Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos

The analysis of motor imagination and execution (MI-ME) is one of the main research challenges in the field of brain-computer interfaces (BCI) based on electroencephalography (EEG). EEG signals play an important role in the learning, rehabilitation, and assistance of complex motor skills. However, t...

Full description

Autores:: Moreno Arévalo, Brayan Sneider

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Universidad Antonio Nariño

Repositorio:: Repositorio UAN

Idioma:: spa

id	UAntonioN2_c764f6cf2b548cea23fd51e9971e620a
oai_identifier_str	oai:repositorio.uan.edu.co:123456789/6579
network_acronym_str	UAntonioN2
network_name_str	Repositorio UAN
repository_id_str
dc.title.es_ES.fl_str_mv	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
title	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
spellingShingle	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos Imaginación motora Ejecución motora Interfaces cerebro-computadora Electroencefalografía Rehabilitación Habilidades motoras-complejas Ponerse de pie y sentarse 620 Motor Imagination Motor Execution Brain-Computer Interfaces Electroencephalography Rehabilitation Complex Motor Skills Sit to Stand
title_short	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
title_full	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
title_fullStr	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
title_full_unstemmed	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
title_sort	Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos
dc.creator.fl_str_mv	Moreno Arévalo, Brayan Sneider
dc.contributor.advisor.spa.fl_str_mv	Jutnico Alarcon, Andrés Leonardo
dc.contributor.author.spa.fl_str_mv	Moreno Arévalo, Brayan Sneider
dc.subject.es_ES.fl_str_mv	Imaginación motora Ejecución motora Interfaces cerebro-computadora Electroencefalografía Rehabilitación Habilidades motoras-complejas Ponerse de pie y sentarse
topic	Imaginación motora Ejecución motora Interfaces cerebro-computadora Electroencefalografía Rehabilitación Habilidades motoras-complejas Ponerse de pie y sentarse 620 Motor Imagination Motor Execution Brain-Computer Interfaces Electroencephalography Rehabilitation Complex Motor Skills Sit to Stand
dc.subject.ddc.es_ES.fl_str_mv	620
dc.subject.keyword.es_ES.fl_str_mv	Motor Imagination Motor Execution Brain-Computer Interfaces Electroencephalography Rehabilitation Complex Motor Skills Sit to Stand
description	The analysis of motor imagination and execution (MI-ME) is one of the main research challenges in the field of brain-computer interfaces (BCI) based on electroencephalography (EEG). EEG signals play an important role in the learning, rehabilitation, and assistance of complex motor skills. However, this type of signal presents a highly non-stationary nature and noise. Electroencephalography signals proper of sensory-motor activity, corresponding to execution defects and motor imagination, were analyzed. The present research aims to determine the differences that exist between motor imagination and motor execution from a proof of concept, in the movements of sitting and standing. A comparative study was carried out between a method based on desynchronization / synchronization (ERDs) and a new method based on autoregressive moving average models with exogenous input (ARMAX). In this research, the normalized root mean square error (NRMSE), the mean square error (RMSE) and the mean absolute error (MAE) are used as evaluation metrics, in addition to the classification percentages. The results found show that it is possible to estimate and classify the movements of standing and sitting for the tasks of execution and motor imagination from channels C3, Cz and C4 with a high % of precision. It is expected, in the long term, to contribute to improve the quality of life of people with motor functional diversity.
publishDate	2021
dc.date.issued.spa.fl_str_mv	2021-11-25
dc.date.accessioned.none.fl_str_mv	2022-05-19T19:34:45Z
dc.date.available.none.fl_str_mv	2022-05-19T19:34:45Z
dc.type.spa.fl_str_mv	Trabajo de grado (Pregrado y/o Especialización)
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion.none.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://repositorio.uan.edu.co/handle/123456789/6579
dc.identifier.bibliographicCitation.spa.fl_str_mv	Javier de la Torre Abaitua. Procesado de se˜nales eeg para un interfaz cerebro-m´aquina (bci). Master’s thesis, 2012. Leonardo Jos´e G´omez Figueroa. An´alisis de se˜nales EEG para detecci´on de eventos oculares, musculares y cognitivos. PhD thesis, Industriales, 2016. Mikel P´erez Frutos. Adquisici´on y tratamiento de se˜nales eeg: caso de aplicaci´on en java. 2019. MATLAB. 9.9.0.1718557 (R2020b). The MathWorks Inc., Natick, Massachusetts, 2020. Dong Liu, Weihai Chen, Kyuhwa Lee, Ricardo Chavarriaga, Fumiaki Iwane, Mohamed Bouri, Zhongcai Pei, and Jos´e del R Mill´an. Eeg-based lower-limb movement onset decoding: Continuous classification and asynchronous detection. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(8):1626–1635, 2018. Suman Dutta, Mandeep Singh, and Amod Kumar. Automated classification of nonmotor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain. Biomedical Signal Processing and Control, 43:174–182, 2018. Andrea Noelia Berm´udez Cicchino. T´ecnicas de procesamiento de EEG para detecci´on de eventos. PhD thesis, Universidad Nacional de La Plata, 2013 Teng Ma, Hui Li, Lili Deng, Hao Yang, Xulin Lv, Peiyang Li, Fali Li, Rui Zhang, Tiejun Liu, Dezhong Yao, et al. The hybrid bci system for movement control by combining motor imagery and moving onset visual evoked potential. Journal of neural engineering, 14(2):026015, 2017. Laxmi Shaw, G Chanakya Vamsi, and Aurobinda Routray. Study of Kalman filter based noise estimation in artifactual EEG and their quantification. pages 1–5, 2017. H. Shahabi, S. Moghimi, and H. Zamiri-Jafarian. EEG eye blink artifact removal by EOG modeling and Kalman filter. In 2012 5th International Conference on BioMedical Engineering and Informatics, pages 496–500, 2012.
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Antonio Nariño
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UAN
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repositorio.uan.edu.co/
url	http://repositorio.uan.edu.co/handle/123456789/6579
identifier_str_mv	Javier de la Torre Abaitua. Procesado de se˜nales eeg para un interfaz cerebro-m´aquina (bci). Master’s thesis, 2012. Leonardo Jos´e G´omez Figueroa. An´alisis de se˜nales EEG para detecci´on de eventos oculares, musculares y cognitivos. PhD thesis, Industriales, 2016. Mikel P´erez Frutos. Adquisici´on y tratamiento de se˜nales eeg: caso de aplicaci´on en java. 2019. MATLAB. 9.9.0.1718557 (R2020b). The MathWorks Inc., Natick, Massachusetts, 2020. Dong Liu, Weihai Chen, Kyuhwa Lee, Ricardo Chavarriaga, Fumiaki Iwane, Mohamed Bouri, Zhongcai Pei, and Jos´e del R Mill´an. Eeg-based lower-limb movement onset decoding: Continuous classification and asynchronous detection. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(8):1626–1635, 2018. Suman Dutta, Mandeep Singh, and Amod Kumar. Automated classification of nonmotor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain. Biomedical Signal Processing and Control, 43:174–182, 2018. Andrea Noelia Berm´udez Cicchino. T´ecnicas de procesamiento de EEG para detecci´on de eventos. PhD thesis, Universidad Nacional de La Plata, 2013 Teng Ma, Hui Li, Lili Deng, Hao Yang, Xulin Lv, Peiyang Li, Fali Li, Rui Zhang, Tiejun Liu, Dezhong Yao, et al. The hybrid bci system for movement control by combining motor imagery and moving onset visual evoked potential. Journal of neural engineering, 14(2):026015, 2017. Laxmi Shaw, G Chanakya Vamsi, and Aurobinda Routray. Study of Kalman filter based noise estimation in artifactual EEG and their quantification. pages 1–5, 2017. H. Shahabi, S. Moghimi, and H. Zamiri-Jafarian. EEG eye blink artifact removal by EOG modeling and Kalman filter. In 2012 5th International Conference on BioMedical Engineering and Informatics, pages 496–500, 2012. instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	Acceso abierto
dc.rights.license.spa.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) Acceso abierto https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.publisher.spa.fl_str_mv	Universidad Antonio Nariño
dc.publisher.program.spa.fl_str_mv	Ingeniería Biomédica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería Mecánica, Electrónica y Biomédica
dc.publisher.campus.spa.fl_str_mv	Bogotá - Sur
institution	Universidad Antonio Nariño
bitstream.url.fl_str_mv	https://repositorio.uan.edu.co/bitstreams/f9bc012a-05e2-43ce-9eae-6c36b47f611d/download https://repositorio.uan.edu.co/bitstreams/037a646e-7421-4926-900e-50e8d99a0c3e/download https://repositorio.uan.edu.co/bitstreams/dba6af9f-f369-4a8c-98a9-77b2a5f3731f/download https://repositorio.uan.edu.co/bitstreams/419923c8-e0ed-485a-8a08-15ca2ff0deb5/download
bitstream.checksum.fl_str_mv	794f0fd5ba529060f5efbad5840898ff 64cd02eda4b7e2cc2c08f1c49aed824a da6303586c935fac6f90a609025df1df 9868ccc48a14c8d591352b6eaf7f6239
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional UAN
repository.mail.fl_str_mv	alertas.repositorio@uan.edu.co
_version_	1814300449251000320
spelling	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Acceso abiertohttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Jutnico Alarcon, Andrés LeonardoMoreno Arévalo, Brayan Sneider105617154952022-05-19T19:34:45Z2022-05-19T19:34:45Z2021-11-25http://repositorio.uan.edu.co/handle/123456789/6579Javier de la Torre Abaitua. Procesado de se˜nales eeg para un interfaz cerebro-m´aquina (bci). Master’s thesis, 2012.Leonardo Jos´e G´omez Figueroa. An´alisis de se˜nales EEG para detecci´on de eventos oculares, musculares y cognitivos. PhD thesis, Industriales, 2016.Mikel P´erez Frutos. Adquisici´on y tratamiento de se˜nales eeg: caso de aplicaci´on en java. 2019.MATLAB. 9.9.0.1718557 (R2020b). The MathWorks Inc., Natick, Massachusetts, 2020.Dong Liu, Weihai Chen, Kyuhwa Lee, Ricardo Chavarriaga, Fumiaki Iwane, Mohamed Bouri, Zhongcai Pei, and Jos´e del R Mill´an. Eeg-based lower-limb movement onset decoding: Continuous classification and asynchronous detection. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(8):1626–1635, 2018.Suman Dutta, Mandeep Singh, and Amod Kumar. Automated classification of nonmotor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain. Biomedical Signal Processing and Control, 43:174–182, 2018.Andrea Noelia Berm´udez Cicchino. T´ecnicas de procesamiento de EEG para detecci´on de eventos. PhD thesis, Universidad Nacional de La Plata, 2013Teng Ma, Hui Li, Lili Deng, Hao Yang, Xulin Lv, Peiyang Li, Fali Li, Rui Zhang, Tiejun Liu, Dezhong Yao, et al. The hybrid bci system for movement control by combining motor imagery and moving onset visual evoked potential. Journal of neural engineering, 14(2):026015, 2017.Laxmi Shaw, G Chanakya Vamsi, and Aurobinda Routray. Study of Kalman filter based noise estimation in artifactual EEG and their quantification. pages 1–5, 2017.H. Shahabi, S. Moghimi, and H. Zamiri-Jafarian. EEG eye blink artifact removal by EOG modeling and Kalman filter. In 2012 5th International Conference on BioMedical Engineering and Informatics, pages 496–500, 2012.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/The analysis of motor imagination and execution (MI-ME) is one of the main research challenges in the field of brain-computer interfaces (BCI) based on electroencephalography (EEG). EEG signals play an important role in the learning, rehabilitation, and assistance of complex motor skills. However, this type of signal presents a highly non-stationary nature and noise. Electroencephalography signals proper of sensory-motor activity, corresponding to execution defects and motor imagination, were analyzed. The present research aims to determine the differences that exist between motor imagination and motor execution from a proof of concept, in the movements of sitting and standing. A comparative study was carried out between a method based on desynchronization / synchronization (ERDs) and a new method based on autoregressive moving average models with exogenous input (ARMAX). In this research, the normalized root mean square error (NRMSE), the mean square error (RMSE) and the mean absolute error (MAE) are used as evaluation metrics, in addition to the classification percentages. The results found show that it is possible to estimate and classify the movements of standing and sitting for the tasks of execution and motor imagination from channels C3, Cz and C4 with a high % of precision. It is expected, in the long term, to contribute to improve the quality of life of people with motor functional diversity.El análisis de la imaginación y ejecución motora (MI-ME) es uno de los principales desafíos investigativos en el campo de las interfaces cerebro-computadora (BCI) basados en electroencefalografía (EEG). Las señales EEG juegan un papel importante en el aprendizaje, la rehabilitación y la asistencia de habilidades motoras complejas. Sin embargo, este tipo de señales presenta una naturaleza altamente no estacionaria y con elementos de ruido desconocido. Se analizaron las señales de electroencefalografía propias a la actividad sensorio-motora, correspondientes a las taras de ejecución e imaginación motora. El presente trabajo tiene como objetivo determinar las diferencias que existen entre la imaginaci´on motora y la ejecución motora a partir de una prueba de concepto, en los movimientos de ponerse de pie y sentarse. Se realizo un estudio comparativo entre un método basado en la desincronización / sincronización (ERDs) y un nuevo método basado en los modelos autorregresivos de media m´ovilcon entrada ex´ogena (ARMAX). En esta investigación son usadas como métricas de evaluación la Raíz normalizada del error cuadrático medio (NRMSE), el Error Cuadrático Medio (RMSE) y el Error absoluto medio (MAE), ademas de los porcentajes de clasificación. Los resultados encontrados muestran que es posible estimar y clasificar los movimientos ponerse de pie y sentarse para las tareas de ejecución e imaginación motora a partir de los canales C3, Cz y C4 con un alto % de precisión. Se espera, a largo plazo aportar para mejorar la calidad de vida de personas con diversidad funcional motora.Ingeniero(a) Biomédico(a)PregradoPresencialProyectospaUniversidad Antonio NariñoIngeniería BiomédicaFacultad de Ingeniería Mecánica, Electrónica y BiomédicaBogotá - SurImaginación motoraEjecución motoraInterfaces cerebro-computadoraElectroencefalografíaRehabilitaciónHabilidades motoras-complejasPonerse de pie y sentarse620Motor ImaginationMotor ExecutionBrain-Computer InterfacesElectroencephalographyRehabilitationComplex Motor SkillsSit to StandDiferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivosTrabajo de grado (Pregrado y/o Especialización)http://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85EspecializadaORIGINAL2021_BrayanSneiderMoreno2021_BrayanSneiderMorenoTrabajo de gradoapplication/pdf5318763https://repositorio.uan.edu.co/bitstreams/f9bc012a-05e2-43ce-9eae-6c36b47f611d/download794f0fd5ba529060f5efbad5840898ffMD522021_BrayanSneiderMoreno_Acta2021_BrayanSneiderMoreno_ActaActa de sustentaciónapplication/pdf396400https://repositorio.uan.edu.co/bitstreams/037a646e-7421-4926-900e-50e8d99a0c3e/download64cd02eda4b7e2cc2c08f1c49aed824aMD512021_BrayanSneiderMoreno_Autorización2021_BrayanSneiderMoreno_AutorizaciónAutorización Autoresapplication/pdf1465692https://repositorio.uan.edu.co/bitstreams/dba6af9f-f369-4a8c-98a9-77b2a5f3731f/downloadda6303586c935fac6f90a609025df1dfMD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.uan.edu.co/bitstreams/419923c8-e0ed-485a-8a08-15ca2ff0deb5/download9868ccc48a14c8d591352b6eaf7f6239MD55123456789/6579oai:repositorio.uan.edu.co:123456789/65792024-10-09 23:30:03.568https://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoopen.accesshttps://repositorio.uan.edu.coRepositorio Institucional UANalertas.repositorio@uan.edu.co

Diferencias entre la imaginación y ejecución motora durante los movimientos ponerse de pie y sentarse a través de modelos autorregresivos

Publicaciones similares