Examinando por Materia "BCI"

Mostrando 1 - 4 de 4
  • Miniatura
    PublicaciónAcceso abierto
    Interfaz cerebro máquina portátil para accionar un brazo humanoide
    (Universidad EIA, 2017) Giraldo Pérez, Sebastián; Herrera Sánchez, Daniel; Cuartas Molina, Jairo Antonio
    En Colombia las prótesis de miembro superior más usadas son aquellas cuya función es similar a la pinza. Dicha función suele ser accionada por movimientos físicos del portador, en especial de los músculos ubicados sobre el omóplato, bíceps y tríceps. Una de las posibles soluciones a este problema es utilizar los sistemas de interfaz cerebro máquina (ICM), los cuales han permitido que personas en situación de discapacidad, controlen sistemas digitales con el pensamiento (esto incluye los brazos humanoides), pero generalmente requiere una computadora con alto poder computacional para su uso. Este proyecto propone una ICM portátil que permitirá mover un brazo humanoide a través de ondas cerebrales captadas de un usuario. Por lo tanto, el proyecto genera una alternativa al control de prótesis de miembro superior, para aquellos que no pueden desarrollar movimientos para accionarlas. No obstante, la ICM no solo sería funcional para este fin, también se podría integrar con otros sistemas digitales, lo que permitiría desarrollar interfaces útiles para toda clase de usuarios, entre ellos las personas en circunstancia de movilidad reducida. Para llevar esto a cabo, lo primero que se debe hacer es identificar las características de las señales. Además, se debe implementar un sistema de adquisición de señales de electroencefalografía (EEG) portátil. Se identifican algunas posiciones en la corteza cerebral que permiten utilizar un número mínimo de electrodos para poder diferenciar entre tres clases: abrir, cerrar y no ejecutar ningún movimiento. Se implementa un protocolo de entrenamiento para poder adquirir los datos que sirven como base para la extracción de características en la señal de EEG empleando filtros y Common Spatial Pattern (CSP). Luego de esto se utiliza Linear Discriminant Analysis (LDA) con el fin de que el algoritmo sea capaz de asociar estas características a una clase determinada. Para el desarrollo del algoritmo se utiliza Python como lenguaje de programación, ya que este es un lenguaje open-source muy bien documentado y para el cual sus usuarios desarrollan librerías que pueden realizar funciones prácticas para este proyecto.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo para determinar el estado cognitivo en pacientes comatosos mediante el registro de la actividad bioeléctrica cerebral
    (Universidad EIA, 2013) Cardona Murillo, Alejandro; Velásquez Rendón, Esteban; Peña Palacio, Juan Alejandro
    We propose the development of a computational model that aims to infer the cognitive state of patients in any derived state of coma using the bioelectrical brain activity registry.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo Para Determinar el Estado Cognitivo en Pacientes Comatosos Mediante el Registro de la Actividad Bioeléctrica Cerebral
    (Universidad EIA, 2013) Cardona Murillo, Alejandro; Velásquez Rendón, Esteban
    En el presente trabajo se expone el desarrollo de un modelo computacional que tiene como objetivo inferir el estado cognitivo de pacientes en estados derivados del coma mediante el registro de la actividad bioeléctrica cerebral. Inicialmente se identificaron los diferentes desórdenes cerebrales relacionados con la conciencia, basándose en las definiciones clínicas y los aspectos metodológicos de la muerte cerebral, el coma, el estado vegetativo, el estado de mínima conciencia y el síndrome de enclaustramiento. Se propuso el estudio de la actividad cerebral mediante electroencefalografía, haciendo uso de un headset comercial óptimo para la tarea. Luego se exploraron los temas de los artefactos biológicos (actividad eléctrica que no es generada por el cerebro) y sus posibles causas, los potenciales relacionados con eventos (ERP) y las bandas de frecuencia en donde se hallan las diferentes ondas cerebrales que permiten analizar el estado cognitivo. Conociendo estos factores, se determinó la necesidad de preprocesar los datos obtenidos (filtros requeridos) y de implementar un análisis de componentes independientes (ICA) para la remoción de artefactos en la búsqueda de interpretar sus dinámicas de comportamiento correctamente. En el desarrollo del estudio se realizaron pruebas a pacientes de control aplicando estímulos auditivos de modo que se produjesen en los pacientes patrones de activación bien definidos y distinguibles entre sí. Para tal fin, se les indicó que imaginaran en un primer caso situaciones relajantes y en un segundo caso situaciones frustrantes. Los registros obtenidos fueron preprocesados y posteriormente ingresados en una red neuronal artificial de identificación y clasificación; se empleó la mitad de las muestras para el proceso de aprendizaje de la red neuronal y la otra mitad para el proceso de validación del modelo. Se evaluaron dos tipos de redes neuronales con el fin de determinar cuál de las dos era la más efectiva en el proceso de clasificación de los dos estados mentales propuestos. Las redes evaluadas fueron: red perceptrón multicapa y red de base radial, siendo esta última la que arrojó el mejor porcentaje de clasificación. El resultado obtenido del proceso de validación indicó que el modelo logra inferir el estado cognitivo en por lo menos cuatro de cada cinco casos, suponiendo una posibilidad de implementación futura del modelo en pacientes con detrimento cognitivo. De acuerdo a lo anterior, se propuso un protocolo de evaluación para los pacientes en estados derivados del coma.
  • Miniatura
    PublicaciónAcceso abierto
    Rehabilitación para pacientes postinfarto cerebral utilizando sistemas BCI/FES
    (Universidad EIA, 2019) Mejía Diez, Alberto; Herrera Sánchez, Daniel
    According to the article “Stroke: A global response is needed”, at a worldwide level, brain strokes are the second cause of death and the third cause of disability on people (Johnson et al, 2016). Some of the complications that people who have suffered brain stroke can experience, listed by the Mayo Clinic, include paralysis or loss of muscle movement, difficulty speaking of swallowing, loss of memory or difficulty thinking, emotional problems, severe pain or changes in behavior and the ability of selfcare (Mayo Clinic, 2018). The methods of rehabilitation available right now are limited by the fact that they possess a short populational reach compared to the large amount of people who are affected by it. Such methods only manage to provide considerable results to those people who have suffered mild damages in their motor functions. In a study carried out by Dobkins, it was shown that only a 25% of the people who suffered from brain stroke were capable of eventually returning to an everyday life similar to the one of a healthy person (Dobkins, 2005). Currently, the market already offers devices of electrostimulation for the rehabilitation of motor functions using electromyography signals (electrical signals that result from muscle contractions) like the NESS H200. The people who have suffered from mild cerebral damages are able to activate this device due to the fact that most of them are still able to generate electrical impulses strong enough to be detected by electromyography (EMG) but not strong enough to surpass the action potential threshold needed to contract the muscle. For this reason, the necessity to develop a device that works under the same concept of electrostimulation mentioned previously but is not dependent on the residual motor functioning of the patient arises, and this way directly increasing the amount of people with more severe damages to their nervous system who can benefit from it. A brain computer interface (BCI) allows the user to control an external device by identifying specific brain signals and converting them into a series of digital commands. Such signals can be obtained by numerous ways, one of them being through electroencephalography (EEG) equipment. Once those signals are obtained, they are classified using a computational algorithm so that they can be further on expressed as electrical impulses in order to induce muscle contractions. Considering the fact that the brain signals generated when a motor movement is imagined (MI or motor imagery) are very similar to the signals generated when the actual movement is carried out, the activation of the electrostimulation device will not be affected by the residual motor capacity present on the affected patient.