dc.contributor.advisor | Martínez Cagigal, Víctor | es |
dc.contributor.advisor | Bregón Bregón, Aníbal | es |
dc.contributor.author | Dueñas Ruiz, Juan | |
dc.contributor.editor | Universidad de Valladolid. Escuela de Ingeniería Informática de Segovia | es |
dc.date.accessioned | 2024-07-12T08:04:33Z | |
dc.date.available | 2024-07-12T08:04:33Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | https://uvadoc.uva.es/handle/10324/68716 | |
dc.description.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. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | spa | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject.classification | Brain-Computer Interface (BCI) | es |
dc.subject.classification | Code-Modulated Visual Evoked Potential (c-VEP) | es |
dc.subject.classification | Gold Codes | es |
dc.title | Potenciando la extracción de características en sistemas brain-computer interface basados en c-VEP mediante TRCA | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.description.degree | Grado en Ingeniería Informática de Servicios y Aplicaciones | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.subject.unesco | 1203.17 Informática | es |
Files in this item
This item appears in the following Collection(s)
- Trabajos Fin de Grado UVa [30017]
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional