Herramienta para la generación de texto basada en una interfaz cerebro-computador

En este trabajo se presenta el desarrollo de una herramienta que permite a las personas comunicarse, haciendo uso únicamente de sus parpadeos voluntarios. Esta herramienta brinda un medio de comunicación principalmente a las personas que tienen alguna discapacidad motora para comunicarse de forma verbal o escrita. Para resolver el problema de la detección de los parpadeos voluntarios, en el presente trabajo se tomó como referencia el electroencefalograma (EEG), que en este caso fue registrado por el dispositivo Mindwave Mobile 2 de la empresa Neurosky, el cual cuenta con un canal de medición de EEG, que se ubica en la frente de la persona. Para el procesamiento digital del electroencefalograma (EEG) capturado por el dispositivo mencionado, se implementó una red neuronal artificial recurrente (RNN) del tipo Long-Short Term Memory (LSTM), ya que este tipo de redes son efectivas para el tratamiento de series de tiempo, como por ejemplo las señales electroencefalográficas (EEG). La red neuronal implementada en este trabajo clasifica la señal EEG en una de cinco clases posibles que son, sin parpadeos, un parpadeo, dos parpadeos, tres parpadeos, o acción diferente. El modelo implementado entregó como resultado en su entrenamiento un porcentaje de exactitud promedio de 92%. Finalmente, la red neuronal artificial se embebió en una aplicación móvil nativa de Android que se conecta vía bluetooth al dispositivo Mindwave Mobile 2, y que presenta un teclado virtual conformado por las 27 letras del abecedario de la lengua española, más los comandos “borrar”, “espacio”, y “enter”. Cada carácter del teclado puede ser seleccionado por el usuario únicamente mediante una serie determinada de parpadeos voluntarios. Cuando el usuario escribe una palabra y selecciona el comando “enter”, la palabra es presentada de forma audiovisual por la aplicación. La aplicación móvil fue desarrollada en los lenguajes Java y XML en el entorno integrado de desarrollo (IDE) Android Studio. Para verificar su funcionamiento, se realizó un experimento con ocho personas, que entregó como resultado una efectividad en la selección correcta de letras del 91,26% en promedio. Por otra parte, el modelo de la red neuronal fue diseñado e implementado con el lenguaje Python, mediante el uso de las librerías TensorFlow y Keras (librerías para aprendizaje de máquina), y su entrenamiento se llevó a cabo en el entorno de desarrollo Google Colab.

• Autores: Reyes Fernandez, Andres Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/29868
• Acceso en línea: http://hdl.handle.net/11634/29868
• Palabra clave: Electroencephalogram; Brain-computer interfaces; Artificial neural networks; Long-Short Term Memory; Nervous system diseases -- Amyotrophic lateral sclerosis; Communication systems -- People -- Amyotrophic lateral sclerosis; Redes neuronales artificiales; Enfermedades del sistema nervioso -- Esclerosis lateral amiotrófica; Sistemas de comunicación -- Personas -- Esclerosis lateral amiotrófica; Electroencefalograma; Interfaces cerebro-computador; Redes neuronales artificiales; Long-Short Term Memory; Esclerosis lateral amiotrófica (ELA)
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia