Detección, clasificación y aplicación de potenciales relacionados a eventos para interfaces cerebro-computadora Público Deposited
Las Interfaces Cerebro Computadora (ICC, o BCI por sus siglas en inglés) ofrecen una potencial alternativa de comunicación para personas que han perdido casi por completo la posibilidad de interactuar con su medio externo debido a severas discapacidades motrices. Estas interfaces no dependen del accionar de las vías nerviosas o musculares, sino que extraen información directamente del electroencefalograma (EEG), de los potenciales evocados o del electrocorticograma (ECoG). Pueden ser invasivas o no, dependiendo del tipo de electrodos empleados para el registro de la señal, y basar su implementación en diferentes estrategias. El presente trabajo se orienta a establecer una estrategia metodológica que permita la implementación de una plataforma ICC capaz de comandar dispositivos robóticos en tiempo real. Se utiliza el paradigma de ICC del tipo no-invasiva y basada en la generación de Potenciales Relacionados a Eventos (ERP) del tipo P300, en particular, los ERP generados por la presentación de estímulos visuales infrecuentes (oddball), propuesto por primera vez para su aplicación en ICC, por Farwell y Donchin en 1988. Este trabajo se desarrolló en tres etapas. En la primera etapa, se propone una metodología para la detección de ERP contenidos en las señales de registros de Electroencefalografía (EEG) multicanales, que constituyen las entradas a sistemas de Interfaces Cerebro-Computadora. En esta etapa se evalúan técnicas de extracción de características de las señales de EEG, evaluando tanto submuestreos temporales, como el Análisis de Componentes Principales (PCA). Luego se aplica una técnica para estimar la eficiencia de cada canal en la detección de los ERP sobre registros de base de datos conteniendo 64 canales, y finalmente se propone y emplea una estrategia para combinar la salida de clasificadores aplicados independientemente sobre los canales seleccionados de acuerdo a su eficiencia estimada. Para la clasificación se utilizan Máquinas de Soporte Vectorial (SVM). Se presentan resultados que muestran que los canales seleccionados por el método propuesto preservan su eficiencia de clasificación sobre el conjunto de prueba. También se concluye que se puede definir un número óptimo de canales que minimizan el error final de clasificación, y que en el caso analizado, un conjunto de sólo 8 electrodos es suficiente para obtener los mejores desempeños de registros que disponen de hasta 64 electrodos. En la segunda etapa, se aborda la problemática de que los registros de señales de EEG no invasivas obtenidos por sistemas de ICC basadas en el paradigma P300 por estímulos visuales, pueden estar sujetos a la contaminación de artefactos de diversos tipos. Si bien existen muchas técnicas para la remoción de dichos artefactos en señales de EEG, las particulares restricciones que impone el contexto de una ICC, hacen que se requieran métodos alternativos, que no descarten información (rechazo de artefacto) sino que restauren la misma. Atendiendo esa problemática en esta etapa se utilizan dos métodos bien conocidos de descomposición de señales, tales como Análisis de Componentes Principales Espacial (SPCA) y Análisis de Componentes Independientes (ICA), que son complementados con reglas para la selección automática de componentes libres de artefactos halladas por los mismos, de manera que la reconstrucción en los espacios originales de las señales, basadas en estos componentes, permitan remover dichos artefactos (restauración automática de la señal).
El método propuesto es evaluado directamente en términos del desempeño de clasificadores basados en SVM para la detección de presencia de respuestas evocadas P300, comparando restauraciones basadas en ICA y SPCA contra las señales originales con artefactos. Los resultados obtenidos en esta etapa muestran que el método de restauración basado en ICA, ofrece las mayores mejoras en el desempeño de la detección de los P300. Sin embargo, se reconoce que algunas limitaciones prácticas deben ser superadas para aplicar el mismo en sistemas de ICC que operen en tiempo real. En la tercera etapa, se presenta la implementación y evaluación de una plataforma orientada al desarrollo de aplicaciones robóticas para ICC usando simulación y representaciones virtuales de robots y sus entornos, en tiempo real. Los avances logrados en el estado del arte respecto a la aplicación de las ICC al comando de tecnologías robóticas permiten proveer al usuario una capacidad de interacción física con su entorno, por lo que se decide abordar este desarrollo. Como un primer ejemplo se presenta la aplicación de una ICC al comando de una Silla de Ruedas Robótica (SRR), con capacidad de navegación semiautónoma. La ICC está basada en el paradigma P300; la clásica matriz del deletreador de Donchin fue modificada introduciendo íconos que representan el conjunto de comandos disponibles para guiar la SRR. Se utilizaron 6 canales de EEG; el procesamiento, la clasificación y presentación de estímulos visuales se realizó utilizando el software BCI2000. Se desarrolló un modelo de una silla de ruedas físicamente realista, con capacidades de navegación semiautónoma y dos sujetos sanos fueron invitados a realizar una determinada tarea de navegación, a través de un ambiente simulado, el cual presentaba espacios comunes de una vivienda. La misma tarea de navegación debió ser realizada por cada sujeto, primero utilizando una interfaz manual y luego utilizando la ICC basada en P300. En cada tarea ambos sujetos lograron conducir exitosamente la SRR por trayectorias similares y adecuadas. Como era de esperar, el tiempo de conducción usando la ICC fue mayor, pero dadas las distancias recorridas y que los sujetos alcanzaron las metas propuestas, el desempeño resulta muy satisfactorio. Los resultados obtenidos, además de probar la factibilidad de comandar la SRR mediante una ICC, sugieren que el uso de esta plataforma es una poderosa herramienta de diseño y evaluación de desempeño y factibilidad de aplicaciones ICC en robótica.
Relacionamentos
| No conjunto administrativo: |
|---|
Descrições
| Nome do Atributo | Valores |
|---|---|
| Creador | |
| Colaboradores | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Palavra-chave | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
