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...

Full description

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
Description
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.