Clasificación de características de electroencefalogramas en sistemas Brain Computer Interface basados en ritmos sensoriomotores

Abstract

Un interfaz cerebro-máquina (BCI) es un modo de comunicación directa entre el cerebro y un dispositivo externo. En este trabajo fin de máster se ha investigado varios métodos para clasificar las señales cerebrales generadas por el usuario y de este modo interpretar su intención. Para ello, previamente se ha realizado un estudio de las investigaciones en el campo de los BCI en las dos últimas décadas. Este estudio se organiza de acuerdo a la estructura típica de un BCI, que está formada por un bloque de adquisición de las señales cerebrales, un bloque de procesamiento de las señales y otro dedicado al control del dispositivo. En primer lugar, se analizaron las diferentes técnicas que los BCI emplean para adquirir la actividad cerebral y los tipos de señales de control que se pueden encontrar en la misma y que pueden ser moduladas voluntariamente por los usuarios. En segundo lugar, se estudiaron las diferentes técnicas utilizadas para el procesamiento de señales cerebrales. Estas técnicas engloban aquéllas que pretenden extraer la información característica de las señales cerebrales y las que emplean esta información extraída para clasificar las señales con el fin de conocer las intenciones del usuario. Por último, se hizo una revisión de los distintos dispositivos que la comunidad científica ha controlado mediante sistemas basados en BCI. A continuación, se estudiaron diferentes métodos de clasificación aplicados a las señales EEG del conjunto de datos 2b de la competición BCI de 2008. El método ganador de dicha competición se basa en un método derivado de Common Spatial Pattern para la extracción de características y emplea como clasificador Naïve Bayesian Parzen Window (NBPW). En este trabajo se han propuesto cuatro métodos de clasificación de características: análisis discriminante lineal, máquina de soporte vectorial, perceptrón multicapa y red probabilística de Parzen. En el resto de etapas del BCI se han mantenido los métodos empleados por el ganador de la competición. Los resultados indican que los clasificadores propuestos como alternativas al NBPW no proporcionan una mejora significativa del rendimiento. La red probabilística de Parzen y SVM consiguen mejorar el rendimiento en 3.8%, el LDA en 1.9% y el perceptrón multicapa no consigue superar el rendimiento de NBPW. Por otro lado, se estudian también otros aspectos relacionados con la etapa de clasificación como es el post-procesado de las probabilidades a posteriori y el tiempo de procesamiento de los clasificadores. El método de post-procesado mejora necesariamente la clasificación de las señales para todos los sujetos. Sin embargo, si que lo hace en promedio para todos los sujetos de prueba. Por último, se ha estudiado el tiempo de computación que necesitan los diferentes algoritmos de clasificación propuestos. En este punto se ha constatado que el método LDA y la red probabilística de Parzen claramente superan al resto clasificando tardan alrededor de medio segundo para procesar todas las señales de test de un sujeto.