Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/68716
Título
Potenciando la extracción de características en sistemas brain-computer interface basados en c-VEP mediante TRCA
Autor
Director o Tutor
Año del Documento
2024
Titulación
Grado en Ingeniería Informática de Servicios y Aplicaciones
Abstract
La capacidad de poder escribir utilizando única y exclusivamente la ondas cerebrales
parece un proyecto utópico fuera del alcance de todos nosotros. Sin embargo, los avances
en la neurociencia han desembocado en la creación de interfaces cerebro-ordenador (BCI,
brain-computer interfaces) las cuales son capaces de traducir las intenciones de los usua rios y de transformarlas en comandos. Sin embargo, estas señales no se pueden decodificar
directamente sin utilizar señales de control. Los potenciales evocados visuales modulados
por código (c-VEPs, code-modulated visual evoked potential) son una innovadora señal de
control que permite tiempos de calibración reducidos y una excelente precisión.
Los sistemas BCI basados en c-VEP se fundamentan en la utilización de secuencias
binarias pseudoaleatorias para modular los parpadeos de los comandos seleccionables. Es
fundamental que la forma en la que se codifiquen estos comandos, es decir, el conjunto
de secuencias binarias pseudoaleatorias utilizadas, exhiban buenas propiedades de auto correlación y/o correlación cruzada. La justificación de codificar los comandos a través
de este tipo de secuencias es que, al fijar la atención sobre cada comando, se desencade nen respuestas de electroencefalografía (EEG) que muestren una mayor correlación con
el comando al cual el usuario está dirigiendo su atención, en comparación con el resto de
estímulos. Uno de los métodos más eficientes para ello es la utilización de versiones des plazadas de una m-secuencia debido a sus excelentes propiedades de autocorrelación. Sin
embargo, los Gold Codes han demostrado en varios estudios que, debido a sus magníficas
propiedades de correlación cruzada, pueden sustituir a las m-secuencias.
Para garantizar un correcto funcionamiento del sistema BCI es fundamental realizar
una etapa de extracción de características para encontrar parámetros correlados con las
intenciones del usuario en tiempo real. En este caso, se requiere encontrar características
de la señal que nos permitan determinar dónde está mirando el usuario en cada momento.
Por tanto, además del filtrado frecuencial, comúnmente se aplican filtros espaciales que
ponderan la importancia de cada electrodo. Uno de los métodos más populares para ello
es Canonical Correlation Analysis (CCA), cuyo objetivo es maximizar la asociación, me dida por la correlación, entre las proyecciones de baja dimensionalidad de dos conjuntos
de datos. Sin embargo, Task-Related Component Analysis (TRCA) ha ganado gran po pularidad en los últimos años ya que su propósito principal es determinar los coeficientes
de las series temporales de manera que se maximice la correlación entre bloques de tarea,
asegurando así una alta consistencia entre ellos.
Por todo esto, en este Trabajo de Fin de Grado se desarrolla un sistema BCI basado en
c-VEP utilizando desplazamientos circulares de Gold Codes, así como TRCA utilizando
Python y Unity. El objetivo es realizar un análisis comparativo con el típico sistema BCI
basado en c-VEP que utiliza m-secuencias junto con CCA.
Para ello, se ha realizado un análisis offline a través de dos bases de datos y un análisis
online con la aplicación desarrollada, tanto con 31, como con 63 bits. A través de un
análisis estadístico, el primero de ellos muestra que no existen diferencias significativas
entre el uso de TRCA y CCA cuando se utilizan p-ary m-secuencias, ni en cuanto a las
precisiones ni en tiempos de selección, sin embargo, sí que existen diferencias significativas
cuando los comandos se modulan a través de Gold Codes. En cuanto al análisis online, los
resultados obtenidos en la aplicación desarrollada son excelentes, arrojando una precisión
media de de 95,31 % ± 6,13 con 31 bits y 96,25 % ± 7,10 con 63 bits, superior a la de
estudios realizados con características muy similares. Además, se ha demostrado que no
existen diferencias significativas utilizando 31 y 63 bits en este mismo paradigma lo que
permite reducir los tiempos de calibración a la mitad.
Materias Unesco
1203.17 Informática
Palabras Clave
Brain-Computer Interface (BCI)
Code-Modulated Visual Evoked Potential (c-VEP)
Gold Codes
Idioma
spa
Derechos
openAccess
Collections
- Trabajos Fin de Grado UVa [29453]
Files in this item
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional