Resumen en español

La electroencefalografía (EEG) es una de las técnicas más utilizadas en el desarrollo de interfaces cerebro-computadora (BCI), principalmente por su carácter no invasivo y su alta resolución temporal. Dentro de los sistemas BCI, aquellos orientados al control motor buscan asistir, reemplazar o emular movimientos de extremidades, incluyendo gestos complejos y específicos de la mano. No obstante, a pesar de los avances en la literatura, aún no existe un consenso sobre qué características de la señal EEG y qué configuración mínima de electrodos permiten una clasificación precisa y eficiente de gestos imaginados. Este estudio presenta un sistema BCI diseñado para identificar gestos complejos de la mano a partir de imaginación motora. El sistema se basa en un conjunto específico de características, clasificadores y un arreglo definido de electrodos, con el objetivo de lograr un rendimiento comparable o superior al reportado previamente. Para ello, se desarrolló un protocolo experimental bajo el paradigma de motor imagery, que busca activar la región sensorimotora mediante la evocación mental del movimiento, sin ejecución física. El enfoque propuesto se centra en la extracción de señales EEG en las bandas mu (8–13 Hz) y beta (13–30 Hz), que son relevantes en tareas motoras imaginadas. A partir de estas señales se calculan dos tipos principales de características: (1) Common Spatial Patterns (CSP), que permiten transformar la señal del dominio temporal hacia un espacio donde se maximiza la varianza discriminativa entre dos clases de movimientos; y (2) la Distribución Cuasi-Tiempo-Frecuencia de Choi-Williams (CWQTFD), que representa la evolución espectral de la señal a lo largo del tiempo, generando una representación en forma de imagen o mapa de calor. La clasificación de los gestos imaginados se realiza mediante dos enfoques: un Support Vector Machine (SVM) para las características extraídas con CSP, y una red neuronal convolucional (CNN) para las representaciones obtenidas con CWQTFD. Para la evaluación inicial del sistema, se utilizó la base de datos pública MI BCI2000, correspondiente a tareas de motor imagery. Los resultados preliminares muestran una precisión de hasta 78 % con CSP y 71 % con CWQTFD en la clasificación binaria de gestos. Se espera que la precisión del sistema pueda incrementarse mediante la adaptación del modelo a las características individuales de los sujetos y mediante la optimización del arreglo de electrodos. En fases posteriores, se implementarán técnicas adicionales para refinar la selección de canales y mejorar la robustez del sistema frente a variaciones intersujeto e intrasujeto. Este trabajo sienta las bases para futuros desarrollos de BCI centrados en el control fino de dispositivos mediante gestos imaginados de la mano.