Extracción de características para la detección de movimientos del brazo usando señales de electroencefalograma (EEG)

• Autor: Alvarado Chavez, Jordy Jose
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/16330
• Enlace del recurso: https://hdl.handle.net/20.500.12590/16330
• Nivel de acceso: acceso abierto
• Materia: CSP; LDA; EEG; BCI; Movimientos del brazo; Extracción de características; Procesamiento de señales; https://purl.org/pe-repo/ocde/ford#2.02.01

Las interfaces BCI (Brain-computer interface) permiten el desarrollo de sistemas que ayudan a las personas con discapacidades motrices (parálisis parcial de miembros del cuerpo, amputación o ausencia de un miembro del cuerpo humano), entre ellas cabe destacar los movimientos de los miembros superiores e inferiores, los cuales permiten el desenvolvimiento de una persona al momento de realizar actividades diarias. Este trabajo se centra en realizar la comparación de dos métodos orientados a la extracción de características aplicado a datos obtenidos de un Electroencefalograma, estos métodos son los de Análisis Discriminante Lineal (LDA) y de Patrones Espaciales Comunes (CSP). Ambos métodos son empleados con la finalidad de extraer aquellos patrones característicos pertenecientes a los movimientos de los miembros superiores del cuerpo humano (brazos) y escoger aquel que permita un funcionamiento óptimo de las BCI. De acuerdo a los resultados obtenidos en la experimentación realizada utilizando en primera instancia una etapa de pre-procesamiento de las señales basado en filtros Butterworth, para eliminar señales no pertenecientes a la coordinación motriz de los brazos en base a la teoría obtenida sobre las frecuencias de la ondas cerebrales encargadas de coordinar dichas funciones, el siguiente paso es aplicar los métodos de extracción de características seleccionados y finalmente introducirlos al algoritmo de clasificación de Máquinas de Vectores Soporte (SVM) para finalmente obtener las tasas de reconocimiento y matrices de confusión por cada método y concluir que; El método basado CSP obtuvo una mejor tasa de reconocimiento general en comparación con el método basado en LDA.