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

Las dificultades físicas y desplazamiento a las que se ven sometidas personas con algún tipo de disminución en las capacidades motoras de su cuerpo, personas con parálisis o cuadripléjicos por algún accidente sufrido, es un problema al cual la sociedad ha estado integrándose lentamente, convirtiendo...

Full description

Autores:: Tigreros Niño, Jhenner Sneyder

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2020

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_3cac673446f7400f55f6afee791dee19
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/13898
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	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
dc.title.translated.spa.fl_str_mv	Algorithm for the classification of brain waves using deep learning techniques focused on the movement of the lower limbs using a brain-machine interface
title	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
spellingShingle	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 Systems engineer Technological innovations Brain-signal Artificial intelligence Movement Brain-machine interface Adaptive control systems Simulation methods Algorithms Machine theory Ingeniería de sistemas Innovaciones tecnológicas Sistemas de control adaptable Métodos de simulación Algoritmos Teoría de las máquinas Señal cerebral Inteligencia artificial Movimiento Interfaz cerebro-máquina
title_short	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
title_full	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
title_fullStr	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
title_full_unstemmed	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
title_sort	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
dc.creator.fl_str_mv	Tigreros Niño, Jhenner Sneyder
dc.contributor.advisor.none.fl_str_mv	Moreno Corzo, Feisar Enrique
dc.contributor.author.none.fl_str_mv	Tigreros Niño, Jhenner Sneyder
dc.contributor.cvlac.spa.fl_str_mv	Moreno Corzo, Feisar Enrique [0001499008]
dc.contributor.googlescholar.spa.fl_str_mv	Moreno Corzo, Feisar Enrique [jz75nEcAAAAJ&hl=es&oi=ao]
dc.contributor.orcid.spa.fl_str_mv	Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]
dc.contributor.researchgate.spa.fl_str_mv	Moreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]
dc.subject.keywords.spa.fl_str_mv	Systems engineer Technological innovations Brain-signal Artificial intelligence Movement Brain-machine interface Adaptive control systems Simulation methods Algorithms Machine theory
topic	Systems engineer Technological innovations Brain-signal Artificial intelligence Movement Brain-machine interface Adaptive control systems Simulation methods Algorithms Machine theory Ingeniería de sistemas Innovaciones tecnológicas Sistemas de control adaptable Métodos de simulación Algoritmos Teoría de las máquinas Señal cerebral Inteligencia artificial Movimiento Interfaz cerebro-máquina
dc.subject.lemb.spa.fl_str_mv	Ingeniería de sistemas Innovaciones tecnológicas Sistemas de control adaptable Métodos de simulación Algoritmos Teoría de las máquinas
dc.subject.proposal.spa.fl_str_mv	Señal cerebral Inteligencia artificial Movimiento Interfaz cerebro-máquina
description	Las dificultades físicas y desplazamiento a las que se ven sometidas personas con algún tipo de disminución en las capacidades motoras de su cuerpo, personas con parálisis o cuadripléjicos por algún accidente sufrido, es un problema al cual la sociedad ha estado integrándose lentamente, convirtiendo la infraestructura física de las grandes ciudades y las edificaciones de estas, con el fin de tener un ambiente más incluyente con esta población vulnerable. Actualmente con la implementación de nuevas tecnologías como la Inteligencia Artificial, principalmente el Aprendizaje de Maquina y el Aprendizaje Profundo, para la detección y clasificación de las acciones que desea hacer una persona en situación de discapacidad mediante el procesamiento de las señales cerebrales capturadas por un dispositivo de Interfaz Cerebro-Maquina, ha generado una nueva posibilidad y oportunidad a estas personas de usar modernas prótesis para sus extremidades inferiores y superiores. En este proyecto se desarrollará un algoritmo para la clasificación de estas ondas cerebrales enfocado en el movimiento de miembros inferior mediante la Inteligencia Artificial, para ser la base de nuevos productos de apoyo para estas poblaciones vulnerables.
publishDate	2020
dc.date.issued.none.fl_str_mv	2020
dc.date.accessioned.none.fl_str_mv	2021-08-19T15:24:12Z
dc.date.available.none.fl_str_mv	2021-08-19T15:24:12Z
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.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/13898
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/20.500.12749/13898
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	Koutník, J., Greff, K., Gomez, F., & Schmidhuber, J. (2014). A clockwork RNN. 31st International Conference on Machine Learning, ICML 2014, 5, 3881– 3889. Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003 Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, 1724–1734. https://doi.org/10.3115/v1/d141179 Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. 1–9. http://arxiv.org/abs/1411.7610 Xu, K., Ba, J. L., Kiros, R., Cho, K., Courville, A., Salakhutdinov, R., Zemel, R. S., & Bengio, Y. (2015). Show, attend and tell: Neural image caption generation with visual attention. 32nd International Conference on Machine Learning, ICML 2015, 3, 2048–2057. Gregor, K., Danihelka, I., Graves, A., Rezende, D. J., & Wierstra, D. (2015). DRAW: A recurrent neural network for image generation. 32nd International Conference on Machine Learning, ICML 2015, 2, 1462–1471. Greff, K., Srivastava, R. K., Koutnik, J., Steunebrink, B. R., & Schmidhuber, J. (2017). LSTM: A Search Space Odyssey. IEEE Transactions on Neural Networks and Learning Systems, 28(10), 2222–2232. https://doi.org/10.1109/TNNLS.2016.2582924 Chung, J., Kastner, K., Dinh, L., Goel, K., Courville, A., & Bengio, Y. (2015). A recurrent latent variable model for sequential data. Advances in Neural Information Processing Systems, 2015-Janua, 2980–2988 Kalchbrenner, N., Danihelka, I., & Graves, A. (2016). Grid long short-term memory. 4th International Conference on Learning Representations, ICLR 2016 - Conference Track Proceedings, 1–14 Yao, K., Cohn, T., Vylomova, K., Duh, K., & Dyer, C. (2015). Depth-Gated LSTM. 1–5. http://arxiv.org/abs/1508.03790 Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 Wang, L., Xu, G., Wang, J., Yang, S., & Yan, W. (2007). Feature extraction of mental task in BCI based on the method of approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology - Proceedings, 1941–1944. https://doi.org/10.1109/IEMBS.2007.4352697 Gowreesunker, B. V., Tewfik, A. H., Tadipatri, V. A., Ashe, J., Pellize, G., & Gupta, R. (2011). A subspace approach to learning recurrent features from brain activity. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 19(3), 240–248. https://doi.org/10.1109/TNSRE.2011.2106802 Gandhi, V., Arora, V., Behera, L., Prasad, G., Coyle, D. H., & Mcginnity, T. M. (n.d.). A RECURRENT QUANTUM NEURAL NETWORK MODEL ENHANCES THE EEG SIGNAL FOR AN IMPROVED BRAIN- COMPUTER INTERFACE Shuhanaz, M., Azalan, Z., Paulraj, M. P., & Yaacob, S. (n.d.). Classification of Hand Movement Imagery Tasks for Brain Machine Interface Using FeedForward Network. 2014 2nd International Conference on Electronic Design (ICED), 3, 431–436. https://doi.org/10.1109/ICED.2014.7015844 Elgharabawy, A., & Wahed, M. A. (2016). Decoding Of Finger Movement Using Kinematic Model Classification And Regression Model Switching. 2016 8th Cairo International Biomedical Engineering Conference (CIBEC), 84–89. https://doi.org/10.1109/CIBEC.2016.7836126 Thomas, J., Maszczyk, T., Sinha, N., Kluge, T., & Dauwels, J. (2017). Deep Learning-based Classification for Brain-Computer Interfaces. 234–239 Rathore, H., & Al-ali, A. K. (2020). SPECIAL SECTION ON NEW TRENDS IN BRAIN A Novel Deep Learning Strategy for Classifying Different Attack Patterns for Deep Brain Implants. IEEE Access, 7, 24154–24164. https://doi.org/10.1109/ACCESS.2019.2899558 Colamarino, E., Muceli, S., Ibanez, J., Mrachacz-Kersting, N., Mattia, D., Cincotti, F., & Farina, D. (2019). Adaptive learning in the detection of Movement Related Cortical Potentials improves usability of associative Brain-Computer Interfaces. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 3079–3082. https://doi.org/10.1109/EMBC.2019.8856580 Kapsalyamov, A., Hussain, S., Sharipov, A., & Jamwal, P. (2019). Brain–computer interface and assist-as-needed model for upper limb robotic arm. Advances in Mechanical Engineering, 11(9), 1–9. https://doi.org/10.1177/1687814019875537 Witten, I. H., Frank, E., & Hall, M. a. (2011). Data Mining: Practical Machine Learning Tools and Techniques (Google eBook). In Complementary literature None. http://books.google.com/books?id=bDtLM8CODsQC&pgis=1 Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. https://doi.org/10.1126/science.1127647 Jozefowicz, R., Zaremba, W., & Sutskever, I. (2015). An empirical exploration of Recurrent Network architectures. 32nd International Conference on Machine Learning, ICML 2015, 3, 2332–2340. Luigjes, J., Segrave, R., de Joode, N., Figee, M., & Denys, D. (2019). Efficacy of Invasive and Non-Invasive Brain Modulation Interventions for Addiction. In Neuropsychology Review (Vol. 29, Issue 1, pp. 116–138). Neuropsychology Review. https://doi.org/10.1007/s11065-018-9393-5 Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436– 444. https://doi.org/10.1038/nature14539 DANE. (2010). SANTANDER. DANE. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-ypoblacion/discapacidad Schulz, H., & Behnke, S. (2012). Deep Learning: Layer-Wise Learning of Feature Hierarchies. KI - Künstliche Intelligenz, 26(4), 357–363. https://doi.org/10.1007/s13218-012-0198-z He, Y., Luu, T. P., Nathan, K., Nakagome, S., & Contreras-Vidal, J. L. (2018). Data Descriptor: A mobile brainbody imaging dataset recorded during treadmill walking with a brain-computer interface. Scientific Data, 5, 1–10. https://doi.org/10.1038/sdata.2018.74 Yoshua Bengio, Patrice Simard, & Paolo Frasconi. (2014). Learning Long-term Dependencies with Gradient Descent is Difficult. IEEE Transactions on Neural Network, 5(2), 157. http://www.dsi.unifi.it/~paolo/ps/tnn-94-gradient.pdf Flach, P. (2012). The Art and Science of Algorithms that Make Sense of Data (Vol. 2010). Universitario, B. (2018). UNAB recibe reconocimiento por garantizar derecho a la educación de personas con discapacidad. 1. https://www.unab.edu.co/publicaciones/unab-recibe-reconocimientogarantizar-derecho-la-educación-personas-discapacidad World Economic Forum. (2019). Man with quadriplegia is able to control his prosthetic arms using just his thoughts. https://www.weforum.org/agenda/2019/10/man-with-quadriplegia-is-able-tocontrol-his-prosthetic-arms-using-just-his-thoughts/ Christopher & Dana Reeve Foundation. (2013). Prevalence of paralysis in the United States. https://www.christopherreeve.org/living-with-paralysis/statsabout-paralysis More, A. (2019). Brain Computer Interface (BCI) Market 2019: Global Industry Size, Share, Future Challenges, Revenue, Demand, Industry Growth and Top Players Analysis to 2025. Market Watch. https://www.marketwatch.com/pressrelease/brain-computer-interface-bci-market-2019-global-industry-size-sharefuture-challenges-revenue-demand-industry-growth-and-top-players-analysisto-2025-2019-08-20 NICHD - Eunice Kennedy Shriver National Institute of Child Health and Human Development (NICHD). (2015). ¿Cuántas personas tienen una lesión de la médula espinal (SCI por sus siglas en inglés)? https://espanol.nichd.nih.gov/salud/temas/spinalinjury/informacion/riesgo National Spinal Cord Injury Statistical Center. (2017). Lesión de la médula espinal Referencia rápida de datos y cifras. Spain Rehabilitation Center, 4–5. https://www.nscisc.uab.edu/public/SCI Facts and Figures at a Glance - 2017 - Spanish.pdf Center, N. S. C. I. S. (2014). 2014 Annual Report Complete Public Version. 106 Fazel-Rezai, R., Allison, B. Z., Guger, C., Sellers, E. W., Kleih, S. C., & Kübler, A. (2012). P300 brain computer interface: Current challenges and emerging trends. Frontiers in Neuroengineering, 5(JUNE), 1–30. https://doi.org/10.3389/fneng.2012.00014 Decety, J. (1996). The neurophysiological basis of motor imagery. Behavioural Brain Research, 77(1), 45–52. https://doi.org/https://doi.org/10.1016/01664328(95)00225-1 Pfurtscheller, G., & Neuper, C. (2001). Motor imagery and direct brain-computer communication. Proceedings of the IEEE, 89(7), 1123–1134. https://doi.org/10.1109/5.939829 Fedjaev, J. (2017). Decoding EEG Brain Signals using Recurrent Neural Networks [Technische Universit¨at M¨unchen]. https://mediatum.ub.tum.de/doc/1422453/552605125571.pdf Watkinson, J. (1998). The art of sound reproduction. https://archive.org/details/artofsoundreprod0000watk Freedman, D., Pisani, R., & Purver, R. (2007). Statistics (Septima). Hopfield, J. J. (1988). Artificial neural networks. IEEE Circuits and Devices Magazine, 4(5), 3–10. https://doi.org/10.1109/101.8118 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 2, 1097–1105 Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0 Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 Olah, C. (2015). Understanding LSTM Networks. http://colah.github.io/posts/201508-Understanding-LSTMs/ Stanford. (n.d.). Convolutional Neural Networks for Visual Recognition. 2020. Retrieved April 20, 2020, from https://cs231n.github.io/neural-networks-1 Codecademy. (2020). Normalization. https://www.codecademy.com/articles/normalization Kuhlman, D. (2013). A Python Book. A Python Book, 1–227 Rodrigues, I. (2020). CRISP-DM methodology leader in data mining and big data. https://towardsdatascience.com/crisp-dm-methodology-leader-in-data-miningand-big-data-467efd3d3781 IEEE. (2020). IEEE Member Digital Library. https://www.ieee.org/content/dam/ieeeorg/ieee/web/org/pubs/productmarketing/member-digital-library.pdf Service, A. W. (2020). SageMaker (p. 1). https://aws.amazon.com/es/sagemaker/pricing/ HAYS. (2020). ANÁLISIS DE TENDENCIAS & SALARIOS, AMÉRICA LATINA 2020. https://www.hays.com.br/documents/63221/0/Hays+Análisis+de+Tendencias+ LATAM+2020+CO.pdf Moine, J. Mi., Haedo, A., & Gordillo, S. (2011). Estudio comparativo de metodologías para minería de datos. XIII Workshop de Investigadores En Ciencias de La Computación, 278–281. http://sedici.unlp.edu.ar/handle/10915/20034 Scopus. (2020). Pricing. https://www.elsevier.com/about/policies/pricing Oxford. (2020). Purchase. https://academic.oup.com/jcr/subscribe Spss, I. B. M., & Guide, M. C. (2016). IBM SPSS Modeler CRISP-DM. Tensorflow. (2015). TensorFlow: Open source machine learning. Youtube. https://www.youtube.com/watch?v=oZikw5k_2FM Google. (2020). ¿Por qué Google Cloud? Google Cloud Blog. https://cloud.google.com/why-google-cloud Scipy. (2020). Scipy.org. https://scipy.org/ Scikit-Learn. (2020). Machine Learning in Python. https://scikitlearn.org/stable/index.html NeuraLink. (2020). Interfacing with the Brain. https://neuralink.com/approach/
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.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2
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) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Colombia
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 de Sistemas
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/13898/1/2021_Tesis_Jhenner_Tigreros_NI%c3%b1o.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13898/2/2021_Licencia_Jhenner_Tigreros_NI%c3%b1o.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13898/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/13898/4/2021_Tesis_Jhenner_Tigreros_NI%c3%b1o.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13898/5/2021_Licencia_Jhenner_Tigreros_NI%c3%b1o.pdf.jpg
bitstream.checksum.fl_str_mv	a9e89554e07a3d6d87598d33d3fd30a0 c6b692881eb45f385f465a8cfdbd17d8 8a4605be74aa9ea9d79846c1fba20a33 b7a64a6d10de813f9f2062e7e0fcb8e9 c5fc8c2d2b41ee645852f60bb3b033bc
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_	1808410604493340672
spelling	Moreno Corzo, Feisar EnriqueTigreros Niño, Jhenner SneyderMoreno Corzo, Feisar Enrique [0001499008]Moreno Corzo, Feisar Enrique [jz75nEcAAAAJ&hl=es&oi=ao]Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]Moreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]Colombia2021-08-19T15:24:12Z2021-08-19T15:24:12Z2020http://hdl.handle.net/20.500.12749/13898instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLas dificultades físicas y desplazamiento a las que se ven sometidas personas con algún tipo de disminución en las capacidades motoras de su cuerpo, personas con parálisis o cuadripléjicos por algún accidente sufrido, es un problema al cual la sociedad ha estado integrándose lentamente, convirtiendo la infraestructura física de las grandes ciudades y las edificaciones de estas, con el fin de tener un ambiente más incluyente con esta población vulnerable. Actualmente con la implementación de nuevas tecnologías como la Inteligencia Artificial, principalmente el Aprendizaje de Maquina y el Aprendizaje Profundo, para la detección y clasificación de las acciones que desea hacer una persona en situación de discapacidad mediante el procesamiento de las señales cerebrales capturadas por un dispositivo de Interfaz Cerebro-Maquina, ha generado una nueva posibilidad y oportunidad a estas personas de usar modernas prótesis para sus extremidades inferiores y superiores. En este proyecto se desarrollará un algoritmo para la clasificación de estas ondas cerebrales enfocado en el movimiento de miembros inferior mediante la Inteligencia Artificial, para ser la base de nuevos productos de apoyo para estas poblaciones vulnerables.1. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN 13 1.1 PLANTEAMIENTO DEL PROBLEMA 13 1.2 JUSTIFICACIÓN 14 1.3 LINEA DE INVESTIGACIÓN 15 2. OBJETIVOS Y PRODUCTOS 16 2.1. OBJETIVO GENERAL 16 2.2. OBJETIVOS ESPECÍFICOS 16 2.3. PRODUCTOS 16 3. ANTECEDENTES Y ESTADO DEL ARTE 18 3.1. ANTECEDENTES 18 3.2. ESTADO DEL ARTE 19 4. MARCO CONCEPTUAL 22 4.1. INTERFAZ CEREBRO-COMPUTADORA BASADA EN ELECTROENCEFALOGRAFÍA (EEG) 22 4.1.1. Ritmos motores sensoriales e imágenes motores 22 4.2. PREPROCESAMIENTO DE SEÑALES 23 4.2.1. Filtro de Band-Stop 23 4.2.2. Filtro High Pass 24 4.2.3. Normalización 25 4.3. REDES NEURONALES ARTIFICIALES 25 4.3.1. Neurona 26 4.3.1.1. Estructura 26 4.3.2. Función de activación 27 4.3.2.1. ReLU 27 4.3.2.2. Tanh 28 4.3.3. Función de costos 28 4.3.3.1. Linear 29 4.3.3.2. Sigmoide 29 4.3.3.3. Softmax 31 4.4. APRENDIZAJE PROFUNDO 31 4.4.1. Red Neuronal Recurrente Clásica. 31 4.4.2. Red Long Short-Term Memory (LSTM) 33 5. MARCO METODOLÓGICO 37 5.1 DEFINICIÓN DE STACK TECNOLOGICO 40 5.1.2 Python 40 5.1.3 Tensorflow 40 5.1.4 Google Cloud Platform 40 5.1.5 Scipy 41 5.1.6 Scikit-Learn 41 5.2 DEFINICIÓN DE CASOS DE USO 41 5.3 DESCRIPCIÓN DE CASOS DE USO 43 5.3.1 Carga de información en batch 43 Actores 43 Precondiciones 43 Flujo Básico 43 Flujo Alternativo 1 44 Flujo Alternativo 2 44 Descripción de Objetos e Interacciones 44 Implementación 45 5.3.2 Carga de información en tiempo real 45 Actores 46 Precondiciones 46 Flujo Básico 46 Flujo Alternativo 1 46 Flujo Alternativo 2 46 Descripción de Objetos e Interacciones 47 Implementación 48 5.3.3 Visualizar predicción 48 Actores 49 Precondiciones 49 Flujo Básico 49 Descripción de Objetos e Interacciones 49 Implementación 50 5.3.4 Preprocesamiento de datos 51 Actores 51 Precondiciones 51 Flujo Básico 51 Flujo Alternativo 51 Descripción de Objetos e Interacciones 52 Implementación 53 5.3.5 Visualizar señales 53 Actores 54 Precondiciones 54 Flujo Básico 54 Flujo Alternativo 54 Descripción de Objetos e Interacciones 54 Implementación 55 5.3.6 Guardar información en la nube 55 Actores 56 Precondiciones 56 Flujo Básico 56 Flujo Alternativo 56 Descripción de Objetos e Interacciones 57 Implementación 57 5.4 LEVANTAMIENTO DE DATOS 58 5.4.1 Recolección de datos 58 5.4.2 Muestra de datos 59 5.4.3 Método experimental 59 5.4.4 Datos 60 5.4.5 Validación técnica 60 5.5 PROCESAMIENTO DE SEÑALES 60 5.5.1 Filtro Band-Stop 60 5.5.2 Filtro High-Pass 62 5.5.3 Normalización 63 6. ARQUITECTURA DE RED NEURONAL 64 6.1 Capas 64 6.2 Funciones de activación 65 6.3 Modelo 65 7. RESULTADOS OBTENIDOS 67 7.1 CONJUNTO DE DATOS EN BRUTO Y PREPROCESAMIENTO DE INFORMACIÓN. 67 7.2 CARACTERIZACIÓN DE LAS ONDAS EEG 67 7.3 ARQUITECTURA DE APRENDIZAJE PRONFUNDO 68 7.4 IMPLEMENTACIÓN DE LA ARQUITECTURA DE APRENDIZAJE PRONFUNDO 68 7.5 ENTRENAMIENTO DE LA RED NEURONAL 68 7.6 PRUEBAS DE LA RED NEURONAL ENTRENADA 68 8. ANALISIS DE RESULTADOS 69 8.1 ENTRENAMIENTO DE LA RED NEURONAL 69 8.2 PRUEBAS EN EL CONJUNTO DE VALIDACIÓN 73 8.3 PROCESAMIENTO DE DATOS 74 8.4 CONJUNTO DE ENTRENAMIENTO 75 8.5 DIAGRAMA DE DESPLIEGUE 75 9. CONCLUSIONES 76 10. RECOMENDACIONES 77 BIBLIOGRAFÍA 79 ANEXOS 85PregradoThe physical difficulties and displacement to which people with some type of decrease in the motor capacities of their body are subjected, people with paralysis or quadriplegics due to an accident suffered, is a problem to which society has been slowly integrating, converting the infrastructure physics of large cities and their buildings, in order to have a more inclusive environment with this vulnerable population. Currently with the implementation of new technologies such as Artificial Intelligence, mainly Machine Learning and Deep Learning, for the detection and classification of the actions that a person in a situation of disability wishes to do through the processing of brain signals captured by a device. Brain-Machine Interface, has generated a new possibility and opportunity for these people to use modern prostheses for their lower and upper extremities. In this project, an algorithm will be developed for the classification of these brain waves focused on the movement of lower limbs through Artificial Intelligence, to be the basis of new support products for these vulnerable populations.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaAlgoritmo para la clasificación de ondas cerebrales mediante técnicas de aprendizaje profundo enfocado en el movimiento de miembros inferiores haciendo uso de una interfaz cerebro-máquinaAlgorithm for the classification of brain waves using deep learning techniques focused on the movement of the lower limbs using a brain-machine interfaceIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsBrain-signalArtificial intelligenceMovementBrain-machine interfaceAdaptive control systemsSimulation methodsAlgorithmsMachine theoryIngeniería de sistemasInnovaciones tecnológicasSistemas de control adaptableMétodos de simulaciónAlgoritmosTeoría de las máquinasSeñal cerebralInteligencia artificialMovimientoInterfaz cerebro-máquinaKoutník, J., Greff, K., Gomez, F., & Schmidhuber, J. (2014). A clockwork RNN. 31st International Conference on Machine Learning, ICML 2014, 5, 3881– 3889.Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, 1724–1734. https://doi.org/10.3115/v1/d141179Bayer, J., & Osendorfer, C. (2014). Learning Stochastic Recurrent Networks. 1–9. http://arxiv.org/abs/1411.7610Xu, K., Ba, J. L., Kiros, R., Cho, K., Courville, A., Salakhutdinov, R., Zemel, R. S., & Bengio, Y. (2015). Show, attend and tell: Neural image caption generation with visual attention. 32nd International Conference on Machine Learning, ICML 2015, 3, 2048–2057.Gregor, K., Danihelka, I., Graves, A., Rezende, D. J., & Wierstra, D. (2015). DRAW: A recurrent neural network for image generation. 32nd International Conference on Machine Learning, ICML 2015, 2, 1462–1471.Greff, K., Srivastava, R. K., Koutnik, J., Steunebrink, B. R., & Schmidhuber, J. (2017). LSTM: A Search Space Odyssey. IEEE Transactions on Neural Networks and Learning Systems, 28(10), 2222–2232. https://doi.org/10.1109/TNNLS.2016.2582924Chung, J., Kastner, K., Dinh, L., Goel, K., Courville, A., & Bengio, Y. (2015). A recurrent latent variable model for sequential data. Advances in Neural Information Processing Systems, 2015-Janua, 2980–2988Kalchbrenner, N., Danihelka, I., & Graves, A. (2016). Grid long short-term memory. 4th International Conference on Learning Representations, ICLR 2016 - Conference Track Proceedings, 1–14Yao, K., Cohn, T., Vylomova, K., Duh, K., & Dyer, C. (2015). Depth-Gated LSTM. 1–5. http://arxiv.org/abs/1508.03790Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735Wang, L., Xu, G., Wang, J., Yang, S., & Yan, W. (2007). Feature extraction of mental task in BCI based on the method of approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology - Proceedings, 1941–1944. https://doi.org/10.1109/IEMBS.2007.4352697Gowreesunker, B. V., Tewfik, A. H., Tadipatri, V. A., Ashe, J., Pellize, G., & Gupta, R. (2011). A subspace approach to learning recurrent features from brain activity. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 19(3), 240–248. https://doi.org/10.1109/TNSRE.2011.2106802Gandhi, V., Arora, V., Behera, L., Prasad, G., Coyle, D. H., & Mcginnity, T. M. (n.d.). A RECURRENT QUANTUM NEURAL NETWORK MODEL ENHANCES THE EEG SIGNAL FOR AN IMPROVED BRAIN- COMPUTER INTERFACEShuhanaz, M., Azalan, Z., Paulraj, M. P., & Yaacob, S. (n.d.). Classification of Hand Movement Imagery Tasks for Brain Machine Interface Using FeedForward Network. 2014 2nd International Conference on Electronic Design (ICED), 3, 431–436. https://doi.org/10.1109/ICED.2014.7015844Elgharabawy, A., & Wahed, M. A. (2016). Decoding Of Finger Movement Using Kinematic Model Classification And Regression Model Switching. 2016 8th Cairo International Biomedical Engineering Conference (CIBEC), 84–89. https://doi.org/10.1109/CIBEC.2016.7836126Thomas, J., Maszczyk, T., Sinha, N., Kluge, T., & Dauwels, J. (2017). Deep Learning-based Classification for Brain-Computer Interfaces. 234–239Rathore, H., & Al-ali, A. K. (2020). SPECIAL SECTION ON NEW TRENDS IN BRAIN A Novel Deep Learning Strategy for Classifying Different Attack Patterns for Deep Brain Implants. IEEE Access, 7, 24154–24164. https://doi.org/10.1109/ACCESS.2019.2899558Colamarino, E., Muceli, S., Ibanez, J., Mrachacz-Kersting, N., Mattia, D., Cincotti, F., & Farina, D. (2019). Adaptive learning in the detection of Movement Related Cortical Potentials improves usability of associative Brain-Computer Interfaces. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 3079–3082. https://doi.org/10.1109/EMBC.2019.8856580Kapsalyamov, A., Hussain, S., Sharipov, A., & Jamwal, P. (2019). Brain–computer interface and assist-as-needed model for upper limb robotic arm. Advances in Mechanical Engineering, 11(9), 1–9. https://doi.org/10.1177/1687814019875537Witten, I. H., Frank, E., & Hall, M. a. (2011). Data Mining: Practical Machine Learning Tools and Techniques (Google eBook). In Complementary literature None. http://books.google.com/books?id=bDtLM8CODsQC&pgis=1Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. https://doi.org/10.1126/science.1127647Jozefowicz, R., Zaremba, W., & Sutskever, I. (2015). An empirical exploration of Recurrent Network architectures. 32nd International Conference on Machine Learning, ICML 2015, 3, 2332–2340.Luigjes, J., Segrave, R., de Joode, N., Figee, M., & Denys, D. (2019). Efficacy of Invasive and Non-Invasive Brain Modulation Interventions for Addiction. In Neuropsychology Review (Vol. 29, Issue 1, pp. 116–138). Neuropsychology Review. https://doi.org/10.1007/s11065-018-9393-5Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436– 444. https://doi.org/10.1038/nature14539DANE. (2010). SANTANDER. DANE. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-ypoblacion/discapacidadSchulz, H., & Behnke, S. (2012). Deep Learning: Layer-Wise Learning of Feature Hierarchies. KI - Künstliche Intelligenz, 26(4), 357–363. https://doi.org/10.1007/s13218-012-0198-zHe, Y., Luu, T. P., Nathan, K., Nakagome, S., & Contreras-Vidal, J. L. (2018). Data Descriptor: A mobile brainbody imaging dataset recorded during treadmill walking with a brain-computer interface. Scientific Data, 5, 1–10. https://doi.org/10.1038/sdata.2018.74Yoshua Bengio, Patrice Simard, & Paolo Frasconi. (2014). Learning Long-term Dependencies with Gradient Descent is Difficult. IEEE Transactions on Neural Network, 5(2), 157. http://www.dsi.unifi.it/~paolo/ps/tnn-94-gradient.pdfFlach, P. (2012). The Art and Science of Algorithms that Make Sense of Data (Vol. 2010).Universitario, B. (2018). UNAB recibe reconocimiento por garantizar derecho a la educación de personas con discapacidad. 1. https://www.unab.edu.co/publicaciones/unab-recibe-reconocimientogarantizar-derecho-la-educación-personas-discapacidadWorld Economic Forum. (2019). Man with quadriplegia is able to control his prosthetic arms using just his thoughts. https://www.weforum.org/agenda/2019/10/man-with-quadriplegia-is-able-tocontrol-his-prosthetic-arms-using-just-his-thoughts/Christopher & Dana Reeve Foundation. (2013). Prevalence of paralysis in the United States. https://www.christopherreeve.org/living-with-paralysis/statsabout-paralysisMore, A. (2019). Brain Computer Interface (BCI) Market 2019: Global Industry Size, Share, Future Challenges, Revenue, Demand, Industry Growth and Top Players Analysis to 2025. Market Watch. https://www.marketwatch.com/pressrelease/brain-computer-interface-bci-market-2019-global-industry-size-sharefuture-challenges-revenue-demand-industry-growth-and-top-players-analysisto-2025-2019-08-20NICHD - Eunice Kennedy Shriver National Institute of Child Health and Human Development (NICHD). (2015). ¿Cuántas personas tienen una lesión de la médula espinal (SCI por sus siglas en inglés)? https://espanol.nichd.nih.gov/salud/temas/spinalinjury/informacion/riesgoNational Spinal Cord Injury Statistical Center. (2017). Lesión de la médula espinal Referencia rápida de datos y cifras. Spain Rehabilitation Center, 4–5. https://www.nscisc.uab.edu/public/SCI Facts and Figures at a Glance - 2017 - Spanish.pdfCenter, N. S. C. I. S. (2014). 2014 Annual Report Complete Public Version. 106Fazel-Rezai, R., Allison, B. Z., Guger, C., Sellers, E. W., Kleih, S. C., & Kübler, A. (2012). P300 brain computer interface: Current challenges and emerging trends. Frontiers in Neuroengineering, 5(JUNE), 1–30. https://doi.org/10.3389/fneng.2012.00014Decety, J. (1996). The neurophysiological basis of motor imagery. Behavioural Brain Research, 77(1), 45–52. https://doi.org/https://doi.org/10.1016/01664328(95)00225-1Pfurtscheller, G., & Neuper, C. (2001). Motor imagery and direct brain-computer communication. Proceedings of the IEEE, 89(7), 1123–1134. https://doi.org/10.1109/5.939829Fedjaev, J. (2017). Decoding EEG Brain Signals using Recurrent Neural Networks [Technische Universit¨at M¨unchen]. https://mediatum.ub.tum.de/doc/1422453/552605125571.pdfWatkinson, J. (1998). The art of sound reproduction. https://archive.org/details/artofsoundreprod0000watkFreedman, D., Pisani, R., & Purver, R. (2007). Statistics (Septima).Hopfield, J. J. (1988). Artificial neural networks. IEEE Circuits and Devices Magazine, 4(5), 3–10. https://doi.org/10.1109/101.8118Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT PressKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 2, 1097–1105Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735Olah, C. (2015). Understanding LSTM Networks. http://colah.github.io/posts/201508-Understanding-LSTMs/Stanford. (n.d.). Convolutional Neural Networks for Visual Recognition. 2020. Retrieved April 20, 2020, from https://cs231n.github.io/neural-networks-1Codecademy. (2020). Normalization. https://www.codecademy.com/articles/normalizationKuhlman, D. (2013). A Python Book. A Python Book, 1–227Rodrigues, I. (2020). CRISP-DM methodology leader in data mining and big data. https://towardsdatascience.com/crisp-dm-methodology-leader-in-data-miningand-big-data-467efd3d3781IEEE. (2020). IEEE Member Digital Library. https://www.ieee.org/content/dam/ieeeorg/ieee/web/org/pubs/productmarketing/member-digital-library.pdfService, A. W. (2020). SageMaker (p. 1). https://aws.amazon.com/es/sagemaker/pricing/HAYS. (2020). ANÁLISIS DE TENDENCIAS & SALARIOS, AMÉRICA LATINA 2020. https://www.hays.com.br/documents/63221/0/Hays+Análisis+de+Tendencias+ LATAM+2020+CO.pdfMoine, J. Mi., Haedo, A., & Gordillo, S. (2011). Estudio comparativo de metodologías para minería de datos. XIII Workshop de Investigadores En Ciencias de La Computación, 278–281. http://sedici.unlp.edu.ar/handle/10915/20034Scopus. (2020). Pricing. https://www.elsevier.com/about/policies/pricingOxford. (2020). Purchase. https://academic.oup.com/jcr/subscribeSpss, I. B. M., & Guide, M. C. (2016). IBM SPSS Modeler CRISP-DM.Tensorflow. (2015). TensorFlow: Open source machine learning. Youtube. https://www.youtube.com/watch?v=oZikw5k_2FMGoogle. (2020). ¿Por qué Google Cloud? Google Cloud Blog. https://cloud.google.com/why-google-cloudScipy. (2020). Scipy.org. https://scipy.org/Scikit-Learn. (2020). Machine Learning in Python. https://scikitlearn.org/stable/index.htmlNeuraLink. (2020). Interfacing with the Brain. https://neuralink.com/approach/ORIGINAL2021_Tesis_Jhenner_Tigreros_NIño.pdf2021_Tesis_Jhenner_Tigreros_NIño.pdfTesisapplication/pdf7840469https://repository.unab.edu.co/bitstream/20.500.12749/13898/1/2021_Tesis_Jhenner_Tigreros_NI%c3%b1o.pdfa9e89554e07a3d6d87598d33d3fd30a0MD51open access2021_Licencia_Jhenner_Tigreros_NIño.pdf2021_Licencia_Jhenner_Tigreros_NIño.pdfLicenciaapplication/pdf185317https://repository.unab.edu.co/bitstream/20.500.12749/13898/2/2021_Licencia_Jhenner_Tigreros_NI%c3%b1o.pdfc6b692881eb45f385f465a8cfdbd17d8MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/13898/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2021_Tesis_Jhenner_Tigreros_NIño.pdf.jpg2021_Tesis_Jhenner_Tigreros_NIño.pdf.jpgIM Thumbnailimage/jpeg4794https://repository.unab.edu.co/bitstream/20.500.12749/13898/4/2021_Tesis_Jhenner_Tigreros_NI%c3%b1o.pdf.jpgb7a64a6d10de813f9f2062e7e0fcb8e9MD54open access2021_Licencia_Jhenner_Tigreros_NIño.pdf.jpg2021_Licencia_Jhenner_Tigreros_NIño.pdf.jpgIM Thumbnailimage/jpeg10005https://repository.unab.edu.co/bitstream/20.500.12749/13898/5/2021_Licencia_Jhenner_Tigreros_NI%c3%b1o.pdf.jpgc5fc8c2d2b41ee645852f60bb3b033bcMD55open access20.500.12749/13898oai:repository.unab.edu.co:20.500.12749/138982021-10-04 11:33:29.94open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

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

Publicaciones similares