Publicación: Interfaz cerebro máquina no invasiva basada en señales de electroencefalografía para aplicaciones domóticas
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: Las personas en situación de discapacidad motora, en algunas ocasiones no están en la capacidad de realizar tareas cotidianas, llevándolas a suplir éstas por medio de un familiar o a través medios económicos. En la actualidad, los sistemas desarrollados con el fin de suplir estas necesidades representan altos costos. Por esta razón, en este trabajo de grado, se realizará una interfaz cerebro-máquina versátil, orientada al control de actuadores en un entorno domótico, la cual, basará su funcionamiento a partir de ritmos sensoriomotores, generados por la intención de movimiento. Para el desarrollo de este trabajo de grado, se seguirá en líneas generales la metodología de George Dieter, la cual se fundamenta en que el proceso de diseño debe ser iterativo, de manera que se llegue a un prototipo que cumpla con las especificaciones requeridas. Se espera que el prototipo interfaz cerebro-máquina (BCI), que se diseñará por medio de la integración de sistemas mecánicos, electrónicos y de programación sea preciso, confiable y versátil, así permitiendo que su posible implementación futura y pueda mejorar la calidad de vida de este segmento de la población. Para el desarrollo del proyecto se deben seguir una serie de etapas para llegar a tomar de decisiones por medio de un sistema de clasificación. Lo primero es adecuar el sistema de adquisición de acuerdo con la necesidad del proyecto, luego de esto se implementa un protocolo sencillo para la toma de datos del usuario. Posteriormente viene una macro-etapa de identificación y procesamiento de las señales, en esta etapa se utilizarán diversas técnicas para el análisis en el dominio del tiempo y de la frecuencia con el objetivo de obtener una caracterización confiable de los datos. Luego de esta etapa, se procede a implementar un sistema de clasificación basado en algoritmos de machine learning, para esto se tuvo apoyo de la gran variedad de librerías que tiene Python para el análisis de los diferentes clasificadores que existen. Por último, se realizaron una serie de pruebas, tanto Offline como Online para determinar si el modelo extraído de los clasificadores cumple satisfactoriamente con los requisitos del sistema.
Resumen en inglés
ABSTRACT: People with motor disabilities are sometimes unable to perform daily tasks, leading them to be supplied by a family member or through economic means. Currently, the systems developed to meet these needs represent high costs. For this reason, in this degree work, a versatile brain-machine interface will be developed, oriented to the control of actuators in a domotic environment, which will base its operation on sensorimotor rhythms, generated by the intention of movement. For the development of this degree work, George Dieter's methodology will be followed in general lines, which is since the design process must be iterative, to reach a prototype that meets the required specifications. The brain-machine interface (BCI) prototype, which will be designed through the integration of mechanical, electronic, and programming systems, is expected to be accurate, reliable, and versatile, thus allowing its possible future implementation and improving the quality of life of this segment of the population. For the development of the project, a series of stages must be followed to reach decisions by means of a classification system. The first step is to adapt the acquisition system according to the needs of the project, after which a simple protocol is implemented to collect data from the user. Then comes a macro-stage of identification and signal processing, at this stage various techniques will be used for analysis in the time and frequency domain to obtain a reliable characterization of the data. After this stage, we proceeded to implement a classification system based on machine learning algorithms, for this we had the support of the wide variety of libraries that Python has for the analysis of the different classifiers that exist. Finally, a series of tests were performed, both offline and online, to determine whether the model extracted from the classifiers satisfactorily meets the system requirements.