Desarrollo de una interfaz BCI para la comunicación asíncrona en dispositivos móviles por medio del paradigma P300
El presente proyecto se centró en el diseño e implementación de una interfaz cerebro-ordenador (BCI) basada en el paradigma P300, con el propósito de abordar diversas problemáticas identificadas en las interfaces BCI existentes. Estas problemáticas incluyen la eficiencia, precisión, adaptabilidad y...
- Autores:
-
Coronado Pinzón, Jefferson Stiven
Suárez Torres, Jonnathan Nicolás
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad El Bosque
- Repositorio:
- Repositorio U. El Bosque
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unbosque.edu.co:20.500.12495/11480
- Acceso en línea:
- http://hdl.handle.net/20.500.12495/11480
- Palabra clave:
- Comunicación móvil
Interfaz
Procesamiento de la información
Visualización
621.381
Information processing, Interface, Mobile communication, Visualization.
Information processing
Interface
Mobile communication
Visualization
- Rights
- openAccess
- License
- Atribución-NoComercial-CompartirIgual 4.0 Internacional
Summary: | El presente proyecto se centró en el diseño e implementación de una interfaz cerebro-ordenador (BCI) basada en el paradigma P300, con el propósito de abordar diversas problemáticas identificadas en las interfaces BCI existentes. Estas problemáticas incluyen la eficiencia, precisión, adaptabilidad y operabilidad. La interfaz como plataforma web permitió a pacientes comunicarse de forma asincrónica a través de dispositivos móviles, que además utilizo señales electroencefalográficas no invasivas con componentes de ondas P300 en respuesta a estímulos visuales presentados en un ordenador. La interfaz creada facilito la visualización y procesamiento de las señales EEG, la configuración personalizada para cada usuario y el envió de mensajes compuestos por caracteres hacia un bot de la aplicación móvil Telegram. Además, se utilizó el lenguaje de programación Python para el desarrollo y construcción de todos los algoritmos de análisis, filtrado, procesamiento, clasificación y entrenamiento de datos. A través de la identificación de eventos relacionados con potenciales P300 que representaran los caracteres individuales seleccionados por la persona a través de una matriz de estímulos visuales. Los resultados indicaron una precisión de más del 60% en la clasificación de señales EEG utilizando un algoritmo de entrenamiento incluido en el clasificador OneRule como elemento de machine learning integrado con procesamiento de señales por Transformada de Wavelet. |
---|