hil \l 9226 [HYPERLINK \l "Hil"19] y CITATION Hug07 \l 9226 [HYPERLINK \l
"Hug07"20].
El EEG es una técnica no invasiva que no reporta riesgos para el usuario y es además
una técnica económica. Pese a que las señales obtenidas mediante EEG son altamente
afectadas por interferencias externas como lo son la interferencia electromagnética, mal
acople entre el electrodo y la piel y movimiento del paciente; es posible obtener suficiente
información para controlar la interfaz CITATION Hof07 \l 9226 [HYPERLINK \l "Hof07"2],
CITATION IDA08 \l 9226 [HYPERLINK \l "IDA08"11], CITATION LaC06 \l 9226
[HYPERLINK \l "LaC06"14], CITATION Lee05 \l 9226 [HYPERLINK \l "Lee05"5], CITATION
MCF97 \l 9226 [HYPERLINK \l "MCF97"3], CITATION JRW00 \l 9226 [HYPERLINK \l
"JRW00"8] empleando técnicas de procesamiento digital de señales para eliminación de
ruido.
8
ANEXO
Actividad Oscilatoria Cerebral (SMR): Son ritmos sinusoidales que aparecen en las
distintas bandas de frecuencia ya mencionadas (µ, β), siendo las de mayor importancia
para las BCI’s las oscilaciones en la banda alfa, beta y gamma, pues muestran una
relación con el movimiento o con la imaginación del mismo CITATION Ger05 \l 9226
[HYPERLINK \l "Ger05"1]. Así, para el control de la interfaz el usuario se debe concentrar
en la imaginación de un movimiento específico CITATION Küb07 \l 9226
[HYPERLINK \l "Küb07"21], originándose una desincronización en las bandas específicas
según el movimiento imaginado, lo que es interpretado por la interfaz ejecutándose una
acción predefinida. En CITATION JRW00 \l 9226 [HYPERLINK \l "JRW00"8],
CITATION Lee05 \l 9226 [HYPERLINK \l "Lee05"5], CITATION Xia08 \l 9226
[HYPERLINK \l "Xia08"7] se muestra el desarrollo de sistemas BCI que utilizan la
actividad oscilatoria cerebral en las bandas Alpha y Beta como entrada.
Potenciales Corticales Lentos (SCP): Son potenciales de baja frecuencia que el usuario
puede aprender a controlar mediante Bio-retroalimentación. Dada su baja frecuencia
estos potenciales se ven como corrimientos en el nivel CD de la señal EEG, siendo
posible, con el entrenamiento previamente mencionado, generar corrimientos positivos
y negativos, lo que permite el control de dispositivos que posibiliten la comunicación
9
ANEXO
del usuario con el entorno, como se describe en CITATION Bir99 \l 9226 [HYPERLINK \l
"Bir99"22].
Con el fin de obtener información relevante a la realización de una tarea mental específica,
se realizan mediciones estadísticas de las características de la señal. Estas mediciones se
agrupan en lo que se conoce como un vector de características.
Este bloque del sistema mapea las características de la señal en un espacio de características
CITATION Gra04 \l 9226 [HYPERLINK \l "Gra04"23]. Estas características pueden ser los
coeficientes de un modelo autorregresivo de la señal cerebral CITATION Sch03 \l 9226
[HYPERLINK \l "Sch03"24], CITATION Vider \l 9226 [HYPERLINK \l "Vider"25] o la potencia
de la señal en una banda específica CITATION Xia08 \l 9226 [HYPERLINK \l "Xia08"7],
CITATION JRW00 \l 9226 [HYPERLINK \l "JRW00"8], CITATION Pin03 \l 9226
[HYPERLINK \l "Pin03"26].
Métodos no paramétricos:
Para obtener la distribución de potencia versus frecuencia de un proceso estocástico se
puede emplear la transformada de Fourier CITATION Bel01 \l 9226 [HYPERLINK \l
"Bel01"27]. El cálculo se basa en un segmento finito del la señal, de modo que si:
QUOTE (2.1)
10
ANEXO
QUOTE
(2.2)
QUOTE (2.3)
QUOTE (2.4)
QUOTE
(2.5)
Periodograma.
Periodograma modificado
Método de Barlet.
Método de Welch.
Método de Blackman – Tukey.
11
ANEXO
Métodos Paramétricos:
Los métodos no paramétricos se basan en el cálculo de la transformada de Fourier y
componen lo que se denomina métodos clásicos. Estos métodos no requieren mucha
información específica de la naturaleza de los datos CITATION SEM04 \l 9226
[HYPERLINK \l "SEM04"29], sin embargo al obtener información sobre la naturaleza de los
datos es posible seleccionar de manera más apropiada el tipo de ventana a emplear y las
técnicas de promediado de los datos. Sin embargo debido a que es necesario “enventanar”
los datos se producen distorsiones en el espectro estimado debido a la forma de la ventana
en sí y a que el método asume que la señal es cero fuera de la ventana.
Los métodos paramétricos hacen uso de un modelo para estimar el espectro de la señal.
El modelo se construye basado en datos actuales y previos de la señal. Los tipos de
modelos comúnmente empleados son los modelos autoregresivos (AR), los modelo de
media movible y (MA) y los modelos autoregresivos de media movible CITATION
SEM04 \l 9226 [HYPERLINK \l "SEM04"29]. Los modelos AR son útiles en señales con picos
agudos en el espectro pero con valles no muy profundos (como las señales EEG). La señal
es entonces estimada de un modelo que se basa en la siguiente ecuación:
(2.6)
2.3.2 Clasificación
En el marco de las interfaces Cerebro Computadora las técnicas más empleadas para
clasificación son: Análisis Discriminante (LDA), Redes Neuronales Artificiales (ANN) y
Máquinas Vector de Soporte (SVM)
12
ANEXO
Las redes neuronales han mostrado ser una herramienta importante para la clasificación
exitosa de señales EEG CITATION Biq05 \l 9226 [HYPERLINK \l "Biq05"31], si se
selecciona adecuadamente el modelo de red. En la actualidad se encuentran disponibles
herramientas que permiten realizar clasificación de señales EEG para reconocimiento de
patrones relacionados con problemas médicos CITATION Nue09 \l 9226 [HYPERLINK \l
"Nue09"32].
La principal ventaja de las redes neuronales sobre métodos como el del análisis
discriminante es que las redes no necesitan conocer el modelo de probabilidad del proceso,
pues la red neuronal puede adaptase a los datos sin especificación alguna del proceso que
genera los datos.
Algunos reportes sobre el uso de redes neuronales muestran que estas son mucho más
efectivas en la clasificación de las señales si se seleccionan cuidadosamente, CITATION
Jan81 \l 9226 [HYPERLINK \l "Jan81"9]. Boquiang y Wang CITATION Biq05 \l 9226
[HYPERLINK \l "Biq05"31] realizaron un estudio sobre clasificación de señales EEG en el cual
se muestra que el uso de redes BP (“Back-Propagation”) puede incrementar la tasa de
éxito en la clasificación de estas señales.
13
ANEXO
Algunos trabajos reportan bajo desempeño de las redes neuronales en aplicaciones BCI
CITATION ADL02 \l 9226 [HYPERLINK \l "ADL02"33], pero una mirada profunda revela que
la causa de tales tasas de error (claramente en el primer caso) es principalmente debida al
tipo de característica discriminantes entre clases, pues como se describe en CITATION
ADL02 \l 9226 [HYPERLINK \l "ADL02"33] estas no son diferenciables en gran medida.
Figura SEQ Figura \* ARABIC 2 Representación de plano discriminante y plano discriminante óptimo
14
ANEXO
En la actualidad varios criterios son empleados para evaluar las BCI, entre estos, los mas
empleados son: La tasa de error, la información mutua y el coeficiente Kappa Cohen’s.
Sin embargo, debido a que por ejemplo, para un clasificador de dos clases ( M=2), la
probabilidad de éxito debido al azar es del 50%, un sistema podría, a la vista de este
criterio, presentar una tasa de error más baja debido al azar.
QUOTE
(2.7)
Es un coeficiente que indica el grado de acuerdo entre dos indicadores, de modo que el
valor de Kappa es cero si las clases predichas por el clasificador no muestran correlación
con las clases reales; el valor de kappa será 1 si existe total acuerdo entre las clases
predichas y las clases reales. Si el valor de kappa es menor de 0, esto indica que el
15
ANEXO
clasificador sugiere una asignación diferente entre las clases reales y las salida del sistema
CITATION ASc07 \l 9226 [HYPERLINK \l "ASc07"12].
QUOTE (2.8)
QUOTE (2.9)
La meta final de una BCI es proveer un canal de comunicación entre el cerebro del usuario
y el medio ambiente CITATION ASc07 \l 9226 [HYPERLINK \l "ASc07"12]. Entonces la
teoría de comunicación de Shannon y Weaver puede ser aplicada directamente para
determinar la transferencia de información.
16
ANEXO
Los trabajos con mayores aportes en el campo de las interfaces cerebro computadora según
el número de publicaciones al respecto de este tema y participación en eventos mundiales
conducentes al desarrollo de la tecnología empleada para mejorar los sistemas actuales son:
Figura SEQ Figura \* ARABIC 3. Artículos publicados entre 1985 y 2004 sobre BCI’s. Tomado de de: CITATION Hon08 \l
9226 [HYPERLINK \l "Hon08"35]
Adicional a los aportes que se describen a continuación; estos grupos se han unido para
realizar un evento que se repite cada dos años desde el año 2001. El evento se llama “The
BCI Competition” en la cual participan universidades de todo el mundo, sin embargo la
única participación latinoamericana que se conoce hasta el 2008 está relacionada con el
presente proyecto, donde se ocupó el quinto puesto en la clasificación de señales EEG
empleando el “data-set” proporcionado por la Universidad del Graz. En el trabajo descrito
se emplearon redes neuronales como método de clasificación y estimación espectral por
métodos paramétricos (BURG).
17
ANEXO
Este centro de investigaciones ha desarrollado dos sistemas BCI CITATION Sel07 \l 9226
[HYPERLINK \l "Sel07"36], los cuales tienen como entrada la actividad cerebral oscilatoria y
los potenciales P300 CITATION Hof07 \l 9226 [HYPERLINK \l "Hof07"2], CITATION
Sel07 \l 9226 [HYPERLINK \l "Sel07"36]. En el primer caso se usan las señales µ y β las
cuales muestra sincronización o desincronización con la ejecución de actividad motora,
estas señales se encuentran en las bandas 8 – 12Hz y 18 -26Hz respectivamente
CITATION San07 \l 9226 [HYPERLINK \l "San07"13], CITATION Mac05 \l 9226 [HYPERLINK
\l "Mac05"16].
Empleando los valores de potencia en cada una de las bandas citadas se puede
controlar el movimiento de un cursor. En 1991 este grupo reportó que un usuario puede
aprender a controlar sus señales µ con el fin de controlar el cursor en una dimensión
(Izquierda - Derecha). Luego de este desarrollo, la aplicación de extendió a más de dos
clases, donde el usuario puede seleccionar en pantalla 1 de 4 posiciones. Estos resultados se
obtuvieron mediante análisis estadístico “univariado” de la señal EEG.
El segundo sistema diseñado por este grupo de investigación involucra el uso del
potencial P300. Este potencial se desencadena ante la aparición de un estimulo visual o
auditivo extraño entre un conjunto frecuente y estándar de estímulos CITATION Küb07 \l
9226 [HYPERLINK \l "Küb07"21]. El paradigma de la interfaz BCI mediante la adquisición del
potencial P300 se basa en una matriz de 6X6 símbolos, los cuales son resaltados en la
pantalla por filas y columnas. Cada vez que se resalta la columna o la fila que contienen el
símbolo que la persona desea seleccionar, se obtiene la señal P300. Luego, mediante un
sistema de clasificación se determina cual de los 36 posibles símbolos ha seleccionado el
usuario. Los resultados de este trabajo muestran que empleando 19 electrodos superficiales
sobre las zonas de la cabeza donde es posible obtener el potencial P300 se pudo establecer
que solo 6 ubicaciones proveen información relevante. Los métodos de clasificación
empleados en estos estudios involucran “Fisher Linear Classification”, Máquinas de Vector
de Soporte (SVM) y el método de correlación de Pearson, los cuales, según los resultados
preliminares, no muestran grandes diferencias en la precisión de la clasificación para el
caso de los potenciales P300 CITATION Sel07 \l 9226 [HYPERLINK \l "Sel07"36].
18
ANEXO
La principal intención del las BCI es mejorar la calidad de vida de personas que han sufrido
algún tipo de accidente o enfermedad que limita el funcionamiento del sistema motor. En el
instituto de psicología medica y neurobiología conductista se desarrollo el “Thought
Traslation Device” (TTD) que permite comunicación verbal a través de la auto-regulación
de señales cerebrales. En este desarrollo se emplean los SCP para controlar el movimiento
de un cursor, que se utiliza luego para seleccionar un conjunto de letras. Estudios realizados
por este centro de investigación incluyen el uso de actividad oscilatoria cerebral (señales
19
ANEXO
En los trabajos revisados se observa que son de gran interés las señales relacionadas con la
actividad oscilatoria cerebral como entrada para la BCI. Con el fin de obtener información
de esta señal, se emplean diversas técnicas de procesamiento para el cálculo de la densidad
espectral de potencia. Aunque se conoce que los métodos no paramétricos pueden brindar
una estimación aceptable de la densidad espectral de potencia de la señal EEG, otros
métodos han sido estudiados (AR, AAR, WAVELETS, etc.) sin embargo en algunos casos
el tiempo de computo es demasiado alto (WAVELETS). En lo que se refiere a la
clasificación, LDA es uno de los métodos más empleados junto con redes neuronales y las
SVM se perfilan como un método con gran potencial debido a su robustez. Este trabajo
busca determinar cuál de los métodos de clasificación citados ofrece un mejor desempeño,
en aplicaciones BCI, al mismo tiempo que se analizarán los resultados obtenidos al empelar
métodos paramétricos y no paramétricos en la estimación de la PSD.
20
ANEXO
DESCRIPCIÓN GENERAL DE LA
PROPUESTA. 3
En el presente trabajo se plantea el uso de los potenciales EEG relacionados con la
actividad oscilatoria cerebral motora, dado que es posible aprender a controlarlos mediante
entrenamiento (Bio-retroalimentación) y debido también a que existe una relación directa
entre la imaginación del movimiento y la actividad que se desea realizar. Además, no es
necesario esperar por la aparición de un estimulo externo para desencadenar la secuencia de
instrucciones que permite el control de dispositivos como en el caso de los potenciales
P300.
21
ANEXO
Por ser la señal EEG es no estacionaria, los métodos convencionales podrían ser no
aptos para la estimación de la densidad espectral de potencia CITATION San07 \l 9226
[HYPERLINK \l "San07"13], CITATION Sto97 \l 9226 [HYPERLINK \l "Sto97"28]. Este trabajo
propone el uso de un método para-métrico de para la estimación espectral de potencia, a la
vez que propone realizar el mismo procedimiento mediante un método no-paramétrico, la
Transformada de Fourier de Tiempo corto (STFT) a fin de realizar una comparación en
términos de desempeño y costo computacional. Esto permitirá determinar, dependiendo de
las condiciones de operación del sistema, cuál de los métodos aquí propuestos se ajusta
mejor a la aplicación en tiempo real en términos de efectividad y eficiencia. Aunque la
bibliografía revisada muestra que en algunos casos los métodos paramétricos ofrecen una
mejor estimación del espectro de la señal EEG, no se encuentra un contraste de esta
efectividad con el tiempo de computo requerido para tal tarea en comparación con un
método no-paramétrico.
22
ANEXO
BURG YULE-WALKER
No aplica ventanas a los datos Aplica ventanas a los datos
Minimiza en el sentido de mínimos Minimiza la predicción del
cuadrados, la predicción del error error hacia adelante.
hacia adelante y hacia atrás. Los
coeficientes del modelo AR se
CARACTERÍSTICAS restringen para satisfacer la recursión
L-D 3
Alta resolución para datos de longitud Pobre desempeño para datos
extensa de longitud reducida
Siempre produce un modelo estable No siempre produce un
del sistema que genera la señal modelo estable CITATION
Jan81 \l 9226 [HYPERLINK \l
"Jan81"9], CITATION
Sto97 \l 9226 [HYPERLINK \l
"Sto97"28]
La señal EEG de la base de datos fue muestreada con una tasa de 128 muestras por
segundo. Este parámetro es fundamental para obtener una referencia correcta de la PSD, así
como también es necesario determinar el orden del modelo a emplear y la resolución en la
determinación de espectro. Dada la frecuencia de muestreo de 128Hz y seleccionando una
resolución de .125Hz que permite observar con suficiente detalle cómo se distribuye la
potencia en las componentes de frecuencia, resta por determinar el orden del modelo.
Trabajos relacionados CITATION Jan81 \l 9226 [HYPERLINK \l "Jan81"9] muestran que para
segmentos cortos de la señal EEG (no mayores a 1seg) se puede obtener una buena
estimación del espectro con ordenes tan bajos como 5 en la mayoría de los casos
estudiados, sin embargo un análisis visual de los datos revela que el criterio de selección
3
Recursión LD (Levinson - Durbin) es un algoritmo empleado para encontrar solución a
ecuaciones lineales con una estructura específica.
23
ANEXO
del orden el Akaike Information Criterion (AIC) CITATION San07 \l 9226 [HYPERLINK \l
"San07"13], CITATION Jan81 \l 9226 [HYPERLINK \l "Jan81"9] arroja un orden muy bajo y
se obtienen mejores resultados usando un orden de 10 CITATION Jan81 \l 9226
[HYPERLINK \l "Jan81"9]. Por lo anteriormente expuesto se selecciona un orden de 10, como
se sugiere en CITATION Jan81 \l 9226 [HYPERLINK \l "Jan81"9].
Figura SEQ Figura \* ARABIC 4. Diagrama de flujo de la señal EEG en cada instante de tiempo.
La Figura 4 muestra el diagrama de flujo del algoritmo desarrollado para obtener una
representación del cambio de potencia en una banda de frecuencias que abarca desde 7Hz
hasta 35Hz al correr el tiempo de la prueba. El algoritmo toma la señal y calcula para una
ventana de 1seg (128 muestras) el valor de la densidad espectral de potencia, luego la
ventana se mueve 1 muestra obteniéndose así un valor de potencia para cada frecuencia en
24
ANEXO
cada instante de tiempo. Dado que la longitud de la ventana es de 1seg, es necesario esperar
a que se obtengan 128 muestras de la señal, esto se traduce en un retardo en la salida de
1seg. Ahora bien, dada la forma en que se desplaza la ventana, el valor de potencia para
cada frecuencia en un instante de tiempo corresponde al valor promedio durante el último
segundo.
(m1i m2i ) 2
fri (3.1)
1i 2i
EMBED Equation.3 2 2
25
ANEXO
26
ANEXO
27
ANEXO
RESULTADOS 4
4.1 Determinación de la PSD: método de BURG
Basado en el algoritmo descrito en la sección 3.1 se calcula la PSD para las tres señales
disponibles (C4, C3 y CZ). La figura 5 muestra el espectro calculado donde se han tenido
en cuenta los valores de frecuencia entre 7 y 35Hz que abarca alpha, sigma, y beta.
28
ANEXO
Figura SEQ Figura \* ARABIC 5. Densidad espectral de potencia (dependiente del tiempo) de la señal EEG en C3.C4,Cz
durante actividad motora (movimiento de la mano derecha) utilizando el método de BURG con modelo AR de orden
10.
29
ANEXO
Figura SEQ Figura \* ARABIC 6. Densidad espectral de potencia (dependiente del tiempo) en C3, C4 y Cz utilizando la
FFT durante actividad motora (movimiento de la mano derecha).
Dado que las figuras 5 y 6 solo muestran la densidad espectral de potencia para una
sesión, en la Figura 7 se muestra el valor promedio de la densidad espectral de potencia
(método de BURG) en cada componente de frecuencia en cada instante de tiempo para las
140 sesiones con las que se cuenta en el “data-set”, agrupadas de modo que en la izquierda
se muestran los valores de potencia promedio en cada componente, en cada instante de
tiempo, para las sesiones en las que se realiza la actividad mental correspondiente a la clase
1 (imaginación del movimiento de la mano izquierda) y en la derecha lo correspondiente a
la clase 2 (imaginación del movimiento de la mano derecha)
30
ANEXO
Figura SEQ Figura \* ARABIC 7. Densidad espectral de potencia (dependiente del tiempo) promedio en C3, C4 y Cz
utilizando el método de BURG durante actividad motora relacionada con la clase 1 (columna izquierda) y con la clase 2
(columna derecha)
La Figura 7 revela que en promedio, las componentes alrededor de 10Hz y 20Hz, alfa y
beta respectivamente, son las bandas con mayor concentración de potencia / Hz. Además es
posible observar que existen diferencias en las potencias en alfa y beta para la clase 1 y la
clase 2. Las variaciones observadas solo son importantes a partir del segundo 3, momento
(según el protocolo con que se creó el “data-set”) en que el sujeto de prueba realiza la
actividad mental.
31
ANEXO
Figura SEQ Figura \* ARABIC 8.Densidad espectral de potencia (dependiente del tiempo) promedio en C3, C4 y Cz
utilizando la STFT durante actividad motora relacionada con la clase 1 (columna izquierda) y con la clase 2 (columna
derecha)
Aunque se identificaron las bandas de frecuencia de la señal EEG con mayor potencia y se
evidencian también diferencias entre la potencia de la señal en bandas específicas para cada
una de las clases, es necesario verificar que tan discriminante es esta característica. Se
adopta entonces el criterio de Fisher sobre los valores de Potencia de la señal EEG en cada
una de las componentes de frecuencia y en cada instante de tiempo. Esto permite saber,
32
ANEXO
Figura SEQ Figura \* ARABIC 9. Índice de Fisher. Espectro calculado empleando el método de BURG.
33
ANEXO
Dado que el índice de Fisher determina la separabilidad entre clases, se seleccionan las
componentes de frecuencia con mayor índice de Fisher. La Tabla 2 resume los anchos de
banda en los cuales se encuentran los valores más altos para el índice de Fisher en cada uno
de los electrodos. Nótese que no se indican los valores de frecuencia para Cz dentro de la
banda beta, pues el cálculo del índice de Fisher muestra que la separabilidad ofrecida por
esta característica es muy baja y no se concentra alrededor de una componente de
frecuencia específica. (Ver Figura 9)
La Figura 10 muestra el valor del índice de Fisher para el caso en que la estimación
espectral de potencia se realiza mediante la STFT.
34
ANEXO
Tabla SEQ Tabla \* ARABIC 2. Bandas de frecuencia con mayor separabilidad entre clases.(BURG)
Tabla SEQ Tabla \* ARABIC 3. Bandas de frecuencia con mayor separabilidad entre clases (STFT).
35
ANEXO
Figura SEQ Figura \* ARABIC 11. Índice de Fisher para cada una de las 5 características citadas en la tabla 2.
Figura SEQ Figura \* ARABIC 12. Índice de Fisher para cada una de las 5 características citadas en la Tabla 3.
36
ANEXO
37
ANEXO
Figura SEQ Figura \* ARABIC 13. Error de clasificación del clasificador con base en los datos de entrenamiento.
Se procede entonces a extraer las señales de prueba, las cuales se incluyen en el data-
set empleado y para las cuales inicialmente no se conocen las marcas o “labels”. Se extraen
las características discriminantes con los algoritmos propuestos seleccionando las bandas
de frecuencia según el procedimiento realizado, cuyos resultados se muestran en las tablas
2 y 3. Estas señales son aplicadas al clasificador LDA que ha sido entrenado con los datos
de entrenamiento (ver Anexo) y se obtienen los resultados que se muestran a continuación,
en términos de la información mutua del sistema, el error y la relación señal a ruido.
38
ANEXO
Figura SEQ Figura \* ARABIC 14. Resultado de la clasificación de las señales EEG empleando las características
calculadas con el método de BURG
Figura SEQ Figura \* ARABIC 15. Resultado de la clasificación de las señales EEG empleando las características
calculadas con el método de STFT
39
ANEXO
La tabla 4 resume los parámetros más importantes de los resultados, donde es posible
apreciar que el desempeño del sistema empleando las características obtenidas mediante el
método de BURG ofrece valores pico más altos que los obtenidos mediante la STFT.
Tabla SEQ Tabla \* ARABIC 4. Comparación entre los resultados obtenidos con el método de BURG y la STFT.
Clases 1 2 Total
1 32578 (36,3%) 12292(13,7) 44870(50.0%)
2 12062(13.4%) 32808(36,6%) 44870(50.0%)
Total 44640(49,7%) 45100(50,3%) 89740(100.0%)
Tabla SEQ Tabla \* ARABIC 5. Matriz de confusión para los resultados empleando la BURG
Clases 1 2 Total
1 31781(35,4%) 13089(14,6%) 44870(50,0%)
2 12590(14,0%) 32280(36,0%) 44870(50,0%)
Total 44371(49,4%) 45369(50,6%) 89740(100%)
Tabla SEQ Tabla \* ARABIC 6. Matriz de confusión para los resultados empleando en método de STFT
A partir de estas matrices es posible extraer el coeficiente Cohen’s Kappa y el error del
mismo, la tasa de acierto global y la tasa de acierto específica. Estos datos se resumen en la
tabla 7, donde se incluye además la precisión específica de la clasificación, que indica el
grado de acierto del sistema para cada una de las clases.
Precisión Específica
Kappa Error Kappa Precisión
Clase 1 Clase 2
BURG 0.4572 0.0046 72.86% 72.79% 72.93%
STFT 0.4277 0.0045 71.39% 71.23% 71.54%
Tabla SEQ Tabla \* ARABIC 7. Comparación de índices de desempeño para el método de BURG y la STFT.
40
ANEXO
Figura SEQ Figura \* ARABIC 16. Curso de la información mutua, precisión y relación señal a ruido empleando análisis
discriminante sobre los datos calculados con el método de BURG y la STFT.
41
ANEXO
menos costoso que los otros algoritmos disponibles como el de gradiente conjugado y el de
Levenberg-Marquardt.
Número de Neuronas
1 5 10 15 20 25
Información Mutua Máxima 0.5459 0.5448 0.5110 0.5509 0.5693 0.5113
Mínimo Error 13,57% 14,29% 14,29% 15,00% 15,71% 15,00%
Máxima SNR 1.1315 1.1281 1.0306 1.1464 1.2018 1.0316
Coeficiente Cohen’s Kappa 0.4593 0.4520 0.4563 0.4270 0.4406 0.4239
Error estándar Kappa 0.0046 0.0046 0.0046 0.0046 0.0046 0.0045
Precisión Global 0.7296 72,60% 72,81% 71,35% 72,03% 71,19%
Tabla SEQ Tabla \* ARABIC 8. Índices de desempeño usando redes neuronales (BURG)
Figura SEQ Figura \* ARABIC 17. . Resultado de la clasificación de las señales EEG mediante redes neuronales
empleando las características calculadas con el método de BURG
42
ANEXO
Se observa de la tabla 8 que el mejor desempeño global se obtiene para la red con una
neurona, aunque con las otras redes es posible obtener mayores valores de la información
mutua, los valores de precisión global, kappa, y error mínimo son mayores en la red con
una neurona. Este resultado resulta interesante y podría sugerir que al emplear el método de
BURG, las características son lo altamente distinguibles, tanto que con una sola neurona se
obtienen buenos resultados de clasificación y que al emplear más neuronas el sistema
pierde generalidad. La Figura 17 muestra el curso de la información mutua, la relación
señal a ruido y la precisión para el caso de una neurona. La Figura 18 muestra la matriz de
confusión, donde los cuadros en color verde muestran el número de veces que se clasificó
bien la señal en cada clase, mientras que los cuadros en rojo muestran el número de errores
en cada clase. En la tabla 9 se muestran los valores de desempeño obtenidos a partir de la
matriz de confusión.
Precisión Específica
Kappa Error Kappa Precisión
Clase 1 Clase 2
BURG 0.4593 0.0046 72,96% 73,82% 72,05%
Tabla SEQ Tabla \* ARABIC 9. Índices de desempeño empleando redes neuronales (BURG)
43
ANEXO
Número de Neuronas
Parámetro 1 5 10 15 20 25
Información Mutua Máxima 0.5144 0.5064 0.5161 0.5237 0.5215 0.5464
Mínimo Error 15,71% 14,29% 13,57% 13,57% 17,14% 13,57%
Máxima SNR 1.0404 1.0179 1.0452 1.0667 1.0605 1.1330
Coeficiente Cohen’s Kappa 0.4339 0.4304 0.4184 0.4296 0.4195 0.4330
Error estándar Kappa 0.0046 0.0046 0.0045 0.0046 0.0045 0.0046
Precisión Global 71,69% 71,52% 70,92% 71,48% 70,98% 71,65%
Tabla SEQ Tabla \* ARABIC 10. Índices de desempeño empleando redes neuronales (STFT).
Figura SEQ Figura \* ARABIC 19. Resultado de la clasificación de las señales EEG mediante redes neuronales
empleando las características calculadas con STFT
Al comparar los parámetros obtenidos para cada una de las redes se observa que la red
con 25 neuronas provee los mejores resultados. En este caso la red que ofrece el mejor
resultado necesita un número mayor de neuronas que en el caso en que se emplea en
método de BURG, lo que sugiere que la STFT no provee características suficientemente
discriminantes por lo que es necesaria una relación más compleja entre los valores de
44
ANEXO
Precisión Específica
Kappa Error Kappa Precisión
Clase 1 Clase 2
STFT 0.4330 0.0046 71,65% 71,89% 71,41%
Tabla SEQ Tabla \* ARABIC 11. Índices de desempeño empleando redes neuronales.
Al comparar los resultados de clasificar las señales EEG con redes neuronales se observa
que los parámetros de desempeño son mayores para el caso en que el vector de
características es calculado mediante el método de BURG. La tabla 12 muestra los
resultados obtenidos con el método de BURG y la STFT empleando redes neuronales
artificiales. La Figura 21 muestra además la comparación del curso de la información
mutua, la precisión y la relación señal a ruido para los métodos citados.
Precisión Específica
Kappa Error Kappa Precisión
Clase 1 Clase 2
STFT 0.4330 0.0046 71,65% 71,89% 71,41%
BURG 0.4593 0.0046 72,96% 73,82% 72,05%
45
ANEXO
Tabla SEQ Tabla \* ARABIC 12. Comparación de índices de desempeño para el método de BURG y la STFT con Redes
Neuronales.
Figura SEQ Figura \* ARABIC 21. Curso de la información mutua, precisión y relación señal a ruido empleando redes
neuronales sobre los datos calculados con el método de BURG y la STFT
Al observar los resultados de la clasificación con redes neuronales artificiales para los
datos calculados con BURG y la STFT se observa que con BURG los valores pico de los
índices que se emplean para determinar si un sistema es mejor que otro son mayores
comparado con la STFT, sin embargo la diferencia en los valores pico de la información
mutua no son muy apreciables, así como la tasa de precisión alcanzada muestra valores con
diferencias no superiores al 2%.
Para clasificar las señales mediante máquinas de vector de soporte se utilizó el software
SVM Light CITATION Joa99 \l 9226 [HYPERLINK \l "Joa99"43], para el cual existe una
interfaz que permite la comunicación con Matlab desarrollada por Tom Briggs CITATION
Tom09 \l 9226 [HYPERLINK \l "Tom09"44], (Assistant Professor of Computer Science,
ShippensBURG University.)
46
ANEXO
Figura SEQ Figura \* ARABIC 22. Curso de la información mutua, precisión y relación señal a ruido empleando SVM
sobre los datos calculados con el método de BURG.
Tabla SEQ Tabla \* ARABIC 13. Información mutua máxima, error mínimo y máxima SNR empleando SVM y el
método de BURG.
Clases 1 2 Total
1 29944(33,4%) 14926(16,7%) 44870(50,0%)
2 10117(11,2%) 34753(38,7%) 44870(50,0%)
Total 40061(44,6%) 49679(55,4%) 89740(100%)
47
ANEXO
Tabla SEQ Tabla \* ARABIC 14. Matriz de confusión del sistema empleando SVM y el método de BURG.
Precisión Específica
Kappa Error Kappa Precisión
Clase 1 Clase 2
BURG 0.4419 0.0046 72,09% 70,51% 73,51%
Tabla SEQ Tabla \* ARABIC 15. Kappa, precisión global del sistema y precisión específica empleando SVM y el método
de BURG
Tabla SEQ Tabla \* ARABIC 16. Información mutua máxima, error mínimo y máxima SNR empleando SVM y la STFT
Clases 1 2 Total
1 31151(29,7%) 13719(15,7%) 44870(50,0%)
2 11937(13,3%) 32933(36,7%) 44870(50,0%)
Total 43088(48,0%) 46652(52,0%) 89740(100%)
Tabla SEQ Tabla \* ARABIC 17. Matriz de confusión del sistema empleando SVM la STFT.
48
ANEXO
Tabla SEQ Tabla \* ARABIC 18. Kappa, precisión global del sistema y precisión específica empleando SVM y el método
de BURG.
49
ANEXO
Figura SEQ Figura \* ARABIC 24. Curso de la información mutua, precisión y relación señal a ruido empleando
máquinas de vector de soporte sobre los datos calculados con el método de BURG y la STFT
Tabla SEQ Tabla \* ARABIC 19. Comparación de índices de desempeño, kappa, precisión y precisión específica para el
método de BURG y la STFT para el caso de máquinas de vector de soporte.
Tabla SEQ Tabla \* ARABIC 20. Comparación entre los resultados obtenidos para IM, Error y SNR, con el método de
BURG y la STFT para el caso de las máquinas de vector de soporte.
50
ANEXO
extraídas con el método de BURG, sin embargo se observa que la información mutua es
mayor para el caso de la STFT pese a que el error mínimo obtenido es el mismo.
51
ANEXO
52
ANEXO
Hasta este punto se han tenido en cuenta parámetros de desempeño que indican que tan
bueno es el sistema para clasificar las señales, sin embargo es necesario también cuantificar
el costo computacional, debido a que la principal aplicación de las interfaces BCI se
relaciona con ejecución en tiempo real, entendiendo por esto que la salida debe ser
entregada de modo que el usuario tenga la sensación de que el sistema responde de manera
instantánea.
53
ANEXO
Tabla SEQ Tabla \* ARABIC 21. Comparación entre los tiempos de cómputo promedio (140 repeticiones) de la
densidad espectral para una sesión de 9 segundos con el método de BURG y la STFT.
Los datos muestran que el cálculo de la densidad espectral empleando la STFT toma en
promedio, aproximadamente 1/10 del tiempo requerido con el método de BURG
proporcionando una salida más rápida. Sin embargo, estos tiempos pueden ser reducidos
seleccionando una resolución más baja para el cálculo del espectro, pues una vez
establecidas la bandas de frecuencia, una resolución de 0,5Hz es suficiente debido a que el
análisis de la señal empleando el índice de Fisher muestra que la banda de interés tiene un
ancho mayor a 1 Hz. Con esta reducción de la resolución se obtiene un 70% de reducción
en el tiempo de cómputo para la STFT y 9% para el caso del método de BURG.
5.2 Clasificación.
La Figura 25 muestra el curso de la información mutua, la precisión y la relación señal a
ruido para cada uno de los clasificadores empleados con las características calculadas
mediante el método de BURG. Los datos de los valores máximos de cada uno de estos
parámetros se muestran en la Tabla 22. Se puede observar que las redes neuronales
proporcionan el valor pico más alto de la información mutua, al mismo tiempo que este
valor se alcanza en un tiempo más corto que empleando análisis discriminante. La máquina
de vector de soporte muestra el peor desempeño en lo referente a la métrica de la
información mutua.
Tabla SEQ Tabla \* ARABIC 22. Valores máximos obtenidos para la IM y el error mínimo con los tres métodos de
clasificación empleados usando las características calculadas con el método de BURG.
54
ANEXO
Figura SEQ Figura \* ARABIC 25. Comparación del desempeño del análisis discriminante, las redes neuronales (ANN) y
la máquina de vector de soporte empleando los datos calculados con el método de BURG
Al comparar los valores del coeficiente Cohen´s Kappa y la precisión global obtenidas
de la matriz de confusión se observa nuevamente que el mejor desempeño se obtiene con
las redes neuronales, lo que resulta ser consistente con la métrica antes empleada que mide
la información mutua pico alcanzada por el sistema.
Tabla SEQ Tabla \* ARABIC 23. Valores para Kappa y precisión global obtenidos con los tres métodos de clasificación
empleados usando las características calculadas con el método de BURG.
55
ANEXO
Figura SEQ Figura \* ARABIC 26. Comparación del desempeño del análisis discriminante, las redes neuronales (ANN) y
la máquina de vector de soporte empleando los datos calculados con la STFT
Tabla SEQ Tabla \* ARABIC 24. Valores máximos obtenidos para la IM y el error mínimo con los tres métodos de
clasificación empleados usando las características calculadas la STFT
Tabla SEQ Tabla \* ARABIC 25. Valores para Kappa y precisión global obtenidos con los tres métodos de clasificación
empleados usando las características calculadas con la STFT.
56
ANEXO
Al realizar el análisis de las señales EEG empleando el índice de Fisher se evidencia que el
valor de este índice para el caso en que las señales se calculan con el método de BURG es
mayor que el obtenido mediante la STFT. Los resultados de las tablas 24 y 25 sugieren
entonces que el análisis discriminante es más sensible que las redes neuronales artificiales y
que las máquinas de vector de soporte. En el caso de las redes neuronales los valores de
información mutua y error mínimo se mantienen, estos puntos corresponden a los instantes
de tiempo en que la señal es más diferenciable, tanto para el método de BURG como para
el método que emplea la STFT, es decir, aunque el nivel de separabilidad disminuyó, la red
neuronal artificial fue capaz de diferenciar, con igual efectividad en esos puntos, entre la
clase 1 y la clases 2. Al comparar el desempeño con el valor de kappa, se observa que el
desempeño del sistema es inferior comparado con el caso en que la densidad espectral se
calculó con el método de BURG, fenómeno que se ve reflejado también en la tasa de
precisión global del sistema que cae de 72,96% a 71,65%. En el caso de las SVM se
observa un ligero incremento de la información mutua pese a que el valor del error mínimo
no disminuye. Los valores de kappa y de la precisión global muestran que el desempeño del
sistema disminuye, pese a que mejora con respecto al análisis discriminante. En el caso del
análisis discriminante se observa que al cambiar el método con el cual se determina la
densidad espectral de potencia los cambios en el desempeño son importantes. Esto muestra
que el análisis discriminante es mucho más sensible que los otros métodos empleados a las
diferencias en separabilidad de las señales.
Pese al análisis anterior es necesario realizar una revisión de las diferencias entre los
valores de desempeño con el fin de determinar si los resultados pueden considerarse
significativamente diferentes.
Se empelará para esto el parámetro Kappa pues se cuenta con el cálculo del error estándar.
La metodología planteada fue sugerida por el doctor Alois Schögl (Universidad de Graz)
quien describe en CITATION ASc07 \l 9226 [HYPERLINK \l "ASc07"12] los distintos tipos de
criterios de evaluación para BCI´s. Se calculará la diferencia entre los valores de Kappa
para cada clasificador y si el resultado de la diferencia es mayor a dos errores estándar, se
determina que la diferencia es significativa, como para determinar que un sistema es ofrece
un mejor o peor desempeño que otro.
57
ANEXO
Las tablas 25 y 23 muestran los valores para cada clasificador empleando el método de
BURG y la STFT. Basado en los valores de Kappa se construyen las tablas 26 y 27 en las
que los valores mostrados se obtienen con la siguiente ecuación:
QUOTE (5.1)
Tabla SEQ Tabla \* ARABIC 26. Diferencia en el valor de Kappa para los clasificadores empleados, medida en errores
estándar
Tabla SEQ Tabla \* ARABIC 27. Diferencia entre valores de Kappa entre STFT y BURG para un mismo clasificador,
medida en errores estándar
Los valores obtenidos muestran que no existe diferencia significativa entre el desempeño
del clasificador LDA y ANN empleando el método de BURG. Aunque la diferencia entre
58
ANEXO
estos dos métodos no alcanza dos errores estándar utilizando la STFT la diferencia entre el
valor obtenido entre STFT y BURG es apreciable. Los resultados obtenidos en la
comparación entre LDA y SVM y la comparación entre ANN y SVM muestran que las
redes neuronales artificiales y el análisis discriminante lineal ofrecen un desempeño
significativamente mejor que las SVM.
Los resultados mostrados en la Tabla 27 evidencian que los resultados obtenidos al emplear
el método de BURG son significativamente mejores que los obtenidos para la STFT en
cada uno de los clasificadores.
Con el fin de determinar cuál de los sistema es más exigente en cuanto a tiempo de
computo, se muestra en la Tabla 28 el tiempo promedio necesario para clasificar los datos
de unas sesión completa (641 muestras) el tiempo de computo es en el desarrollo un
parámetro limitante debido a que las aplicaciones deben ser posibles en tiempo real.
Tabla SEQ Tabla \* ARABIC 28. Tiempo de cómputo para cada uno de los clasificadores empleados.
BURG STFT
LDA 2.120seg 0.170seg
ANN 2.130seg 0.177seg
SVM 19.90seg 18.00seg
Tabla SEQ Tabla \* ARABIC 29. Comparación de desempeños (tiempo de computo) entre parejas de cálculo de la
densidad espectral – clasificador.
La Tabla 29 muestra el tiempo de cómputo requerido por cada sistema para procesar 641
muestras, que corresponden a una sesión. Aunque las ANN no difieren mucho de lo
requerido por LDA el uso de LDA es preferido puesto que su implementación es mucho
más simple.
59
ANEXO
60
ANEXO
CONCLUSIONES 6
Se construyeron e implementaron algoritmos para la extracción y clasificación de señales
EEG. El análisis de los resultados obtenidos para cada uno de estos algoritmos y la
comparación de los resultados permite concluir lo siguiente:
Entre los métodos de clasificación empleados en este trabajo, las ANN’s proveen el
mejor resultado en lo que se refiere a valores pico de información mutua, precisión
y el índice kappa. Sin embargo, los valores obtenidos para los índices antes
mencionados son muy cercanos, por lo que se establece un rango de confianza
determinado por el error estándar del índice kappa ( QUOTE ). Los
resultados muestran que no existe diferencia significativa en el desempeño del
sistema cuando se emplea el método de BURG o la STFT para la estimación
61
ANEXO
espectral de potencia y los clasificadores empleados son LDA o ANN, sin embargo
se aprecia una diferencia significativa cuando el método empleado para el cálculo
de la PSD es BURG y se compara LDA con SVM o ANN con SVM.
62
ANEXO
63
ANEXO
TRABAJO FUTURO. 7
El trabajo presente muestra los resultados al emplear la actividad eléctrica oscilatoria
cerebral. Sin embargo el nivel de precisión podría aumentarse aumentando el número de
electrodos usados para la adquisición de la señal, lo que significa mayor información sobre
la actividad cerebral global. También es de gran importancia los valores de frecuencia en
los que se concentra a mayor cantidad de potencia. Por otro lado la posición de los
electrodos de modo simétrico sobre los hemisferios del cerebro podría no ser apropiada,
debido a que las señales sobre un hemisferio muestran tener mayor grado de separabilidad,
según el índice de Fisher.
El empleo de sistemas que se adapten al usuario podría dar solución a las situaciones
diversas que se presentan durante el uso de una interfaz cerebro computadora, lo que
permitiría tener en cuenta el aprendizaje del usuario a medida que usa la interfaz, lo que
permitiría, a la vez, re-entrenar el clasificador, eliminando datos propios de la falta de
entrenamiento en la etapa del diseño del sistema.
El empleo de otros tipos de señales como el potencias P300 y SCP’s ofrecerían una
solución en aplicaciones especificas donde el usuario debe escoger entre varias opciones
64
ANEXO
que le son presentadas, estas señales son mucho más fáciles de reconocer lo que permite
disminuir el costo computacional.
65
ANEXO
BIBLIOGRAFÍA
BIBLIOGRAPHY
[1] G. Pfurtscheller, C. Neuper, and N. Birbaume, "Human Brain - Computer Interface," in Motor
Cortex in Volintary Movements, A. Riehle and E. Vaadia, Eds. CRC Press LLC, 2005, ch. 14.
[4] Q. Zhao, L. Zhang, and C. Andrzej, "EEG-based asynchronous BCI control of a car in 3D
virtual reality environments," Chinese Science Bulletin, vol. 54, no. 1, pp. 78-87, Jan. 2009.
66
ANEXO
[7] X. Pei and C. Zheng, "Classification of Left and Right Hand Motor Imagery Tasks Based on
EEG Frequency Component Selection," Bioinformatics and Biomedical Engineering, 2008.
ICBBE 2008. The 2nd International Conference on, pp. 1888-1891, May 2008.
[10] A. Subasi, "Application of Classical and Model-Based Spectral Methods to Describe the State
of Alertness in EEG," Journal of Medical Systems, vol. 29, pp. 473-486, Oct. 2005.
HYPERLINK
"http://ida.first.fraunhofer.de/projects/bci/competition_ii/Graz_description.doc"http://ida.fir
st.fraunhofer.de/projects/bci/competition_ii/Graz_description.doc
[12] A. Schlögl, J. Kronegg, J. E. Huggins, and S. G. Mason., "Evaluation criteria in BCI research,"
in Toward Brain - Computer Interfacing, G. Dornhege, et al., Eds. Massachusetts, USA: MIT
Press, 2007, ch. 19, pp. 327-342.
[13] S. Sanei, EEG Signal Processing. West Sussex, England: Willey & Sons Ltda, 2007.
[14] J. R. LaCourse and W. J. Smith, "Sensing the Human Alpha Rhythm Using a Non-Contact
Electroencephalographic Electrode," Bioengineering Conference, 2006. Proceedings of the
IEEE 32nd Annual Northeast, pp. 195-196, 2006.
[15] M. García and A. González, Potenciales bioeléctricos: origen y registro, 1st ed. Iztapalapa,
México: Casa Abierta al Tiempo, 1998.
[16] W. A. MacKay, "Wheels of Motion: Oscillatory Potentials in the Motor Cortez,," in Motor
Cortex in voluntary movements, A. Riehle and E. Vaadia, Eds. USA: CRC Press LLC, 2005..
[17] R. Hu, G. Li, M. Hu, J. Fu, and W. J. Freeman, "Recognition of ECoG in BCI Systems Based
on a Chaotic Neural Model," Advances in Neural Networks – ISNN 2007, vol. 4491/2007, pp.
685-693, Jul. 2007.
[18] G. Technologies. (2009, Aug.) g.BCIsys Brain Computer Interface. [Online]. HYPERLINK
"http://www.gtec.at/products/g.BCIsys/bci.htm"http://www.gtec.at/products/g.BCIsys/bci.ht
m
67
ANEXO
[19] N. J. Hill, et al., "lassifying EEG and ECoG Signals without Subject Training for Fast BCI
Implementation: Comparison of Non-Paralysed and Completely Paralysed Subjects.," pp. 1-4.
[21] A. Kübler and L.-R. Müller, "An introduction to Brain-Computer Interfacing," in Toward
Brain-Computer Interface, G. Dornhege, et al., Eds. London, England: MIT Press, 2007, ch. 1,
pp. 1-25.
[22] N. Birbaumer, et al., "A spelling device for the paralysed," Nature, no. 398, pp. 297-298, Mar.
1999.
[26] J. A. Pineda, D. S. Silverman, A. Vankov, and J. Hestenes, "Learning to control brain rhythms:
making a brain-computer interface possible," IEEE TRANSACTIONS ON NEURAL SYSTEMS
AND REHABILITATION ENGINEERING, vol. 11, no. 2, pp. 181-184, Jun. 2003.
[27] M. G. Bellanger, "Sapectral Analysis," in Adaptive Digital Filters. Paris, France: MARCEL
DEKKER, 2001, ch. 10.
[28] P. Stoica and R. L. Moses, Introduction to Spectral Analysis, , ,. Upper Saddle River, N.J.:
Prentece Hall, 1997.
[29] J. L. SEMMLO, "Spectral Analysis: Modern Techniques," in Biosignal and Biomedical Image
Processing:MATLAB based Applications. New Jersey, USA: Marcel Dekker, 2004, ch. 5.
[30] P. Isasi Viñuela, Redes Neuronales Artificiales: un unfoque práctico. Madrid, España: Pearson
Educación, 2004.
[31] L. Biquian, "Study of Feature Classification Methods in BCI Based on Neural Networks,"
Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference,
Sep. 2005.
68
ANEXO
rks_eeg.htm
[35] B. Hong. (2008, Aug.) Trends in BCI/BMI research and our projects. Online Power Point .
[38] B. Blankertz, G. Dornhege, and V. Kunsmann, "The Berlin Brain Computer Interface:
Machine Learning –Based Detection of User Specific Brain States," in Toward brain-
computer interfacing, G. Dornhege, et al., Eds. London, England: MIT Press, 2007, ch. 5.
[39] T. Hinterberger and L. Tomas, "Brain Computer Interfaces for Communication in Paralysis: A
Clinical Experimental Approach," in Toward Brain-Computer Interface, G. Dornhege, et al.,
Eds. London, England: MIT Press, 2007, ch. 3, pp. 43-64.
[40] A. Subasi, "Application of Classical and Model-Based Spectral Methods to Describe the State
of Alertness in EEG," Journal of Medical Systems , vol. 29, no. 5, pp. 473-486, Oct. 2005.
[41] A. Schlögl. (2008, ) BIOSIG. An open source library for biomedical signal processing 2003 –
2009. http://BIOSIG.SF.NET.
[42] A. Schlögl, C. Neuper, and G. Pfurtscheller, "Estimating the mutual information of an EEG-
based Brain-Computer-Interface," Biomedizinische Technik, pp. 3-8, 2002.
[43] T. Joachims, B. Schölkopf, C. BURGes, and A. Smola, Making large-Scale SVM Learning
Practical. Advances in Kernel Methods - Support Vector Learning. MIT Press, 1999.
[44] T. Briggs. (2009, Mar.) Tom Briggs Assistant Professor of Computer Science, ShippensBURG
University. [Online]. HYPERLINK
"http://webspace.ship.edu/thbrig/"http://webspace.ship.edu/thbrig/
[45] A. Schlögl, J. Kronegg, J. E. Huggins, and S. G. Mason, "Evaluation criteria in BCI research,"
in Toward brain-computer interfacing, G. Dornhege, Ed. London, England: MIT Press, 2007,
ch. 19, p. 327–342.
69
ANEXO
70
ANEXO
ANEXO
i
ANEXO
This dataset was recorded from a normal subject (female, 25y) during a
feedback session. The subject sat in a relaxing chair with armrests. The task
was to control a feedback bar by means of imagery left or right hand
movements. The order of left and right cues was random.
The experiment consists of 7 runs with 40 trials each. All runs were conducted
on the same day with several minutes break in between. Given are 280 trials of
9s length. The first 2s was quite, at t=2s an acoustic stimulus indicates the
beginning of the trial, the trigger channel (#4) went from low to high, and a
cross “+” was displayed for 1s; then at t=3s, an arrow (left or right) was
displayed as cue. At the same time the subject was asked to move a bar into
the direction of the cue. The feedback was based on AAR parameters of
channel #1 (C3) and #3 (C4), the AAR parameters were combined with a
discriminant analysis into one output parameter. (similar to [1,2]). The
recording was made using a G.tec amplifier and a Ag/AgCl electrodes. Three
bipolar EEG channels (anterior ‘+’, posterior ‘-‘) were measured over C3, Cz
and C4. The EEG was sampled with 128Hz, it was filtered between 0.5 and
30Hz. The data is not published yet, similar experiments are described in [1-4].
The trials for training and testing were randomly selected. This should prevent
any systematic effect due to the feedback.
ii
ANEXO
1 2 3
5 cm
C3 1 Cz 2 C4 3
0 1 2 3 4 5 6 7 8 9 sec
Figure SEQ Figure \* ARABIC 1: Electrode positions (left) and timing scheme
(right).
Evaluation
There is a close relationship between the error rate and the mutual information
[4]. We propose the mutual information because it take also into account the
magnitude of the outputs. The criterion will be the ratio between the maximum
of the mutual information and the time delay since the cue (t=3s). Only the
period between t=4 and t=9s will be considered.
Reference(s):
iii
ANEXO
[4] Schlögl A., Neuper C. Pfurtscheller G. (2002) Estimating the mutual information of an
EEG-based Brain-Computer-Interface, Biomedizinische Technik 47(1-2): 3-8.
iv