Caracterización de señales de EEG relacionadas a potenciales evocados visuales en estado estacionario

Contenido principal del artículo

Autores

Cristian Felipe Blanco-Díaz https://orcid.org/0000-0002-8083-7454
Andrés Felipe Ruiz-Olaya

Resumen

Uno de los paradigmas más utilizados en la literatura para la implementación de un sistema EEG BCI son los potenciales evocados visuales en estado estacionario, estos normalmente surgen en la corteza occipital del cerebro. Para poder visualizar, extraer y clasificar estos, se requieren una serie de etapas. La metodología del estudio se dividió en las fases iniciales en el diseño de un sistema BCI: adquisición, preprocesamiento, extracción y clasificación. En este estudio, se realizó una caracterización de estos potenciales desde la adquisición utilizando el equipo g. Nautilus con el estándar 10-20 de la Universidad Antonio Nariño hasta la clasificación de los datos utilizando los métodos matemáticos CCA y SED en diferentes ventanas de tiempo. Así pues, puesto que en la implementación de un sistema BCI en tiempo real se espera que el tiempo de clasificación sea lo más corto posible para la ejecución rápida de un comando, este tipo de estudios permiten identificar cuáles métodos son los más válidos en la clasificación de estos datos, así como algunas variables a tener en cuenta. Los resultados permiten identificar, entonces, una mejor efectividad en la clasificación de datos con CCA que con SED, además del comportamiento del sistema según las ventanas de tiempo.

Palabras clave:

Detalles del artículo

Referencias

OMS (Organización Mundial de la Salud). (2011). Resumen Informe mundial sobre la discapacidad. Ediciones de la OMS. Recuperado de https://www.who.int/disabilities/world_report/2011/summary_es.pdf

Becedas, J. (2012). Brain machine interfaces: basic and advances. IEEE Transactions on Systems, Man and Cybernetics, 42(6), 825-836. DOI: https://doi.org/10.1109/TSMCC.2012.2203301

Boelts, J.; Cerquera, A.; Ruiz, A. (2015). Decoding of imaginary motor movements of fists applying spacial filtering in a BCI simulated. En J. Ferrández Vicente; F. Álvarez-Sánchez de la Paz López; H. Toledo-Moreo (eds.), Artificial Computation in Biology and Medicine. Cham: Springer. DOI: https://doi.org/10.1007/978-3-319-18914-7_16

g.tec medical engineering GmbH (2017). Instruction for use V1.16.06 g.Nautilus PRO. Recuperado de http://nbtltd.com/wp-content/uploads/2018/05/gnautilus_pro_instructionforuse_fda.pdf

Inkaew, N.; Charoenkitkamjorn, N.; Yangpaiboon, C.; Phothisonothai, M.; Nuthong, C. (2015). Frequency component analysis of eeg recording on various visual tasks: steady-state visual evoked potential experiment. En 7th International Conference on Knowledge and Smart Technology (KST) (pp. 180-183). Faculty of Informatics, Burapha University, Chon buri, Tailandia. DOI: https://doi.org/10.1109/KST.2015.7051483

Lee, M.-H.; Kwon, O-Y.; Kim, Y.-K.; Kim, H. K.; Lee, Y.-E.; Williamson, J.; Fazli, S.; Lee, S.-W. (2019). EEG dataset and openBMI toolbox for three BCI paradigms. GigaScience, 8(5), 1-16. DOI: https://doi.org/10.1093/gigascience/giz002

Wei, Q.; Xiao, M.; Lu, Z. (2011). Comparative study of canonical correlation analysis and power spectral density analysis for SSVEP detection. En Third International Conference on Intelligent Human-Machine Systems and Cybernetics (pp. 7-10). DOI: https://doi.org/10.1109/IHMSC.2011.72

Liu, C.; Xie, S.; Xie, X.; Duan, X.; Wang, W.; Obermayer, K. (2018). Design of a video feedback SSVEPBCI system for a car control based on improved MUSIC method. En 6th International conference on Brain Computer Interface (BCI) (pp. 1-4). DOI: https://doi.org/10.1109/IWWBCI.2018.8311499

Descargas

La descarga de datos todavía no está disponible.