CONICET | Buscador de Institutos y Recursos Humanos

Aunque el EEG es un indicador insuficiente y distorsionado de la actividad cerebral, continúa siendo una señal muy empleada como representativa de dicha actividad, principalmente debido a la facilidad con que puede ser medido y analizado. En el momento que fue posible procesar digitalmente las señales de EEG, la intención de crear un canal directo de comunicación entre el cerebro y el mundo real usando estas señales, creció rápidamente. En 1990 los trabajos de Keirn y Aunon confirmaron que efectivamente era posible determinar razonablemente bien, que tareas mentales eran realizadas por un sujeto analizando su EEG. Partir de entonces se pensó en la posibilidad de crear un nuevo canal de comunicación que no dependiera de los nervios periféricos del cerebro o de los músculos, las interfaces de control cerebral (ICC). Las ICC son sistemas que permiten la extracción, clasificación y reconocimiento de tareas mentales a partir de la medición del EEG humano. Las ICC se aplican en personas con severas discapacidades motoras como un medio de comunicación alternativo con una computadora. Actualmente diferentes medios algorítmicos son empleados para el análisis, incluyendo por ejemplo modelos auto regresivos (AR), o análisis espectral de frecuencia para la extracción de características del EEG, y redes neuronales para la clasificación. En este trabajo clasificamos cinco tareas mentales propuestas por Keirn y Aunon, usando una red neuronal Counterpropagation. Los datos analizados fueron obtenidos de experimentos previos de otros investigadores disponibles en internet (www.cs.colostate.edu/~anderson), y consisten en el registros de EEG de seis canales, en cuatro sujetos mientras realizaban diferentes tareas mentales tales como: estado de reposo, tarea matemática, tarea de rotación mental de una figura, tarea de composición mental de letras y tarea de conteo visual. Los electrodos fueron colocados en C3, C4, P3, P4, O1 y O2, según el sistema internacional 10/20, todos los canales con referencia eléctricamente conectada a los mastoides A1 y A2. Los registros fueron adquiridos por medio de un banco de amplificadores 7P511 que están provistos de filtros analógicos los cuales fueron fijados en 0.1 a 100 Hz. Esta red es una combinación de dos redes, una basada en el aprendizaje no supervisado competitivo, Mapa Auto Organizado de Kohonen (SOM) y otra que realiza una clasificación lineal basada en la regla de aprendizaje del Perceptron. El clasificador propuesto en este trabajo utiliza como entradas vectores característicos que están formados por los parámetros de un Modelo Auto Regresivo (AR) de orden seis, calculado por medio del algoritmo de Burg en ventanas de ¼ y de 1 segundo sobre el EEG registrado. Nuestros resultados muestran que la clasificación de las tareas mentales por sujeto, fueron correctas en un rango entre el 64% al 76%. La clasificación por pares de tarea para todos los sujetos fue positiva en un rango del 62% al 78%. El tamaño del mapa auto organizado mostró ser un factor importante en la performance de la clasificación, siendo adecuados tamaños de 3x3 y 5x5 con clasificaciones en el rango de 90% y 88% respectivamente. La clasificación utilizando la red propuesta en este trabajo mostró un buen funcionamiento. La precisión de la clasificación varió según la ventana que se modelaba, mostrando una mejor clasificación cuando se tomaron ventanas de un segundo de duración solapadas por medio segundo. Debido al intervalo de tiempo mas largo de la ventana modelada, los vectores clasificados en esta ultima situación fueron menos que los propuestos por Keirn y Aunon. Como se empleó una sola sesión de registros de EEG se dispuso de pocos vectores característicos, sin embargo la red pudo resolver el problema de la clasificación en forma satisfactoria. La red logró una clasificación máxima promedio de 93% ,con un porcentaje de vectores de entrenamiento de 60%.

enviar mensaje