Desde su primera aplicación, la electroencefalografía ha sido una técnica usada fundamentalmente para lograr comprender el comportamiento del cerebro. Estudiando las señales electroencefalográficas (EEG) se ha tratado de descifrar las intenciones de una persona y controlar las acciones que pueda ejercer sobre ciertos dispositivos de forma inalámbrica. Este concepto se conoce con el nombre de interfaz cerebro-computador (BCI, de sus siglas en inglés brain-computer interface), y ya ha incursionado con éxito en diversos escenarios y aplicaciones de tipo industrial, médico, de educación, de marketing, entre otros. Asimismo, los sistemas BCI se usan actualmente con gran expectativa en personas dependientes o con alto grado de discapacidad, dado que se presenta como una nueva forma de comunicación, logrando que individuos con parálisis parcial o total de sus extremidades puedan realizar tareas como: Escribir en un monitor, desplazarse en una silla de ruedas, manejar prótesis entre otras. Específicamente, beneficia a áreas como la neuro-rehabilitación terapéutica (motriz, auditiva y sensitiva), programación neurolingüística, neuro-educación, y neuro-patología.
La función básica de un sistema BCI es medir las señales eléctricas provenientes del cerebro, procesarlas, extraer características y permitir que el usuario interactúe con el entorno por medio de un dispositivo físico. La extracción de estas características conlleva a un análisis profundo de la señal EEG a fin de distinguir las señales pertinentes, es decir aquellas relacionadas con las intenciones del usuario y que serán usadas en comandos de salida. Es aquí donde aún se ve restringida la eficiencia de un sistema BCI, debido a que las señales EEG al momento de ser adquiridas son afectadas por ruido y presentan una baja resolución espacial, evitando una correcta caracterización de los fenómenos fisiológicos y derivando en extenuantes horas de entrenamiento por parte del usuario antes de efectuar de manera precisa las intenciones que desea realizar.
En este proyecto se propone desarrollar una metodología alternativa que permita realizar una mejor caracterización y clasificación de señales EEG para fines aplicativos en sistemas BCI.
Para lograrlo se efectuará un estudio comparativo de los actuales métodos de caracterización y se implementará un modelo computacional usando técnicas de selección y de reducción de dimensión a fin de determinar un método equilibrado entre eficacia y coste computacional. Adicionalmente, se implementará un prototipo de sistema BCI de prueba con su respectivo protocolo de uso.
El proyecto se presenta en modalidad de investigación aplicada y corresponde a la etapa inicial para consolidar un programa de investigación en Neurociencias con el fin de realizar interpretación semántica de ondas cerebrales para diversos propósitos.
Actualmente, la tecnología EEG ha sido incrementalmente optimizada con el fin de obtener señales más limpias y dicientes de forma que no sea necesario acudir métodos invasivos. La electroencefalografía brinda herramientas para el desarrollo de investigación orientada al entendimiento del sistema nervioso central, y por tanto es fundamental para el diseño de sistemas de BCI, de neuro-rehabilitación, y de soporte de vida en cuidados intensivos. Las tendencias de la tecnología moderna han traído consigo el desarrollo de diferentes dispositivos de adquisición de señales EEG que son más cómodos e incluso más portables que los tradicionales. Por tanto, existe una necesidad latente de mejorar el tratamiento computacional de las señales que sea coherente con los nuevos modos de registro, y que, a su vez, permita naturalmente ampliar y hacer más accesible el campo de aplicación de todas las tecnologías y técnicas provenientes del tratamiento cerebral.
Particularmente, las interfaces cerebro-computador son sistemas que permiten controlar tareas de un dispositivo inteligente a partir de la interpretación de las intenciones reflejadas en las ondas cerebrales. Realizar la adquisición de las ondas cerebrales por medio de EEG requiere de un gran periodo de entrenamiento por parte del usuario con el fin de que el sistema aprenda a reconocer sus intenciones de forma precisa. Dado que este tipo de señales varían significativamente de una persona a otra y considerando el hecho de que son contaminadas por excesivo ruido y artefactos (de tipo muscular, electromagnético, entro otros), la consolidación de procesos de caracterización y clasificación versátiles, robustos y definitivos es aún un problema abierto. Ir a Inicio
Los sistemas de interfaz cerebro-computador (BCI) se han convertido en una alternativa de comunicación para personas con limitaciones físicas quienes gracias a estos dispositivos actualmente pueden realizar tareas básicas augurando un futuro con muchas más posibilidades [5] [6]. Una BCI es un sistema que a partir de las señales EEG obtiene ciertas características, las procesa y las traduce en comandos de salida permitiendo controlar ciertos dispositivos y convirtiéndose en una nueva alternativa de comunicación con amplias posibilidades para las personas discapacitadas [3]. Un diagrama explicativo con los bloques constructivos del funcionamiento básico de un sistema BCI se muestra en la Figura 1.
La EEG es la técnica de mayor uso al momento de registrar la actividad eléctrica cerebral dado su bajo costo y fácil implementación, aun así, la calidad de los registros no son los mejores debido al ruido y artefactos con los que acarrea, siendo esta su mayor desventaja. Sin embargo, en estudios como [7] se propone un modelo basado en la transformada de wavelet discreta (DWT) combinada con la cancelación de ruido adaptativo (ANC) que permiten reducir el impacto de los artefactos y así mejorar la calidad de la señal. En [8] se utiliza el método de agrupamiento automático K-means, el cual logra realizar una reducción de los artefactos oculares sobre la señales EEG, permitiendo que la caracterización y clasificación de tareas motoras imaginarias tenga un acierto del 88%. Otros trabajos como [9] [10] [11] proponen el uso de la transformada de Fourier, la transformada de wavelet discreta (DWT), el análisis de componentes independientes (ICA) y el uso de filtros adaptativos basados en redes neuronales con el fin de minimizar los efectos de los artefactos y mejorar la calidad de las señales EEG a fin de ser usadas en aplicaciones de BCI.
En [12] se propone una metodología que involucra el uso de (DWT) para realizar la caracterización de las señales EEG, la mayoría de las características se extrajeron usando densidad espectral de potencia (PSD) y luego fueron introducidas dentro de algoritmos de aprendizaje automático. El resultado fue más que satisfactorio en cuanto al acierto en tareas motoras imaginarias de una dimensión (derecha/izquierda) para una aplicación BCI que permite la selección de diferentes objetos en un monitor de computador.
Trabajos de modelos híbridos permiten el uso de señales EEG como control remoto de distintas tareas computacionales, usando la transformada wavelet discreta (DWT) y el aprendizaje automático (machine learning) como método de extracción y selección de características de las señales EEG asociadas a movimientos imaginarios y reales de las muñecas y los pies respectivamente, obteniendo aciertos del 81.5% con tareas imaginarias y 88.93% con tareas ejecutadas. Se deduce que aún se necesita realizar más investigación para obtener resultados con aciertos del 100%.
En trabajos actuales el grupo de investigación de Ingeniería Biomédica de la Universidad de Valladolid propone el uso de sistemas BCI como herramienta de entrenamiento cognitivo a fin de reducir los efectos del envejecimiento, paralelamente desarrollan un sistema que permita el control de dispositivos demóticos y electrónicos. Para ello se estudiarán métodos de análisis espectral basados en la transformada de Fourier, en wavelets o en modelos autorregresivos; técnicas de filtrado espacial como el método de patrones espaciales comunes (Common Spatial Patterns, CSP) y métodos no lineales. Para llevar a cabo la selección y clasificación de características estudiarán métodos evolutivos y de reconocimiento de patrones, como algoritmos genéticos, clasificador discriminante lineal, clasificador Bayesiano, redes neuronales [13].
En el Ecuador, los estudios en esta área se enfocan su mayoría a nivel universitario, entre ellos: detección de posición de señales EEG interfaces cerebro – computador (Universidad de las Fuerzas Armadas ESPE) [15], silla de ruedas eléctrica con retroalimentación visual (Universidad Politécnica Salesiana Cuenca-Ecuador) [16] e investigaciones similares (Universidad Tecnológica Equinoccial) [17], prótesis de brazo (Universidad Técnica de Ambato) [18], Interfaz de comunicación (Universidad Católica Santiago de Guayaquil) [19], Detección y Reconocimiento de guiños utilizando redes neuronales(Universidad San Francisco de Quito) [20], monitoreo del sueño en un conductor [21] (Universidad del Azuay).
Por otra parte, para el mercado se ofertan las soluciones domóticas y electrónicas con una mayor facilidad de adquisición: Automatización de iluminación, control de calefacción, aire acondicionado, electrodomésticos, energía eléctrica, televisión, proyectores, entre otros [22] [23]. Ir a Inicio
Desarrollar una metodología multipropósito para el diseño de interfaces de comunicación cerebro-computador basada en la interpretación semántica señales electroencefalográficas.
Establecer el conjunto de características de señales EEG empleando técnicas de caracterización espectral y morfológica que representen adecuadamente el comportamiento eléctrico del cerebro.
Determinar un subconjunto de características adecuado para aplicaciones de BCI usando técnicas de selección de características y reducción de dimensión.
Implementar un sistema de clasificación para reconocer señales EEG asociadas con intenciones para aplicaciones BCI usando técnicas de reconocimiento de patrones.
Desarrollar un prototipo de adquisición de señales EEG acoplado con una interfaz que permita representar gráficamente el proceso y desempeño del reconocimiento de intenciones.
Diseñar un protocolo de uso de un sistema de BCI considerando principios de psicología, neurociencias, situación sociodemográfica, situación emocional y capacidad cognitiva.
Los alcances metodológicos y teóricos esperados de este trabajo se listan a continuación:
Modelo selección de características: consiste en un estudio de diferentes técnicas de caracterización y técnicas de selección con el propósito de encontrar un subconjunto de características que sirva como base para aplicar una metodología de clasificación.
Sistema de comparación de métodos de clasificación de patrones de intenciones en EEG: Metodología de comparación de diferentes técnicas de reconocimiento de patrones que permita identificar las técnicas más adecuadas para identificar intenciones en términos de efectividad y coste computacional.
Desarrollo de un prototipo de adquisición de señales EEG basado en hardware y software libre con electrodos flexibles.
Desarrollo de una interfaz de visualización de señales EEG que se acople fácilmente a un prototipo de adquisición.
Diseño del protocolo de uso del prototipo de BCI considerando principios de psicología, neurociencias, situación sociodemográfica, situación emocional y capacidad cognitiva.
Investigadores participantes del proyecto.
Usuarios finales de los sistemas y prototipos desarrollados.
Comunidad académica en el área.
Comunidad universitaria en general.
Los alcances metodológicos y teóricos esperados de este trabajo se listan a continuación:
Este proyecto permitirá a los investigadores participantes reforzar y desarrollar habilidades para la investigación básica en aspectos tales como: Formulación matemática, gestión de la información, programación optimizada, dominio del reduccionismo científico hasta la neurona y escritura científica en inglés. Otros beneficiarios directos del proyecto son los usuarios finales de los sistemas de análisis de EEG quienes podrán comunicarse con dispositivos inteligentes de forma inalámbrica para diversos propósitos.
A nivel científico, se beneficia a la comunidad académica en el área y a la comunidad universitaria en general con informes técnicos y con la generación de nuevo conocimiento evidenciada en artículos de investigación de impacto.
El proyecto no tiene como objetivo generar algún beneficio al medio ambiente, ni causa, de forma directa o indirecta, ningún efecto negativo al mismo. Ir a Inicio
[1] Gutiérrez-Martínez, J., Cantillo-Negrete, J., Cariño-Escobar, R. I., & Elías-Viñas, D. (2013). Los sistemas de interfaz cerebro-computadora: una herramienta para apoyar la rehabilitación
de pacientes con discapacidad motora. Investigación en Discapacidad, 2(2), 62-69.
[2] Ramos-Argüelles, F., Morales, G., Egozcue, S., Pabón, R. M., & Alonso, M. T. (2009). Técnicas básicas de electroencefalografía: principios y aplicaciones clínicas. In Anales del
Sistema Sanitario de Navarra (Vol. 32, pp. 69-82). Gobierno de Navarra. Departamento de Salud.
[3] Santana, D., Ramírez, M., & Ostrosky-Solís, F. (2004). Novedades en tecnología de la rehabilitación: una revisión acerca de la interfaz cerebro-computadora. Revista de neurología,
39(5), 447-450.
[4] Saintlukeshealthsystem.org. (2016). Electroencephalogram (EEG). [online] Available at: http://www.saintlukeshealthsystem.org/health-library/electroencephalogram-eeg [Accessed 26
Jul. 2016].
[5] Angevin, R. R., Estrella, A. D., & Lecuona, A. R. Problemática de las Interfaces Cerebro-Computador.
[6] Birbaumer, N., & Cohen, L. G. (2007). Brain–computer interfaces: communication and restoration of movement in paralysis. The Journal of physiology, 579(3), 621-636.
[7] Peng, H., Hu, B., Shi, Q., Ratcliffe, M., Zhao, Q., Qi, Y., & Gao, G. (2013). Removal of ocular artifacts in EEG—An improved approach combining DWT and ANC for portable
applications. IEEE journal of biomedical and health informatics, 17(3), 600-607.
[8] Assi, E. B., Rihana, S., & Sawan, M. (2014, August). Kmeans-ICA based automatic method for ocular artifacts removal in a motorimagery classification. In 2014 36th Annual
International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 6655-6658). IEEE.
[9] Ibrahim, I. A., Santhosh, J., & Moghavvemi, M. (2015, October). A new approach for an effective eye movement artifact elimination from EEG signal. In 2015 IEEE International
Conference on Signal and Image Processing Applications (ICSIPA) (pp. 557-562). IEEE.
[10] Jafarifarmand, A., & Badamchizadeh, M. A. (2013). Artifacts removal in EEG signal using a new neural network enhanced adaptive filter. Neurocomputing,103, 222-231.
[11] Jadhav, P. N., Shanamugan, D., Chourasia, A., Ghole, A. R., Acharyya, A. A., & Naik, G. (2014, August). Automated detection and correction of eye blink and muscular artefacts in
EEG signal for analysis of Autism Spectrum Disorder. In2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 1881-1884). IEEE.
[12] Zodape, N. BRAIN COMPUTER INTERFACE FOR HANDS-FREE COMPUTER ACCESSIBILITY. International Journal of Engineering Sciences & Research Technology, 1(4), 556-561.
[13] Hornero, R., Corralejo, R., & Álvarez, D. (2012). Brain-Computer Interface (BCI) aplicado al entrenamiento cognitivo y control domótico para prevenir los efectos del envejecimiento.
Fundación General CSIC LYCHNOS [en línea], (8).
[14] Gobierno Nacional del Ecuador, Secretaría Nacional de Planificación y Desarrollo, SENPLADES, PlanNacional del Buen Vivir 2013 – 2017 http://www.buenvivir.gob.ec/
[15] P. Jurado y J. Vinicio, «Implementación de una interface cerebro - computador para la detección de posición con la ayuda de las señales eeg», mar. 2014.
[16] P. Eduardo, G. Daniel, y F. López, «Electroencephalographic Signals Acquisition for the Movement of a Wheelchair Prototype in a BCI System», en 2015 Asia-Pacific Conference on
Computer Aided System Engineering, 2015, pp. 41-45.
[17] M. Andrango y E. Santiago, «Prototipo de silla de ruedas controlada mediante señales eléctricas producidas por el cerebro (electroencefalograma)», 2015.
[18] V. Herrera y E. Rodrigo, «Prototipo de prótesis de un brazo con 12 GDL controlada mediante ondas cerebrales», ene. 2017.
[19] Y. Hernández y Á. David, «Desarrollo e implementación de una interfaz de comunicación que permita la interacción entre un usuario y las señales emitidas por sus ondas cerebrales
usando un dispositivo de EEG de neurosky para controlar periféricos electrónicos.», may 2014.
[20] S. Guerrero, A. Santiago, T. Andrade, y S. Israel, «Detección y reconocimiento de guiños basado en análisis EEG utilizando redes neuronales», jul. 2015.
[21] D. M. Tinoco Pereira y J. D. Veintimilla Toro, «Desarrollo de un sistema inalámbrico basado en electroencefalograma (EEG) para el monitoreo del sueño en un conductor», 2016.
[22] SODEL, «La Empresa | Domotica Ecuador - SODEL, Soluciones Domoticas y Electrónicas». [En línea]. Disponible en: http://www.domoticaecuador.com/la-empresa. [Accedido: 25-jul-
2017].
[23] «Smart Home - Casas Inteligentes - Smarthome». [En línea]. Disponible en: http://www.smarthome.ec/. [Accedido: 25-jul-2017]. Ir a Inicio