Evaluación experimental de aprendizaje máquina extremo aplicado a los sistemas de interfaz cerebro-ordenador basados en imaginación de movimiento

Resumen

Un sistema de interfaz cerebro-ordenador o Brain Computer Interface (BCI) permite controlar dispositivos externos solo con la actividad eléctrica del cerebro. Es decir, permiten enviar comandos al exterior, prescindiendo de todo canal de comunicación muscular. Estos sistemas se desarrollan en varias fases: (i) Adquisición de electroencefalograma (EEG), (ii) Detección de artefactos, (iii) Extracción de características, (iv) Clasificación, (v) Lógica de operación, y (vi) Realimentación. Esta Tesis se centra en dos de estas fases: extracción de características y clasificación. A nivel general, los investigadores han propuesto diversas técnicas para cada una de las fases, con el fin de incrementar el rendimiento en Clasificación de estos sistemas, pero, lo más habitual, es probarlas con señales BCI estándar que se obtienen de repositorios disponibles en Internet, o de usuarios expertos que han sido entrenados para trabajar de forma exitosa con BCI. Por otra parte, en la fase de Clasificación, aún no han sido probadas en profundidad las Máquinas de Aprendizaje Extremo (ELM, Extreme Learning Machine). El objetivo de esta Tesis es evaluar la adecuabilidad del ELM como clasificador para su aplicación a interfaces BCI basadas en la imaginación del movimiento y teniendo en cuenta, tanto sujetos noveles, como expertos. Para ello, se ha utilizado una metodología basada en 2 experimentos. En el primer experimento se han capturado las señales EEG de 5 usuarios noveles. Se ha realizado una extracción de características mediante (PSD) y se han empleado 3 clasificadores (LDA, SVM y ELM). Los valores obtenidos con los clasificadores LDA y SVM se han utilizado como referencia para evaluar el rendimiento del ELM. Los resultados experimentales indican que sí es un método adecuado para clasificar señales de EEG de usuarios noveles, obtenidas bajo experimentos de BCI. El segundo experimento explora el conjunto de características y la configuración del ELM más adecuadas para este tipo de utilización. Para ello, se emplearon señales estándar, extraídas de conjuntos de datos de referencia, que se obtienen de Internet. Se han implementado tres métodos de extracción de características muy usados en BCI como son: PSD; AAR y Hjörth. Hay que tener en cuenta, que los sistemas BCI deben administrar las variaciones a lo largo del tiempo del EEG, ya que las características extraídas no son estacionarias. Por ello, para tomar en consideración la variabilidad de señal EEG, se definieron tres estrategias de combinación de las mismas. La clasificación se realizó de dos formas: a) utilizando las características de cada uno de estos métodos combinados según diferentes estrategias y probando 4 kernels diferentes para el ELM, (lineal, sigmoide, gaussiano y lsg como combinación), y b) utilizando las características de todos los métodos extraídas a la vez y convenientemente combinadas, probando otra vez los 4 kernels para el ELM. Los resultados obtenidos indican que el ELM ofrece bajos valores de adecuabilidad utilizando solo un método de extracción de características, independientemente de las estrategias de combinaciones empleadas y del núcleo implementado. Sin embargo, se observa una mejora de la precisión en la clasificación, mediante el uso de todas las características extraídas al mismo tiempo, adecuadamente combinadas y agrupadas. De esta forma, el ELM se convierte en un método valioso para ser aplicado en sistemas BCI basados en Imaginación de Movimiento. http://repositorio.bib.upct.es/dspace