Selección de tareas predefinidas para un robot asistencial para personas discapacitadas a través de una interfaz cerebro-computador utilizando P300

• Autor: Chau Delgado, Juan Manuel
• Formato: tesis de maestría
• Fecha de Publicación: 2018
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/146068
• Enlace del recurso: http://hdl.handle.net/20.500.12404/14181
• Nivel de acceso: acceso abierto
• Materia: Interfaces cerebro-computadora--Diseño y construcción; Procesamiento de señales--Algoritmos; Manipuladores (Mecanismos); https://purl.org/pe-repo/ocde/ford#2.00.00

En la actualidad, es común presenciar el desarrollo de aplicaciones de ingeniería orientadas a la mejora de calidad de vida de personas, tanto para las que han sufrido accidentes, como para las que poseen deficiencias congénitas. En el caso de las personas cuyas discapacidades son neurológicas, las aplicaciones de rehabilitación, reincorporación, según se busque devolver facultades, o proveer medios de reemplazo para habilidades perdidas, requieren de una interfaz cerebro-computador, que se encarga de medir ciertos patrones en las señales cerebrales de los pacientes y traducirlos para que una computadora pueda interpretarlas. El presente trabajo comprende el diseño de una interfaz cerebro-computador que, aplicando algoritmos de procesamiento de señales cerebrales y aprendizaje de máquina, permite a un usuario seleccionar diversas tareas predefinidas para un manipulador robótico asistencial aprovechando el potencial relacionado a eventos conocido como P300. Adicionalmente, también se presenta una propuesta experimental para las realizaciones de pruebas, tanto fuera de línea como en línea del sistema, de manera que se pueda analizar y validar su eficiencia y usabilidad. Finalmente, se analizan resultados no cuantitativos provenientes de los usuarios, que pueden ser utilizados para futuros estudios relacionados. Dentro de los resultados de eficiencia del sistema se obtienen valores promedio alrededor de 90% para los experimentos de entrenamiento, y cercanos a 85% para la validación si se considera una secuencia de tres estímulos antes de que el sistema emita una predicción durante las pruebas en línea; sin embargo, los usuarios reportan que se podría mejorar la calidad del sistema si se realizan algunas mejoras, como la calidad de las imágenes mostradas como estímulos, y el contraste con el color de fondo.