Publicado 2020-03-24
Palabras clave
- señal EEG,
- entropía,
- potencial evocado,
- análisis multi-resolución,
- inteligencia artificial
Cómo citar
Derechos de autor 2020 Revista UIS Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Resumen
Este artículo presenta el diseño y desarrollo de un prototipo portátil para la adquisición, procesamiento y clasificación de señales EEG con el objetivo de caracterizar estímulos visuales y auditivos, se trabajó con dos pacientes diferentes para la validación de los resultados, se realizó el registro de las señales durante 4 segundos a una frecuencia de 500Hz. Los pacientes fueron expuestos a estímulos visuales y auditivos en diferentes casos, cuya frecuencia de aparición permanecía constante. Para el registro de las señales se diseñó un sistema de adquisición de 4 canales configurables entre sí para trabajar con derivación unipolar o bipolar según requiera el experimento. La selección de la mejor base en el análisis multi-resolución de wavelet se tuvieron en cuenta dos parámetros importantes, la medida de la entropía y los porcentajes de clasificación de dichos niveles, debido a que los potenciales evocados son generalmente constantes en su morfología, se hizo promediación coherente dando como resultado la ubicación espacio-tiempo donde aparece dicho potencial evocado, una vez se obtuvo las características de la señal tratada se procedió a clasificarlas mediante dos métodos diferentes de inteligencia artificial, redes neuronales y máquinas de soporte vectorial, en esta etapa se tomó en cuenta la medida de la desviación estándar de los datos, para garantizar que la máquina de aprendizaje se entrene de manera correcta. Los resultados obtenidos demuestran de manera fidedigna el comportamiento general de los potenciales evocados como resultado a los estímulos presentados, además de que se pudo comprobar la variación de las ondas alfa del paciente según su estado de relajación o alerta en cada caso, es recomendable realizar un sistema de filtrado mucho más robusto para aumentar la relación señal a ruido de la señal EEG, facilitar su análisis y mejorar los resultados.
Descargas
Referencias
[2] J. F. D. Saa, J. R. Escorcia Gutiérrez, J. D. M. Rocha, “Diseño y Construcción de un Electroencefalógrafo de 32 Canales,” Partnering to Success Eng. Educ. Res. Dev., p. 8, 2008.
[3] L. H. Francisco, E. L. Johan, H. M. A. Leobardo, Z. I. Carlos, S. C. Susana, “Distribución de la densidad de corriente e impedancia de materiales alternativos en microelectrodos mediante el análisis de elemento finito,” en IFMBE Proceedings, 2013, vol. 33 IFMBE, pp. 975–978, doi: 10.1007/978-3-642-21198-0_248
[4] G. Borja, T. Ortega, A. Romero, “Design and Implementation of an equipment for the acquisition and visualization in pc of electroencephalographs,” Prospectiva, vol. 8, nº 1, pp. 21-28, 2010.
[5] R. Barea Navarro, “Instrumentación Biomédica,” tesis doctoral, Universidad de Alcalá, Madrid, España.
[6] A. Larrazábal, R. Acevedo, L. Rufiner, “Mejoramiento de la relación señal a ruido en potenciales evocados mediante métodos de regulación,” Revista Argentina de Bioingeniería, vol. 18, no. 1, pp. 9-14, 2012.
[7] A. E. Donoso, “Reducción de artefactos oculares en señales EEG: fieltrado adaptativo como alternativa a la regresión lineal,” [En línea]. Disponible en: https://hal.archives-ouvertes.fr/hal-00419918
[8] L. Alvares Escobar, “Análisis de Esquema de Filtrado para señales Electrocardiográfica (ECG),” proyecto de grado, Universidad Tecnológica de Pereira, Risaralda, 2007.
[9] B. A. Medina, R. Álvarez López, “Caracterización de Señales EEG mediante Wavelet Packet y Entropía Difusa para tareas de imaginación motora,” Ingeniería, vol. 22, no. 2, p. 226, May 2017, doi: 10.14483/udistrital.jour.reving.2017.2.a04
[10] K. J. Acuña Condori, “Procesamiento de señales electroencefalográficas en un sistema embebido para una interfaz cerebro máquina,” tesis posgrado, Pontificia Universidad Católica de Perú, 2017.
[11] J. Torre Abauita, “Procesado de señales EEG para una interfaz cerebro maquina (BCI),” tesis pregrado, Universidad Carlos III de Madrid, España, 2012.
[12] J. A. Cuartas, P. A. Madrigal, R. A. Torres, “Interfaz cerebro computador controlada por sincronización y desincronización relacionada a eventos en sujetos no entrenados,” in IFMBE Proceedings, 2013, vol. 33 IFMBE, pp. 611–614, doi: 10.1007/978-3-642-21198-0_156
[13] J. D. Asimbaya Molina, J. A. Suasnavas Tipan, “Diseño e implementación de un prototipo Brain Computer Interface(BCI), para la manipulación de una pinza robótica utilizando comunicación Bluetooth,” trabajo de grado, Universidad Politécnica Salesiana, Quito, Ecuador, 2014.
[14] S. Mourente Diaz, “Potenciales evocados auditivos de latencia media en el trastorno por déficit de atención e hiperactividad tipología y pronóstico de la respuesta al tratamiento,” tesis de doctorado, Universidad de Santiago de Compostela, España, 2008.
[15] L. Lorenzo López, “Psicología de atención visual y envejecimiento estudio mediante potenciales evocados,” Santiago de Compostela, España, 2007.
[16] L. Muñoz Peña, J. Corral, “Potenciales Evocados Cerebrales en el Contexto de la Investigación Psicología: una Actualización,” Anuario de Psicología, vol. 35, nº 1, pp. 3–21, 2004.
[17] A. Moran García, “Diseño de Interfaces Cerebro-Máquina Controlados Mediante Registros de EEG,” tesis pregrado, Universidad Autónoma de Madrid, España, 2015.
[18] L. F. Nicolas-Alonso, J. Gomez-Gil, “The National Center for Biotechnology Information,” 2012. [En línea]. Disponible: http://wwww.ncbi.nlm.nih.gov/pmc/articles/PCM33044110/
[19] R. Acevedo, “Técnicas para Detección y Estimación Eficiente de Potenciales Evocados,” CDyTS, vol. 8, no. 8, 2018.
[20] N. Debasish, M. J. Singh, S. Sahoo, J. Hazarika, “Wavelet Based De-noising of EEG Signal Acquired from Tele-serial Addicted Persons,” en 3rd International Conference on Recent Developments in Control, Automation & Power Engineering (RDCAPE) de 2019, pp. 265-269, doi: 10.1109/rdcape47089.2019.8979060