Clasificación de señales EEG usando LDA y QDA aplicado a una Interface Cerebro – Computador basada en P300

Autores/as

  • Franklin Alfredo Cabezas Facultad de Ingeniería Eléctrica y Electrónica, Universidad Nacional de Ingeniería. Lima, Perú
  • Fermín Rafael Cabezas Soldevilla Facultad de Ingeniería Eléctrica y Electrónica, Universidad Nacional de Ingeniería. Lima, Perú.

DOI:

https://doi.org/10.21754/tecnia.v28i2.573

Palabras clave:

P300, Machine Learning, Interface cerebro –Computador, Enfermedades Neurodegenerativas

Resumen

Se han empleado diferentes técnicas de Machine Learning con la finalidad de identificar las voluntades de pacientes con enfermedades neurodegenerativas. Para tal fin se empleó una base de datos de señales electroencefalográficas (EEG) las cuales fueron filtradas y procesadas. La determinación de las voluntades de los pacientes se consiguió a través de la identificación de las ondas cerebrales P300, estas señales se presentan en el cerebro como respuesta a un estímulo inesperado y entre sus muchas aplicaciones se encuentra la implementación de la llamada Interface Cerebro – Computador.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1]Cabezas F. 2018. Identificación de Potenciales Eléctricos relacionados a eventos seleccionados por pacientes con enfermedades neurológicas empleando Transformada Wavelet. Tesis de Maestría(datos no publicados). Universidad Nacional de Ingeniería. Perú.

[2] Hoffmann U. et al. 2007. An Efficient P300 –based brain –computer interface for disabled subjects.Journal of Neuroscience Methods 167, 115 –125.

[3] FranzE.2014. Development of a Fast and Efficient Algorithm for P300 Event Related Potential Detection.Master’s Thesis.Temple University. United States.

[4] PolichJ. 1986. Normal variation of P300 from auditory stimuli.

[5] R. Sepúlveda et al. Clasificación de señales EEG mediante redes neuronales artificiales. Computación y sistemas, Vol. 19, N° 1, 2015, pp. 69 –88.

[6] Artusi X. 2013. Interface Cereveau Machine avec adaptation automatique à l’utilisateur. PhD Dissertation. École Centrale de Nantes. France.

[7] Fazel R et al. 2012. P300 brain computer interface: current challenges and emerging trends. Frontiers in Neuroengineering, 1(1), 5:14.

[8] Girase P, Deshmukh M. 2016. A Review of Brain Computer Interface. International Conference on Global Trends in Engineering, Technology and Management (ICGTETM).

[9] Henríquez C. 2014. Estudio de técnicas de análisis y clasificación de señales EEG en el contexto de Sistemas BCI. Tesis de Maestría. Universidad Autónoma de Madrid. España.

[10] Nicolás –Alonso L y Gómez –Gil J. 2012. Brain Computer Interfaces, a Review. Sensors, 12(2), 1211 –1279.

[11] Nicolás Alonso, L. 2012. Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores. Tesis de Maestría. Universidad de Valladolid. España.

[12] Won D, Zhang H, Guan C & Lee S. 2014. A BCI Speller based on SSVEP using high frequency stimuli design. IEEE International Conference on Systems, Man and Cybernetics.

[13] Combaz A & Van Hulle. 2015. Simultaneous Detection of P300 and Steady –State Visually Evoked Potentials for Hybrid Brain –Computer Interface.

[14] Achic F et al. 2016. Hybrid BCI System to Operate and Electric Wheelchair and a Robotic Arm for Navigation and Manipulation Tasks. ARSO.

[15] Amiri S, Rabbi, A, Azinfar, L & Fazel –Rezai R. 2013. A Review of P300, SSVEP and Hybrid P300/SSVEP Brain -Computer Interface Systems.

[16] Liu, Y, Wang, S & Hu,M. 2016. A Self -Paced P300 Healthcare Brain -Computer Interface System with SSVEP -Based Switching Control and Kernel FDA + SVM -Based Detector.

Publicado

2018-12-18

Cómo citar

[1]
F. A. Cabezas y F. R. Cabezas Soldevilla, «Clasificación de señales EEG usando LDA y QDA aplicado a una Interface Cerebro – Computador basada en P300», TEC, vol. 28, n.º 2, dic. 2018.

Número

Sección

Procesamiento de Señales e Imágenes