RT info:eu-repo/semantics/masterThesis
T1 Extracción y clasificación de características aplicados a señales electroencefalográficas en sistemas Brain Computer Interface basados en potenciales evocados P300
A1 Núñez Novo, Pablo
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Brain Computer Interface
K1 Ingeniería Biomédica
AB Los sistemas Brain Computer Interface (BCI) permiten enviar mensajes y órdenes al mundo externo sin necesidad de realizar ninguna actividad muscular. Estos programas pueden habilitar a personas con discapacidades neuromusculares  severas como la esclerosis lateral amiotrófica, ataque cerebral y lesiones de la médula espinal para comunicarse y utilizar programas y equipos de diversos tipos que mejoran su calidad de vida. Para conseguir este objetivo,  se usan una serie de señales electroencefalográficas  registradas en el cuero cabelludo en las cuáles está codificada la intención del usuario. En este estudio nos centramos en una de ellas: los potenciales evocados P300.El objetivo  de este proyecto  es el estudio de algoritmos  de extracción y clasificación de características  en BCI basados en potenciales evocados P300, con el propósito de determinar los parámetros óptimos de todos los métodos utilizados para obtener la máxima precisión en la clasificación. Como métodos de extracción de características  se proponen un sub-muestreo y extracción de características mediante transformada wavelet. A su vez se desarrolla  un algoritmo  de eliminación y selección de canales. En cuanto a la clasificación de características,  se utilizan tres métodos: discriminante lineal de Fisher (FLDA), Spectral Regression Kernel Discriminant  Analysis (SRKDA) y un conjunto de máquinas de vectores de soporte (SVM). Estos métodos  se prueban sobre el conjunto  de datos II de la III Competición BCI proporcionados por el centro Wadsworth (NYS Department of Health), con y sin eliminación de canales. Los resultados se comparan con los del algoritmo ganador  de esa competición, el cual consistía en un conjunto de 17 SVM con selección de canales y con otros métodos del estado del arte que usaron la misma base de datos, así como los resultados obtenidos en un estudio preliminar  de métodos de clasificación de características.Los resultados muestran que dos de los métodos propuestos (FLDA y SRKDA), con sub-muestreo y aplicación de transformada wavelet adaptados a cada sujeto, obtienen una precisión (99.5 % y 99 %) mayor que la del método ganador (96.5 %). Comparados con otros métodos del estado del arte, estos dos algoritmos  obtienen unos resultados excelentes que los colocan en primer y segundo puesto de la clasificación global.
YR 2015
FD 2015
LK http://uvadoc.uva.es/handle/10324/15289
UL http://uvadoc.uva.es/handle/10324/15289
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 24-nov-2024