Sistemas de interfaz cerebro-ordenador basados en dispositivos EEG de bajo coste y modelos neurodifusos aplicados a la imaginación de movimiento

  1. MARTÍNEZ LEÓN, JUAN ANTONIO
Supervised by:
  1. José Manuel Cano Izquierdo Director
  2. Julio José Ibarrola Lacalle Director

Defence university: Universidad Politécnica de Cartagena

Fecha de defensa: 15 March 2019

Committee:
  1. José María Azorín Poveda Chair
  2. Miguel Almonacid Kroeger Secretary
  3. G.I. Sáinz Committee member
Department:
  1. Automática, Ingeniería Eléctrica y Tecnología Electrónica

Type: Thesis

Teseo: 591175 DIALNET

Abstract

La presente tesis doctoral detalla la evaluación de un dispositivo de electroencefalografía de bajo coste a partir de su inclusión en un sistema de interfaz cerebro-máquina completo (BCI del inglés Brain-Computer Interfaces) basado en técnicas neurodifusas. El paradigma elegido se centra en la imaginación de movimiento multiclase sin realimentación, donde la operación es completamente asíncrona. También se ha aportado un avance en el área de la selección de características, desarrollando e implementando una metodología capaz de minimizar las componentes del vector de características necesarias para operar sistemas BCI, facilitando así la integración de éstos en plataformas móviles. En primer lugar, se ha seleccionado el dispositivo Emotiv EPOC en torno a criterios de coste, número de sensores, acceso a la señal capturada, ergonomía y relevancia para la comunidad científica. Del mismo modo, se ha abordado el problema definido en el BCI Competition III dataset V dada la disponibilidad de las señales capturadas sobre el cuero cabelludo por un equipo profesional, la exhaustiva definición del experimento y la facilidad para reproducirlo. Adicionalmente, la existencia de estudios utilizando estos mismos datos ha ofrecido una guía sobre las mejores técnicas a aplicar. Entre éstas destaca el modelo neurodifuso S-dFasArt, que hasta ahora ha presentado los mejores resultados cumpliendo las restricciones del problema. Por tanto, se ha construido un sistema BCI propio utilizando Emotiv EPOC como dispositivo de obtención de la señal EEG y S-dFasArt como sistema de inteligencia artificial. La valoración se ha realizado desde el punto de vista de un sistema BCI completo por lo que, en lugar de examinar la forma de la señal detectada, se ha calculado el rendimiento del mismo para datos capturados con diferentes equipos. Para ello se han comparado los resultados alcanzados tanto a partir de la base de datos BCI Competition como de cuatro conjuntos propios en los que han colaborado 19 voluntarios, quienes han participado en uno o varios experimentos. Se han incluido tanto sesiones utilizando Emotiv EPOC para la obtención de datos, como pruebas donde se ha utilizado una versión híbrida del mismo, en la cual se mantiene la unidad de procesamiento pero varía la tecnología y la ubicación de los sensores. Así, se ha demostrado que el sistema BCI construido integrando Emotiv EPOC junto al clasificador S-dFasArt alcanza una precisión asimilable a la lograda sobre datos capturados por equipos de investigación manteniendo el problema y la posición de los sensores. Además, la ubicación de los mismos sobre la corteza motora ha hecho posible un incremento en torno al 7% en el nivel de acierto medio (desde el 62% al 66.53 %). Igualmente, se ha corroborado la influencia positiva de la realimentación, que ha permitido lograr precisiones de por encima del 70% con Emotiv EPOC. Finamente, se ha presentado una metodología de selección de características en la que el S-dFasArt se ha integrado con modelos basados en combinaciones entre el método estadístico y el criterio difuso con la selección por orden y GMDH. La metodología desarrollada ha seleccionado automáticamente las componentes más relevantes del vector de características, alcanzando el modelo reducido obtenido por las diferentes variantes mejores resultados que el completo para dos de cada tres sujetos. Igualmente, la disminución del tamaño del conjunto de datos es muy significativa, presentando un decremento medio desde 168 a 5 características para la mejor combinación. http://repositorio.bib.upct.es/dspace/