Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3
La imaginación motora en interfaces cerebro computador juega un papel cada vez más importante en la rehabilitación de trastornos motores y en la aplicación de múltiples tecnologías. Sin embargo, es un campo de investigación que tiene una gran trayectoria por delante, debido a la gran cantidad de var...
- Autores:
-
Diaz Garcia, Edwin David
Vega Cáceres, Brayan Steven
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/21107
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/21107
- Palabra clave:
- Mechatronic
Motor imagery
MATLAB
Machine theory
Manipulators (Mechanisms)
Automation
Numerical analysis
Bibliographic databases
Mecatrónica
Teoría de las máquinas
Manipuladores (Mecanismos)
Automatización
Análisis numérico
Bases de datos bibliográficos
BCI
EEG
UR3
ROS
Enobio 8
Imaginación motora
- Rights
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_17f16fe0db156bd0d2b3973866d2d627 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/21107 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| dc.title.translated.spa.fl_str_mv |
Implementation of a brain computer interface for the displacement of the end effector of a UR3 collaborative robot |
| title |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| spellingShingle |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 Mechatronic Motor imagery MATLAB Machine theory Manipulators (Mechanisms) Automation Numerical analysis Bibliographic databases Mecatrónica Teoría de las máquinas Manipuladores (Mecanismos) Automatización Análisis numérico Bases de datos bibliográficos BCI EEG UR3 ROS Enobio 8 Imaginación motora |
| title_short |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| title_full |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| title_fullStr |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| title_full_unstemmed |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| title_sort |
Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3 |
| dc.creator.fl_str_mv |
Diaz Garcia, Edwin David Vega Cáceres, Brayan Steven |
| dc.contributor.advisor.none.fl_str_mv |
Chío Cho, Nayibe Barragán Gómez, Johann |
| dc.contributor.author.none.fl_str_mv |
Diaz Garcia, Edwin David Vega Cáceres, Brayan Steven |
| dc.contributor.cvlac.spa.fl_str_mv |
Chío Cho, Nayibe [0000375918] Barragán Gómez, Johann [0001496379] |
| dc.contributor.googlescholar.spa.fl_str_mv |
Chío Cho, Nayibe [es&oi=ao] Barragán Gómez, Johann [es&oi=ao] |
| dc.contributor.orcid.spa.fl_str_mv |
Diaz Garcia, Edwin David [0000-0003-3226-6260] Vega Cáceres, Brayan Steven [0000-0003-0225-6459] Chío Cho, Nayibe [0000-0002-9459-4350] Barragán Gómez, Johann [0000-0001-6114-6116] |
| dc.contributor.researchgate.none.fl_str_mv |
Chío Cho, Nayibe [Nayibe_Chio] |
| dc.contributor.apolounab.spa.fl_str_mv |
Chío Cho, Nayibe [nayibe-chío-cho] Barragán Gómez, Johann [johann-barragan] |
| dc.contributor.linkedin.none.fl_str_mv |
Chío Cho, Nayibe [Nayibe_Chio] |
| dc.subject.keywords.spa.fl_str_mv |
Mechatronic Motor imagery MATLAB Machine theory Manipulators (Mechanisms) Automation Numerical analysis Bibliographic databases |
| topic |
Mechatronic Motor imagery MATLAB Machine theory Manipulators (Mechanisms) Automation Numerical analysis Bibliographic databases Mecatrónica Teoría de las máquinas Manipuladores (Mecanismos) Automatización Análisis numérico Bases de datos bibliográficos BCI EEG UR3 ROS Enobio 8 Imaginación motora |
| dc.subject.lemb.spa.fl_str_mv |
Mecatrónica Teoría de las máquinas Manipuladores (Mecanismos) Automatización Análisis numérico Bases de datos bibliográficos |
| dc.subject.proposal.spa.fl_str_mv |
BCI EEG UR3 ROS Enobio 8 Imaginación motora |
| description |
La imaginación motora en interfaces cerebro computador juega un papel cada vez más importante en la rehabilitación de trastornos motores y en la aplicación de múltiples tecnologías. Sin embargo, es un campo de investigación que tiene una gran trayectoria por delante, debido a la gran cantidad de variables que pueden cambiar los resultados de un experimento y que las señales EEG varían de un sujeto a otro. Por ello, los estudiantes de la Universidad Autónoma de Bucaramanga implementaron una interfaz cerebro computador para controlar el efector final de un robot colaborativo UR3, con el fin de generar bases de conocimiento e incentivar la investigación de esta tecnología en la universidad. La interfaz utiliza un Enobio 8 y la imaginación motora para la adquisición de la señal, MATLAB para el preprocesamiento, procesamiento, traducción y envío de comandos, y ROS para permitir la comunicación entre el MATLAB y el UR3. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-08-09T14:45:56Z |
| dc.date.available.none.fl_str_mv |
2023-08-09T14:45:56Z |
| dc.date.issued.none.fl_str_mv |
2023-07-27 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/21107 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/21107 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
J. C. Cubillos Alzate y S. A. Perea Caro, “Boletines poblacionales, personas con discapacidad pcd1 oficina de promoción social”, diciembre de 2020. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/PS/boletines-poblacionales-personas-discapacidadI-2020.pdf (consultado el 5 de junio de 2022). A. M. Peña Alvarez, “Desarrollo de interfaz cerebro-máquina basada en el análisis de EEG y potenciales visuales evocados en estado estable para el control de un objeto”, instname:Universidad de los Andes, 2015, Consultado: el 7 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/17442 J. Henderson y International neuromodulation society, “Motor Impairment”, el 2 de abril de 2012. https://www.neuromodulation.com/motor-impairment#:~:text=Motor%20impairment%20is%20the%20partial,muscle%20control,%20or%20total%20paralysis (consultado el 9 de junio de 2022). Ü. Hayta , D. C. Irimia, C. Guger, İ. Erkutlu, y İ. H. Güzelbey, “Optimizing Motor Imagery Parameters for Robotic Arm Control by Brain Computer Interface”, Brain Sci , vol. 12, núm. 7, 2022, doi: 10.3390/ V. Nandikolla y D. A. Medina Portilla, “ Teleoperation Robot Control of a Hybrid EEG Based BCI Arm Manipulator Using ROS”, Journal of Robotics , vol. 2022, pp. 1 14, may 2022, doi: 10.1155/2022/5335523. S. P. Karunasena, D. C. Ariyarathna, R. Ranaweera, J. Wijayakulasooriya, K. Kim, y T. Dassa nayake, “Single Channel EEG SSVEP based BCI for Robot Arm Control”, en 2021 IEEE Sensors Applications Symposium (SAS) SAS), IEEE, ago. 2021, pp. 1 6. doi: 10.1109/SAS51076.2021.9530189. M. Vilela y L. R. Hochberg, “Applications of brain computer interfaces to the control of robotic and prosthetic arms”, 2020, pp. 87 99. doi: 10.1016/B978 0 444 63934 9.00008 1. S. Jalilpour y G. Müller Putz, “Toward passive BCI: asynchronous decoding of neural responses to direction and angle sp ecific perturbations during a simulated cockpit scenario”, Sci Rep , vol. 12, núm. 1, p. 6802, dic. 2022, doi: 10.1038/s41598 022 10906 5. A. P. Kurmis y J. R. Ianunzio, “Artificial intelligence in orthopedic surgery: evolution, current state and future directions”, Arthroplasty , vol. 4, núm. 1, 2022, doi: 10.1186/s42836 022 00112 z. D. S. Vadivelan, S. Prabhu, y M. Uma, “Analysis of bci system to operate robotic arm control for navigation to assist disable pepople (a review)”, 한국감성과학회 국제학술대회 ICES) vol. 2021, p. 75, nov. 2021, [En línea]. Disponible en: https://stanford.idm.oclc.org/login?url=https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edskis&AN=edskis.3947634 Q. Huang, Z. Zhang, T. Yu, S. He, y Y. Li, “An EEG EOG base d hybrid brain computer interface: application on controlling an integrated wheelchair robotic arm system”, Front Neurosci , vol. 13, 2020. S. Norman, “Brain Computer Interface Design for Robot Assisted Neurorehabilitation”, 2017. [En línea]. Disponibl e en: https://escholarship.org/uc/item/4v18v0d3. R. Mane, T. Chouhan, y C. Guan, “BCI for stroke rehabilitation: motor and beyond”, J Neural Eng , vol. 17, núm. 4, p. 041001, ago. 2020, doi: 10.1088/1741 2552/aba162. N. González y J. Francisco, “Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una interfaz cerebro-computadora (bci)”, Trabajo de grado, Universidad Nacional Autónoma de México, Mexico, 2013. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://ru.dgb.unam.mx/handle/DGB_UNAM/TES01000710076. S. Ibagué Martín, “Diseño de un prototipo de plataforma móvil a partir de eventos cerebrales generados en el lóbulo frontal”, 2020, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.usta.edu.co/handle/11634/31909#.YvzvV7iM-Tc.mendeley. L. C. Brito Medina y I. en Mecatrónica, “Control de movimiento de un móvil robótico mediante una interfaz cerebro-computador”, oct. 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/13580#.Yvzvrse7oww.mendeley. A. F. Escobar Ortiz, “Diseño de un clasificador de señales EEG provenientes de una interfaz BCI utilizando redes neuronales para controlar un robot hexápodo”, Trabajo de grado, Universidad Autónoma de Occidente, 2018. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/10614/10354. A. F. Reyes Fernandez, “Herramienta para la generación de texto basada en una interfaz cerebro-computador”, Universidad Santo Tomás , 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/11634/29868. C. González Rodríguez, J. S. Lasprilla Hincapié, I. en Mecatrónica, y I. en Mecatrónica, “Manipulation of robotic arm with EEG signal”, jun. 2017, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/16901#.YvzyComU7jg.mendeley. L. A. Fernández Motta y I. en Mecatrónica, “Sistema de control de trayectoria en manipulador de cinco grados de libertad utilizando sensor Emotiv”, ago. 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/12475#.YvzySrbNx2E.mendeley. C. A. Cáceres Flórez y I. en Mecatrónica, “Implementación de un sensor de electroencefalograma (EEG) en aplicaciones domóticas”, jul. 2013, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/11700#.Yvzyduwg3Cg.mendeley. J. S. Ramírez Archila, “Detección de intención motora empleando técnicas de aprendizaje automático”, Trabajo de grado, Escuela Colombiana de Ingeniería Julio Garavito, Bogotá, 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repositorio.escuelaing.edu.co/handle/001/1279. J. R. Arciniegas Polanco, “Pruebas de concepto para prótesis de miembro superior mediante herramientas de comunicación BCI”, instname:Universidad de los Andes, 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/20133 J. S. Tigreros Niño, “Algoritmo para la clasificación de ondas cerebrales mediante técnicas de aprendizaje profundo enfocado en el movimiento de miembros inferiores haciendo uso de una interfaz cerebro-máquina”, Trabajo de grado, Universidad Autónoma de Bucaramanga, Bucaramanga, 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/20.500.12749/13898 Á. M. Gamba Cárdenas, “Diseño e implementación de una interfaz cerebro-máquina (BCI) para la identificación de tareas cognitivas, a partir de señales de EEG adquiridas con sistemas portátiles”, instname:Universidad de los 89 Andes, 2013, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/19414 J. Salguero López y I. en Mecatrónica, “Diseño de un prototipo de sistema de comunicación personal mediante el uso de señales de electroencefalografía (EEG)”, dic. 2015, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/7476#.Yvz0g_H7CrU.mendeley J. S. Useche Parra, “Desarrollo de un sistema de adquisición de EEG, para estimulación y procesamiento de potenciales visuales evocados en estado estable sobre una plataforma móvil, con aplicación a juegos didácticos”, instname:Universidad de los Andes, 2016, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/15667 J. S. Rani Alex, M. A . Haque, A. Anand, A. Gautam, y N. Venkatesan, “A deep learning approach for robotic arm control using brain Computer interface”, International Journal of Biology and Biomedical Engineering , vol. 14, pp. 128 135, 2020, doi: 10.46300/91011.2020.14.18. G. Yu, J. Wang, W. Chen, y J. Zhang, “EEG based brain controlled lower extremity exoskeleton rehabilitation robot”, en 2017 IEEE International Conference on Cybernetics and Intelligent Systems, CIS 2017 and IEEE Conference on Robotics, Automation and Mecha tronics, RAM 2017 Proceedings , 2018, pp. 763 767. doi: 10.1109/ICCIS.2017.8274875. M. Aljalal, R. Djemal, y S. Ibrahim, “Robot Navigation Using a Brain Computer Interface Based on Motor Imagery”, J Med Biol Eng, vol. 39, núm. 4, pp. 508–522, 2019, doi: 10.1007/s40846-018-0431-9. M. Memari, M. M. Sakhaee, M. H. Nadian, A. Taheri, y A. Ghazizadeh, “Design and Manufacture of a Guided Mechanical Arm by EEG Signals”, en 9th RSI International Conference on Robotics and Mechatronics, ICRoM 2021, 2021, pp. 574–579. doi: 10.1109/ICRoM54204.2021.9663472. A. Ak, V. Topuz, y I. Midi, “Motor imagery EEG signal classification using image processing technique over GoogLeNet deep learning algorithm for controlling the robot manipulator”, Biomed Signal Process Control, vol. 72, p. 103295, feb. 2022, doi: 10.1016/j.bspc.2021.103295. P. Batres-Mendoza, E. I. Guerra-Hernandez, A. Espinal, E. Perez-Careta, y H. Rostro-Gonzalez, “Biologically-Inspired Legged Robot Locomotion Controlled with a BCI by Means of Cognitive Monitoring”, IEEE Access, vol. 9, pp. 35766–35777, 2021, doi: 10.1109/ACCESS.2021.3062329. Y. Liu, M. Habibnezhad, y H. Jebelli, “Brain-computer interface for hands-free teleoperation of construction robots”, Autom Constr, vol. 123, 2021, doi: 10.1016/j.autcon.2020.103523. G. Gillini, P. D. Lillo, y F. Arrichiello, “An Assistive Shared Control Architecture for a Robotic Arm Using EEG-Based BCI with Motor Imagery”, en IEEE International Conference on Intelligent Robots and Systems, 2021, pp. 4132–4137. doi: 10.1109/IROS51168.2021.9636261. EMOTIV, “EMOTIV”, 2022. www.emotiv.com (consultado el 21 de septiembre de 2022). g.tec, “g.tec”, 2022. https://www.gtec.at/ (consultado el 21 de septiembre de 2022). Neuroelectrics, “Enobio EEG system”, 2022. https://www.neuroelectrics.com/solutions/enobio (consultado el 21 de septiembre de 2022). OpenBci, “OpenBci”, 2022. https://openbci.com/ (consultado el 21 de septiembre de 2022). L. Bouafif, “Monitoring of Anesthesia by Bispectral Analysis of EEG Signals”, Comput Math Methods Med, vol. 2021, pp. 1–13, may 2021, doi: https://doi.org/10.1155/2021/9961998. M. Rodríguez Ugarte, I. N. Angulo Sherman, E. Iáñez, y J. M. Azorín, “Comparativa de algoritmos para la detección online de imaginación motora de la marcha basado en señales de EEG”, Trabajo de grado, Universidad Coruña, 2017. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/10651/46511 J. E. Muñoz Cardona, “Clasificación de patrones de imaginación motora en una interfaz cerebro computador de bajo costo usando software libre”. Pereira : Universidad Tecnológica de Pereira, 2014. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repositorio.utp.edu.co/handle/11059/4635 S. Sakhavi, “Application of deep learning methods in Brain-Computer Interface system”, 2017. doi: http://dx.doi.org/10.13140/RG.2.2.32800.28166. C. Ferrin Bolaños, H. Loaiza-Correa, J. Pierre-Díaz, y P. Vélez-Ángel, “Evaluación del aporte de la covarianza de las señales electroencefalográficas a las interfaces cerebro-computador de imaginación motora para pacientes con lesiones de médula espinal”, TecnoLógicas, vol. 22, núm. 46, pp. 213–231, sep. 2019, doi: 10.22430/22565337.1392. J. Ramírez, “Detección de intención motora empleando técnicas de aprendizaje automático”, Universidad del Rosario, Bogotá, 2020. doi: https://doi.org/10.48713/10336_24431. NEPSA, “El Homúnculo cortical de Penfield”, 2021. https://nepsa.es/que-es-el-homunculo-cortical/ (consultado el 27 de mayo de 2023). C. Novo-Olivas, L. Guitiérrez, y J. Bribiesca, “Mapeo Electroencefalográfico y Neurofeedback”, 2010, pp. 371–412. Consultado: el 27 de mayo de 2023. [En línea]. Disponible en: https://www.researchgate.net/publication/282294960_Mapeo_Electroencefalografico_y_Neurofeedback S. Gómez Gálvez, “Estudio de técnicas de preprocesamiento, procesamiento y clasificación de señales EEG de la Imaginación Motora para la rehabilitación de la marcha”, jul. 2021. [En línea]. Disponible en: https://oa.upm.es/68633/ A. Delorme y S. Makeig, “EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis”, J Neurosci Methods, vol. 134, núm. 1, pp. 9–21, 2004, doi: https://doi.org/10.1016/j.jneumeth.2003.10.009. MathWorks, “Feature extraction for machine learning and deep learning”, 2023. https://la.mathworks.com/discovery/feature-extraction.html (consultado el 27 de mayo de 2023). L. Velásquez, “Feature Representation Frameworks to support Brain Activity Signals Analysis”, 2015. Consultado: el 27 de mayo de 2023. [En línea]. Disponible en: https://repositorio.unal.edu.co/handle/unal/56774 W. Bin Ng, A. Saidatul, Y. F. Chong, y Z. Ibrahim, “PSD-Based Features Extraction For EEG Signal During Typing Task”, IOP Conf Ser Mater Sci Eng, vol. 557, núm. 1, p. 012032, jun. 2019, doi: 10.1088/1757-899X/557/1/012032. DataScientest, “Cross-Validation : definición e importancia en Machine Learning”, 2023. https://datascientest.com/es/cross-validation-definicion-e-importancia (consultado el 27 de mayo de 2023). S. Zitao, “3 min of Machine Learning: Cross Vaildation”, 2020. https://zitaoshen.rbind.io/project/machine_learning/machine-learning-101-cross-vaildation/ (consultado el 27 de mayo de 2023). J. An, “How to Remember all these Classification Concepts forever”, 2020. https://medium.com/swlh/how-to-remember-all-these-classification-concepts-forever-761c065be33 (consultado el 27 de mayo de 2023). MathWorks, “Support Vector Machines for Binary Classification”, 2023. https://la.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html?s_tid=srchtitle_support%2520vector%2520machine_2 (consultado el 27 de mayo de 2023). Universal Robots, “Cobots y robótica colaborativa - que son, que funciones pueden realizar y sus ventajas”, 2022. https://www.universal-robots.com/es/cobots-robots-colaborativos/#:~:text=¿Qué%20son%20los%20cobots%20o,sean%20conocidos%20como%20robots%20colaborativos.%20(accedido%20el%202%20de%20agosto%20de%202022) (consultado el 16 de agosto de 2022). Universal Robots, “Brazo Robótico UR3”, 2023. https://www.universal-robots.com/es/productos/robot-ur3/ (consultado el 27 de mayo de 2023) Reza N. Jazar, Theory of Applied Robotics: Kinematics, Dynamics, and Control, 2a ed. Riverdale: Springer, 2010. Open Robotics, “ROS - Robotic Operating System”, 2023. https://www.ros.org/ (consultado el 27 de mayo de 2023). E. Hortal, Brain-Machine Interfaces for Assistance and Rehabilitation of People with Reduced Mobility. Cham: Springer International Publishing, 2019. doi: 10.1007/978-3-319-95705-0. J. DECETY y M. LINDGREN, “Sensation of effort and duration of mentally executed actions”, Scand J Psychol, vol. 32, núm. 2, pp. 97–104, jun. 1991, doi: 10.1111/j.1467-9450.1991.tb00860.x. O. Llauradó, “La escala de Likert: qué es y cómo utilizarla”, 2014. https://www.netquest.com/blog/es/la-escala-de-likert-que-es-y-como-utilizarla (consultado el 30 de octubre de 2022). E. Quiles, F. Suay, G. Candela, N. Chio, M. Jiménez, y L. Álvarez-Kurogi, “Low-Cost Robotic Guide Based on a Motor Imagery Brain–Computer Interface for Arm Assisted Rehabilitation”, Int J Environ Res Public Health, vol. 17, núm. 3, p. 699, ene. 2020, doi: 10.3390/ijerph17030699. Neuroelectrics, “Neuroelectrics User Manual, Part 3. NIC2”, 2022. https://www.neuroelectrics.com/api/downloads/NE_P3_UM004_EN_NIC2.1.0_1.pdf (consultado el 29 de octubre de 2022). Neuroelectrics, “Enobio EEG system”, 2022. https://www.neuroelectrics.com/solutions/enobio (consultado el 21 de septiembre de 2022). Neuroelectrics, “MatNIC2”, 2022. https://www.neuroelectrics.com/solution/software-integrations/matnic2 (consultado el 29 de octubre de 2022). J. Acedo, “MatNIC2”, 2019. https://www.neuroelectrics.com/api/downloads/MatNIC_User_Manual_1_3_website_2021.pdf (consultado el 29 de octubre de 2022). K. Christian, M. David, B. Chadwick, G. Matthew, y S. Tristan, “Lab streaming layer”, 2019. https://labstreaminglayer.readthedocs.io/info/intro.html (consultado el 4 de junio de 2023). Delorme A y Makeig S, “EEGLAB preprocessing #4: Filtering”, 2019. https://eeglab.org/others/EEGLAB_References.html (consultado el 4 de junio de 2023). R. I. C., . J., . J., y . R. A., “Decodificación de imaginación motora en la señal de electroencefalografía mediante mapas auto-organizados”, Revista del Centro de Investigación. Universidad La Salle, vol. 12, pp. 107–125, 2016, [En línea]. Disponible en: https://www.redalyc.org/articulo.oa?id=34247483006 Google for Developers, “Generalization | Machine Learning ”, 2022. https://developers.google.com/machine-learning/crash-course/generalization/video-lecture (consultado el 5 de junio de 2023). MathWorks, “Robotics System Toolbox Support Package for Universal Robots UR Series Manipulators ”, 2023. https://la.mathworks.com/help/supportpkg/urseries/index.html?s_tid=CRUX_lftnav (consultado el 29 de mayo de 2023). Universal Robots, “Universal Robots ROS driver supporting CB3 and e-Series”, 2023. https://github.com/UniversalRobots/Universal_Robots_ROS_Driver (consultado el 29 de mayo de 2023). Mathworks, “inverseKinematics”, 2023. https://la.mathworks.com/help/robotics/ref/inversekinematics-system-object.html (consultado el 29 de mayo de 2023). MATLAB & Simulink, “MATLAB App Designer”, 2023. https://la.mathworks.com/products/matlab/app-designer.html (consultado el 2 de junio de 2023). |
| dc.relation.uriapolo.spa.fl_str_mv |
https://apolo.unab.edu.co/en/persons/nayibe-ch%C3%ADo-cho |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.coverage.campus.spa.fl_str_mv |
UNAB Campus Bucaramanga |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Mecatrónica |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/21107/1/2023_Tesis_Brayan_Vega.pdf https://repository.unab.edu.co/bitstream/20.500.12749/21107/6/2023_Licencia_Brayan_Vega.pdf https://repository.unab.edu.co/bitstream/20.500.12749/21107/5/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/21107/7/2023_Tesis_Brayan_Vega.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/21107/8/2023_Licencia_Brayan_Vega.pdf.jpg |
| bitstream.checksum.fl_str_mv |
96f59b0b701e22fbb84f9d64c2a7265c 3916335ef432cbd49c84677009fe0d39 3755c0cfdb77e29f2b9125d7a45dd316 b78a8132b1c0763d1fe10097d663b501 cb690e012a19799130a4b522fa2ab506 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1808410698363961344 |
| spelling |
Chío Cho, Nayibe9a9736d2-31b2-403f-990f-0ce127d9753cBarragán Gómez, Johann0ab6a6a8-7804-44ae-9848-5fc0efca1206Diaz Garcia, Edwin David9789ad2a-274e-4dbe-b2f2-adca99a47bb4Vega Cáceres, Brayan Stevena3e032f9-12df-4e07-b0ed-d8cc9394119bChío Cho, Nayibe [0000375918]Barragán Gómez, Johann [0001496379]Chío Cho, Nayibe [es&oi=ao]Barragán Gómez, Johann [es&oi=ao]Diaz Garcia, Edwin David [0000-0003-3226-6260]Vega Cáceres, Brayan Steven [0000-0003-0225-6459]Chío Cho, Nayibe [0000-0002-9459-4350]Barragán Gómez, Johann [0000-0001-6114-6116]Chío Cho, Nayibe [Nayibe_Chio]Chío Cho, Nayibe [nayibe-chío-cho]Barragán Gómez, Johann [johann-barragan]Chío Cho, Nayibe [Nayibe_Chio]ColombiaUNAB Campus Bucaramanga2023-08-09T14:45:56Z2023-08-09T14:45:56Z2023-07-27http://hdl.handle.net/20.500.12749/21107instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa imaginación motora en interfaces cerebro computador juega un papel cada vez más importante en la rehabilitación de trastornos motores y en la aplicación de múltiples tecnologías. Sin embargo, es un campo de investigación que tiene una gran trayectoria por delante, debido a la gran cantidad de variables que pueden cambiar los resultados de un experimento y que las señales EEG varían de un sujeto a otro. Por ello, los estudiantes de la Universidad Autónoma de Bucaramanga implementaron una interfaz cerebro computador para controlar el efector final de un robot colaborativo UR3, con el fin de generar bases de conocimiento e incentivar la investigación de esta tecnología en la universidad. La interfaz utiliza un Enobio 8 y la imaginación motora para la adquisición de la señal, MATLAB para el preprocesamiento, procesamiento, traducción y envío de comandos, y ROS para permitir la comunicación entre el MATLAB y el UR3.1. INTRODUCCIÓN ............................................................................................ 15 1.1. DEFINICIÓN DEL PROBLEMA ...................................................................... 15 1.2. JUSTIFICACIÓN ............................................................................................. 15 2. OBJETIVOS.................................................................................................... 17 2.1. OBJETIVO GENERAL .................................................................................... 17 2.2. OBJETIVOS ESPECÍFICOS........................................................................... 17 3. ESTADO DEL ARTE ....................................................................................... 18 4. MARCO TEÓRICO ......................................................................................... 20 4.1. INTERFAZ CEREBRO COMPUTADOR ......................................................... 20 4.2. ELECTROENCEFALOGRAMA ....................................................................... 21 4.3. IMAGINACIÓN MOTORA ............................................................................... 21 4.4. CORTEZA MOTORA ...................................................................................... 22 4.5. SISTEMA INTERNACIONAL 10-20 ................................................................ 23 4.6. PREPROCESAMIENTO ................................................................................. 24 4.7. EXTRACCIÓN DE CARACTERÍSTICAS ........................................................ 24 4.7.1. Patrón espacial común (CSP) ................................................................... 25 4.7.2. Densidad de potencia espectral (PSD) ..................................................... 25 4.8. APRENDIZAJE AUTOMÁTICO ...................................................................... 25 4.8.1. Entrenamiento y evaluación...................................................................... 25 4.8.1.1. Subajuste............................................................................................... 25 4.8.1.2. Sobreajuste ........................................................................................... 26 4.8.2. Validación cruzada .................................................................................... 26 4.8.3. Métricas de clasificación ........................................................................... 27 4.8.4. Máquina de vector soporte (SVM) ............................................................ 27 4.8.5. Análisis discriminante lineal (LDA) ............................................................ 28 4.9. ROBOT COLABORATIVO .............................................................................. 28 4.9.1. UR3........................................................................................................... 28 4.10. MODELO CINEMÁTICO ........................................................................... 29 4.10.1. Cinemática directa ................................................................................. 29 4.10.2. Cinemática inversa ................................................................................ 29 4.11. ROBOT OPERATING SYSTEM (ROS) .................................................... 29 5. METODOLOGÍA ............................................................................................. 30 6. DESARROLLO ............................................................................................... 33 6.1. SELECCIÓN DE LOS PARÁMETROS PARA LA ADQUISICIÓN DE LA SEÑALE EEG ....................................................................................................................... 33 6.1.1. Paradigma ................................................................................................ 33 6.1.2. Modalidad de estímulo .............................................................................. 33 6.1.3. Modo de operación ................................................................................... 34 6.1.4. Estrategia de operación ............................................................................ 34 6.1.4.1. Adquisición de las señales cerebrales ................................................... 34 6.1.4.2. Actividades mentales ............................................................................. 37 6.1.5. Método de grabación ................................................................................ 38 6.2. PROTOCOLO PARA TRABAJAR CON PERSONAS ..................................... 40 6.3. ADQUISICIÓN DE LAS SEÑALES EEG ........................................................ 42 6.3.1. Ubicación de los electrodos para IM ......................................................... 42 6.3.2. Enobio 8.................................................................................................... 43 6.3.3. NIC2.......................................................................................................... 44 6.3.4. Conexión del Enobio 8 con MATLAB ........................................................ 44 6.3.4.1. Librería MATNIC2 .................................................................................. 44 6.3.4.2. Lab Stream Layer (LSL) ........................................................................ 45 6.3.4.3. Inicialización de conexión ...................................................................... 45 6.3.5. Características de los datos adquiridos .................................................... 46 6.4. PREPROCESAMIENTO ................................................................................. 47 6.4.1. Importación de datos al EEGLAB ............................................................. 47 6.4.2. Filtros espectrales ..................................................................................... 47 6.4.3. Eliminación de artefactos usando el ICA .................................................. 49 6.5. EXTRACCIÓN DE CARACTERÍSTICAS ........................................................ 50 6.5.1. PSD .......................................................................................................... 50 6.5.2. CSP .......................................................................................................... 51 6.5.3. Extractor final ............................................................................................ 52 6.6. CLASIFICACIÓN ............................................................................................ 53 6.6.1. LDA ........................................................................................................... 54 6.6.2. SVM .......................................................................................................... 55 6.7. COMUNICACIÓN MATLAB - UR3 .................................................................. 57 6.7.1. Arquitectura de comunicación ................................................................... 60 6.7.2. Instalación y configuración de los componentes ....................................... 61 6.7.3. Inicialización de la conexión MATLAB - UR3 ............................................ 62 6.8. TRADUCCIÓN DE COMANDOS .................................................................... 62 6.8.1. Cinemática inversa ................................................................................... 64 6.8.2. Enviar comando al UR3 ............................................................................ 65 6.8.3. Limitaciones de seguridad ........................................................................ 65 6.9. INTERFAZ DE ESTIMULACIÓN Y MONITOREO .......................................... 67 6.9.1. Descripción de la aplicación ..................................................................... 67 6.9.2. Estímulo visual .......................................................................................... 67 6.9.3. Procesamiento y Conexión UR3 ............................................................... 69 6.9.4. Validación ................................................................................................. 69 6.9.5. Retroalimentación ..................................................................................... 70 6.9.6. Requisitos y Funcionalidades ................................................................... 71 7. RESULTADOS Y EVIDENCIAS ...................................................................... 73 7.1. RESULTADOS ESPERADOS ......................................................................... 73 7.2. BASES DE DATOS ......................................................................................... 73 7.3. PIPELINE DE TRATAMIENTO DE LA SEÑAL ................................................ 74 7.4. INTERFAZ DE ESTIMULACIÓN Y MONITOREO .......................................... 74 7.5. MANUAL DE USUARIO .................................................................................. 74 7.6. PRUEBAS OFFLINE ...................................................................................... 75 7.6.1. SVM .......................................................................................................... 75 7.6.2. LDA ........................................................................................................... 76 7.7. PRUEBA ONLINE ........................................................................................... 78 7.8. ANÁLISIS........................................................................................................ 80 8. DISCUSIÓN .................................................................................................... 82 9. CONCLUSIONES ........................................................................................... 84 10. REFERENCIAS .............................................................................................. 85 ANEXOS ................................................................................................................ 96 ANEXO A. Matrices de Selección .......................................................................... 96PregradoMotor imagery in brain-computer interfaces plays an increasingly important role in the rehabilitation of motor disorders and application of multiple technologies. However, it is a field of research that has a long way to go, due to the large number of variables that can change the results of an experiment and the fact that EEG signals can vary from one subject to another. For this reason, the students at the Autonomous University of Bucaramanga implemented a brain-computer interface to control the end effector of a UR3 collaborative robot, to generate knowledge bases and encourage research on this technology at the university. The interface uses an Enobio 8 and motor imagery for signal acquisition, MATLAB for preprocessing, processing, command translation and dispatch, and ROS to enable communication between the MATLAB and the UR3.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Implementación de una interfaz cerebro computador para el desplazamiento del efector final de un robot colaborativo UR3Implementation of a brain computer interface for the displacement of the end effector of a UR3 collaborative robotIngeniero MecatrónicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Mecatrónicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPMechatronicMotor imageryMATLABMachine theoryManipulators (Mechanisms)AutomationNumerical analysisBibliographic databasesMecatrónicaTeoría de las máquinasManipuladores (Mecanismos)AutomatizaciónAnálisis numéricoBases de datos bibliográficosBCIEEGUR3ROSEnobio 8Imaginación motoraJ. C. Cubillos Alzate y S. A. Perea Caro, “Boletines poblacionales, personas con discapacidad pcd1 oficina de promoción social”, diciembre de 2020. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/PS/boletines-poblacionales-personas-discapacidadI-2020.pdf (consultado el 5 de junio de 2022).A. M. Peña Alvarez, “Desarrollo de interfaz cerebro-máquina basada en el análisis de EEG y potenciales visuales evocados en estado estable para el control de un objeto”, instname:Universidad de los Andes, 2015, Consultado: el 7 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/17442J. Henderson y International neuromodulation society, “Motor Impairment”, el 2 de abril de 2012. https://www.neuromodulation.com/motor-impairment#:~:text=Motor%20impairment%20is%20the%20partial,muscle%20control,%20or%20total%20paralysis (consultado el 9 de junio de 2022).Ü. Hayta , D. C. Irimia, C. Guger, İ. Erkutlu, y İ. H. Güzelbey, “Optimizing Motor Imagery Parameters for Robotic Arm Control by Brain Computer Interface”, Brain Sci , vol. 12, núm. 7, 2022, doi: 10.3390/V. Nandikolla y D. A. Medina Portilla, “ Teleoperation Robot Control of a Hybrid EEG Based BCI Arm Manipulator Using ROS”, Journal of Robotics , vol. 2022, pp. 1 14, may 2022, doi: 10.1155/2022/5335523.S. P. Karunasena, D. C. Ariyarathna, R. Ranaweera, J. Wijayakulasooriya, K. Kim, y T. Dassa nayake, “Single Channel EEG SSVEP based BCI for Robot Arm Control”, en 2021 IEEE Sensors Applications Symposium (SAS) SAS), IEEE, ago. 2021, pp. 1 6. doi: 10.1109/SAS51076.2021.9530189.M. Vilela y L. R. Hochberg, “Applications of brain computer interfaces to the control of robotic and prosthetic arms”, 2020, pp. 87 99. doi: 10.1016/B978 0 444 63934 9.00008 1.S. Jalilpour y G. Müller Putz, “Toward passive BCI: asynchronous decoding of neural responses to direction and angle sp ecific perturbations during a simulated cockpit scenario”, Sci Rep , vol. 12, núm. 1, p. 6802, dic. 2022, doi: 10.1038/s41598 022 10906 5.A. P. Kurmis y J. R. Ianunzio, “Artificial intelligence in orthopedic surgery: evolution, current state and future directions”, Arthroplasty , vol. 4, núm. 1, 2022, doi: 10.1186/s42836 022 00112 z.D. S. Vadivelan, S. Prabhu, y M. Uma, “Analysis of bci system to operate robotic arm control for navigation to assist disable pepople (a review)”, 한국감성과학회 국제학술대회 ICES) vol. 2021, p. 75, nov. 2021, [En línea]. Disponible en: https://stanford.idm.oclc.org/login?url=https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edskis&AN=edskis.3947634Q. Huang, Z. Zhang, T. Yu, S. He, y Y. Li, “An EEG EOG base d hybrid brain computer interface: application on controlling an integrated wheelchair robotic arm system”, Front Neurosci , vol. 13, 2020.S. Norman, “Brain Computer Interface Design for Robot Assisted Neurorehabilitation”, 2017. [En línea]. Disponibl e en: https://escholarship.org/uc/item/4v18v0d3.R. Mane, T. Chouhan, y C. Guan, “BCI for stroke rehabilitation: motor and beyond”, J Neural Eng , vol. 17, núm. 4, p. 041001, ago. 2020, doi: 10.1088/1741 2552/aba162.N. González y J. Francisco, “Diseño y desarrollo de un sistema para el control mental de prótesis utilizando una interfaz cerebro-computadora (bci)”, Trabajo de grado, Universidad Nacional Autónoma de México, Mexico, 2013. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://ru.dgb.unam.mx/handle/DGB_UNAM/TES01000710076.S. Ibagué Martín, “Diseño de un prototipo de plataforma móvil a partir de eventos cerebrales generados en el lóbulo frontal”, 2020, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.usta.edu.co/handle/11634/31909#.YvzvV7iM-Tc.mendeley.L. C. Brito Medina y I. en Mecatrónica, “Control de movimiento de un móvil robótico mediante una interfaz cerebro-computador”, oct. 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/13580#.Yvzvrse7oww.mendeley.A. F. Escobar Ortiz, “Diseño de un clasificador de señales EEG provenientes de una interfaz BCI utilizando redes neuronales para controlar un robot hexápodo”, Trabajo de grado, Universidad Autónoma de Occidente, 2018. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/10614/10354.A. F. Reyes Fernandez, “Herramienta para la generación de texto basada en una interfaz cerebro-computador”, Universidad Santo Tomás , 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/11634/29868.C. González Rodríguez, J. S. Lasprilla Hincapié, I. en Mecatrónica, y I. en Mecatrónica, “Manipulation of robotic arm with EEG signal”, jun. 2017, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/16901#.YvzyComU7jg.mendeley.L. A. Fernández Motta y I. en Mecatrónica, “Sistema de control de trayectoria en manipulador de cinco grados de libertad utilizando sensor Emotiv”, ago. 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/12475#.YvzySrbNx2E.mendeley.C. A. Cáceres Flórez y I. en Mecatrónica, “Implementación de un sensor de electroencefalograma (EEG) en aplicaciones domóticas”, jul. 2013, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/11700#.Yvzyduwg3Cg.mendeley.J. S. Ramírez Archila, “Detección de intención motora empleando técnicas de aprendizaje automático”, Trabajo de grado, Escuela Colombiana de Ingeniería Julio Garavito, Bogotá, 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repositorio.escuelaing.edu.co/handle/001/1279.J. R. Arciniegas Polanco, “Pruebas de concepto para prótesis de miembro superior mediante herramientas de comunicación BCI”, instname:Universidad de los Andes, 2014, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/20133J. S. Tigreros Niño, “Algoritmo para la clasificación de ondas cerebrales mediante técnicas de aprendizaje profundo enfocado en el movimiento de miembros inferiores haciendo uso de una interfaz cerebro-máquina”, Trabajo de grado, Universidad Autónoma de Bucaramanga, Bucaramanga, 2020. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/20.500.12749/13898Á. M. Gamba Cárdenas, “Diseño e implementación de una interfaz cerebro-máquina (BCI) para la identificación de tareas cognitivas, a partir de señales de EEG adquiridas con sistemas portátiles”, instname:Universidad de los 89 Andes, 2013, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/19414J. Salguero López y I. en Mecatrónica, “Diseño de un prototipo de sistema de comunicación personal mediante el uso de señales de electroencefalografía (EEG)”, dic. 2015, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repository.unimilitar.edu.co/handle/10654/7476#.Yvz0g_H7CrU.mendeleyJ. S. Useche Parra, “Desarrollo de un sistema de adquisición de EEG, para estimulación y procesamiento de potenciales visuales evocados en estado estable sobre una plataforma móvil, con aplicación a juegos didácticos”, instname:Universidad de los Andes, 2016, Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/1992/15667J. S. Rani Alex, M. A . Haque, A. Anand, A. Gautam, y N. Venkatesan, “A deep learning approach for robotic arm control using brain Computer interface”, International Journal of Biology and Biomedical Engineering , vol. 14, pp. 128 135, 2020, doi: 10.46300/91011.2020.14.18.G. Yu, J. Wang, W. Chen, y J. Zhang, “EEG based brain controlled lower extremity exoskeleton rehabilitation robot”, en 2017 IEEE International Conference on Cybernetics and Intelligent Systems, CIS 2017 and IEEE Conference on Robotics, Automation and Mecha tronics, RAM 2017 Proceedings , 2018, pp. 763 767. doi: 10.1109/ICCIS.2017.8274875.M. Aljalal, R. Djemal, y S. Ibrahim, “Robot Navigation Using a Brain Computer Interface Based on Motor Imagery”, J Med Biol Eng, vol. 39, núm. 4, pp. 508–522, 2019, doi: 10.1007/s40846-018-0431-9.M. Memari, M. M. Sakhaee, M. H. Nadian, A. Taheri, y A. Ghazizadeh, “Design and Manufacture of a Guided Mechanical Arm by EEG Signals”, en 9th RSI International Conference on Robotics and Mechatronics, ICRoM 2021, 2021, pp. 574–579. doi: 10.1109/ICRoM54204.2021.9663472.A. Ak, V. Topuz, y I. Midi, “Motor imagery EEG signal classification using image processing technique over GoogLeNet deep learning algorithm for controlling the robot manipulator”, Biomed Signal Process Control, vol. 72, p. 103295, feb. 2022, doi: 10.1016/j.bspc.2021.103295.P. Batres-Mendoza, E. I. Guerra-Hernandez, A. Espinal, E. Perez-Careta, y H. Rostro-Gonzalez, “Biologically-Inspired Legged Robot Locomotion Controlled with a BCI by Means of Cognitive Monitoring”, IEEE Access, vol. 9, pp. 35766–35777, 2021, doi: 10.1109/ACCESS.2021.3062329.Y. Liu, M. Habibnezhad, y H. Jebelli, “Brain-computer interface for hands-free teleoperation of construction robots”, Autom Constr, vol. 123, 2021, doi: 10.1016/j.autcon.2020.103523.G. Gillini, P. D. Lillo, y F. Arrichiello, “An Assistive Shared Control Architecture for a Robotic Arm Using EEG-Based BCI with Motor Imagery”, en IEEE International Conference on Intelligent Robots and Systems, 2021, pp. 4132–4137. doi: 10.1109/IROS51168.2021.9636261.EMOTIV, “EMOTIV”, 2022. www.emotiv.com (consultado el 21 de septiembre de 2022).g.tec, “g.tec”, 2022. https://www.gtec.at/ (consultado el 21 de septiembre de 2022).Neuroelectrics, “Enobio EEG system”, 2022. https://www.neuroelectrics.com/solutions/enobio (consultado el 21 de septiembre de 2022).OpenBci, “OpenBci”, 2022. https://openbci.com/ (consultado el 21 de septiembre de 2022).L. Bouafif, “Monitoring of Anesthesia by Bispectral Analysis of EEG Signals”, Comput Math Methods Med, vol. 2021, pp. 1–13, may 2021, doi: https://doi.org/10.1155/2021/9961998.M. Rodríguez Ugarte, I. N. Angulo Sherman, E. Iáñez, y J. M. Azorín, “Comparativa de algoritmos para la detección online de imaginación motora de la marcha basado en señales de EEG”, Trabajo de grado, Universidad Coruña, 2017. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: http://hdl.handle.net/10651/46511J. E. Muñoz Cardona, “Clasificación de patrones de imaginación motora en una interfaz cerebro computador de bajo costo usando software libre”. Pereira : Universidad Tecnológica de Pereira, 2014. Consultado: el 16 de agosto de 2022. [En línea]. Disponible en: https://repositorio.utp.edu.co/handle/11059/4635S. Sakhavi, “Application of deep learning methods in Brain-Computer Interface system”, 2017. doi: http://dx.doi.org/10.13140/RG.2.2.32800.28166.C. Ferrin Bolaños, H. Loaiza-Correa, J. Pierre-Díaz, y P. Vélez-Ángel, “Evaluación del aporte de la covarianza de las señales electroencefalográficas a las interfaces cerebro-computador de imaginación motora para pacientes con lesiones de médula espinal”, TecnoLógicas, vol. 22, núm. 46, pp. 213–231, sep. 2019, doi: 10.22430/22565337.1392.J. Ramírez, “Detección de intención motora empleando técnicas de aprendizaje automático”, Universidad del Rosario, Bogotá, 2020. doi: https://doi.org/10.48713/10336_24431.NEPSA, “El Homúnculo cortical de Penfield”, 2021. https://nepsa.es/que-es-el-homunculo-cortical/ (consultado el 27 de mayo de 2023).C. Novo-Olivas, L. Guitiérrez, y J. Bribiesca, “Mapeo Electroencefalográfico y Neurofeedback”, 2010, pp. 371–412. Consultado: el 27 de mayo de 2023. [En línea]. Disponible en: https://www.researchgate.net/publication/282294960_Mapeo_Electroencefalografico_y_NeurofeedbackS. Gómez Gálvez, “Estudio de técnicas de preprocesamiento, procesamiento y clasificación de señales EEG de la Imaginación Motora para la rehabilitación de la marcha”, jul. 2021. [En línea]. Disponible en: https://oa.upm.es/68633/A. Delorme y S. Makeig, “EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis”, J Neurosci Methods, vol. 134, núm. 1, pp. 9–21, 2004, doi: https://doi.org/10.1016/j.jneumeth.2003.10.009.MathWorks, “Feature extraction for machine learning and deep learning”, 2023. https://la.mathworks.com/discovery/feature-extraction.html (consultado el 27 de mayo de 2023).L. Velásquez, “Feature Representation Frameworks to support Brain Activity Signals Analysis”, 2015. Consultado: el 27 de mayo de 2023. [En línea]. Disponible en: https://repositorio.unal.edu.co/handle/unal/56774W. Bin Ng, A. Saidatul, Y. F. Chong, y Z. Ibrahim, “PSD-Based Features Extraction For EEG Signal During Typing Task”, IOP Conf Ser Mater Sci Eng, vol. 557, núm. 1, p. 012032, jun. 2019, doi: 10.1088/1757-899X/557/1/012032.DataScientest, “Cross-Validation : definición e importancia en Machine Learning”, 2023. https://datascientest.com/es/cross-validation-definicion-e-importancia (consultado el 27 de mayo de 2023).S. Zitao, “3 min of Machine Learning: Cross Vaildation”, 2020. https://zitaoshen.rbind.io/project/machine_learning/machine-learning-101-cross-vaildation/ (consultado el 27 de mayo de 2023).J. An, “How to Remember all these Classification Concepts forever”, 2020. https://medium.com/swlh/how-to-remember-all-these-classification-concepts-forever-761c065be33 (consultado el 27 de mayo de 2023).MathWorks, “Support Vector Machines for Binary Classification”, 2023. https://la.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html?s_tid=srchtitle_support%2520vector%2520machine_2 (consultado el 27 de mayo de 2023).Universal Robots, “Cobots y robótica colaborativa - que son, que funciones pueden realizar y sus ventajas”, 2022. https://www.universal-robots.com/es/cobots-robots-colaborativos/#:~:text=¿Qué%20son%20los%20cobots%20o,sean%20conocidos%20como%20robots%20colaborativos.%20(accedido%20el%202%20de%20agosto%20de%202022) (consultado el 16 de agosto de 2022).Universal Robots, “Brazo Robótico UR3”, 2023. https://www.universal-robots.com/es/productos/robot-ur3/ (consultado el 27 de mayo de 2023)Reza N. Jazar, Theory of Applied Robotics: Kinematics, Dynamics, and Control, 2a ed. Riverdale: Springer, 2010.Open Robotics, “ROS - Robotic Operating System”, 2023. https://www.ros.org/ (consultado el 27 de mayo de 2023).E. Hortal, Brain-Machine Interfaces for Assistance and Rehabilitation of People with Reduced Mobility. Cham: Springer International Publishing, 2019. doi: 10.1007/978-3-319-95705-0.J. DECETY y M. LINDGREN, “Sensation of effort and duration of mentally executed actions”, Scand J Psychol, vol. 32, núm. 2, pp. 97–104, jun. 1991, doi: 10.1111/j.1467-9450.1991.tb00860.x.O. Llauradó, “La escala de Likert: qué es y cómo utilizarla”, 2014. https://www.netquest.com/blog/es/la-escala-de-likert-que-es-y-como-utilizarla (consultado el 30 de octubre de 2022).E. Quiles, F. Suay, G. Candela, N. Chio, M. Jiménez, y L. Álvarez-Kurogi, “Low-Cost Robotic Guide Based on a Motor Imagery Brain–Computer Interface for Arm Assisted Rehabilitation”, Int J Environ Res Public Health, vol. 17, núm. 3, p. 699, ene. 2020, doi: 10.3390/ijerph17030699.Neuroelectrics, “Neuroelectrics User Manual, Part 3. NIC2”, 2022. https://www.neuroelectrics.com/api/downloads/NE_P3_UM004_EN_NIC2.1.0_1.pdf (consultado el 29 de octubre de 2022).Neuroelectrics, “Enobio EEG system”, 2022. https://www.neuroelectrics.com/solutions/enobio (consultado el 21 de septiembre de 2022).Neuroelectrics, “MatNIC2”, 2022. https://www.neuroelectrics.com/solution/software-integrations/matnic2 (consultado el 29 de octubre de 2022).J. Acedo, “MatNIC2”, 2019. https://www.neuroelectrics.com/api/downloads/MatNIC_User_Manual_1_3_website_2021.pdf (consultado el 29 de octubre de 2022).K. Christian, M. David, B. Chadwick, G. Matthew, y S. Tristan, “Lab streaming layer”, 2019. https://labstreaminglayer.readthedocs.io/info/intro.html (consultado el 4 de junio de 2023).Delorme A y Makeig S, “EEGLAB preprocessing #4: Filtering”, 2019. https://eeglab.org/others/EEGLAB_References.html (consultado el 4 de junio de 2023).R. I. C., . J., . J., y . R. A., “Decodificación de imaginación motora en la señal de electroencefalografía mediante mapas auto-organizados”, Revista del Centro de Investigación. Universidad La Salle, vol. 12, pp. 107–125, 2016, [En línea]. Disponible en: https://www.redalyc.org/articulo.oa?id=34247483006Google for Developers, “Generalization | Machine Learning ”, 2022. https://developers.google.com/machine-learning/crash-course/generalization/video-lecture (consultado el 5 de junio de 2023).MathWorks, “Robotics System Toolbox Support Package for Universal Robots UR Series Manipulators ”, 2023. https://la.mathworks.com/help/supportpkg/urseries/index.html?s_tid=CRUX_lftnav (consultado el 29 de mayo de 2023).Universal Robots, “Universal Robots ROS driver supporting CB3 and e-Series”, 2023. https://github.com/UniversalRobots/Universal_Robots_ROS_Driver (consultado el 29 de mayo de 2023).Mathworks, “inverseKinematics”, 2023. https://la.mathworks.com/help/robotics/ref/inversekinematics-system-object.html (consultado el 29 de mayo de 2023).MATLAB & Simulink, “MATLAB App Designer”, 2023. https://la.mathworks.com/products/matlab/app-designer.html (consultado el 2 de junio de 2023).https://apolo.unab.edu.co/en/persons/nayibe-ch%C3%ADo-choORIGINAL2023_Tesis_Brayan_Vega.pdf2023_Tesis_Brayan_Vega.pdfTesisapplication/pdf5649019https://repository.unab.edu.co/bitstream/20.500.12749/21107/1/2023_Tesis_Brayan_Vega.pdf96f59b0b701e22fbb84f9d64c2a7265cMD51open access2023_Licencia_Brayan_Vega.pdf2023_Licencia_Brayan_Vega.pdfLicenciaapplication/pdf1230571https://repository.unab.edu.co/bitstream/20.500.12749/21107/6/2023_Licencia_Brayan_Vega.pdf3916335ef432cbd49c84677009fe0d39MD56metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/21107/5/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD55open accessTHUMBNAIL2023_Tesis_Brayan_Vega.pdf.jpg2023_Tesis_Brayan_Vega.pdf.jpgIM Thumbnailimage/jpeg4741https://repository.unab.edu.co/bitstream/20.500.12749/21107/7/2023_Tesis_Brayan_Vega.pdf.jpgb78a8132b1c0763d1fe10097d663b501MD57open access2023_Licencia_Brayan_Vega.pdf.jpg2023_Licencia_Brayan_Vega.pdf.jpgIM Thumbnailimage/jpeg13233https://repository.unab.edu.co/bitstream/20.500.12749/21107/8/2023_Licencia_Brayan_Vega.pdf.jpgcb690e012a19799130a4b522fa2ab506MD58metadata only access20.500.12749/21107oai:repository.unab.edu.co:20.500.12749/211072024-01-26 09:36:44.195open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |