Examinando por Materia "EEG"

Mostrando 1 - 7 de 7
  • Miniatura
    PublicaciónAcceso abierto
    Dispositivo para la estimación del efecto de una cámara de estimulación multisensorial en las señales fisiológicas de un ser humano
    (Universidad EIA, 2023) Neira Gómez, Ana Sofía; Torres Villa, Róbinson Alberto; Quintero Zea, Andrés
    RESUMEN: debido al crecimiento global de la meditación en el ámbito de la medicina complementaria, la empresa Hiroki 360 en Medellín, Colombia, desarrolló una cámara de estimulación multisensorial con la finalidad de potencializar los efectos de la meditación a través de experiencias sensoriales. Sin embargo, buscan respaldar sus beneficios mediante la fabricación de un dispositivo capaz de adquirir y procesar ciertas señales fisiológicas que provean información relevante para cuantificar los efectos de las cámaras de bienestar en la salud de los usuarios. Para la ejecución de este proyecto, se siguieron tres etapas clave. En primer lugar, se implementó un dispositivo capaz de adquirir las señales fisiológicas asociadas al bienestar: ECG, EEG y PPG. En segundo lugar, se desarrolló una aplicación que incorpora un modelo para la estimación de índices del estado bienestar, a partir del procesamiento de estas señales. Por último, se registró la actividad fisiológica de varios voluntarios durante una sesión de meditación en la Kamara de bienestar por medio del dispositivo implementado. Una vez construido un banco de señales se exploraron posibles correlaciones entre las señales obtenidas y los momentos de estimulación sensorial proporcionados en la cámara. Para ello se hizo uso de indicadores efectivos del estado de bienestar como la coherencia fisiológica, la variabilidad de la frecuencia cardiaca (HRV), la frecuencia respiratoria, entre otros. Y se aplicaron análisis estadísticos para evaluar los parámetros. Dentro de los resultados obtenidos se encuentra una disminución significativa de la frecuencia cardiaca y la frecuencia respiratoria entre el momento de llegada y minutos antes de finalizar la meditación. Asimismo, se observaron aumentos de los parámetros SDNN, PNN50 y RMSSD que sugieren un aumento en la actividad del sistema nervioso parasimpático relacionado con el estado de relajación. Estos hallazgos, sugieren un incremento en el nivel de bienestar en comparación con el estado inicial de los voluntarios. Sin embargo, se registraron bajos niveles de coherencia fisiológica durante toda la meditación y no fue posible encontrar una relación clara entre los resultados de todos los parámetros en cada uno de los momentos de meditación y las medidas de bienestar subjetivas.
  • Miniatura
    PublicaciónAcceso abierto
    Identificación de patrones emocionales a partir de la actividad bioeléctrica cerebral ante una publicidad audiovisual
    (Universidad EIA, 2015) Gómez Sierra, Valentina; Jaramillo Puerta, Eliana; Peña Palacio, Juan Alejandro
    Entendiendo al consumidor como el ente fundamental de una organización y el elemento base en la creación de un plan de acción, determinar y conocer claramente lo que siente cuando está expuesto a un estímulo publicitario, permite crear estrategias de mercadeo alineadas con las necesidades del cliente, que sean sistemáticas, objetivas y coherentes para orientar correctamente el horizonte de una organización. Ésta investigación tiene como propósito clasificar patrones emocionales en cuatro emociones: ira, tristeza, alegría y miedo, obtenidos a partir de la medición de señales bioeléctricas en los consumidores al estar expuestos a una publicidad audiovisual, mediante la elaboración de máquinas de vector soporte, que luego de un proceso de aprendizaje y validación, sean capaces de diferenciar dichas emociones. Para encontrar alternativas de solución a los problemas planteados anteriormente, se recurre a la elaboración de redes neuronales que se entrenan con las señales recolectadas al exponer a un grupo de consumidores a datos obtenidos de un banco de imágenes certificadas en la generación de dichas emociones. Posteriormente se les presenta un video con cuatro comerciales, previamente analizados, buscando despertar las emociones de interés para la investigación. En la siguiente etapa se hace el tratamiento de los datos obtenidos de las imágenes y el video de los comerciales, siendo esta información el recurso base para el aprendizaje del modelo y posterior validación del mismo, de forma intramuestral y extramuestral, es decir, tanto los resultados del porcentaje de aprendizaje y error del modelo internamente como la confrontación con las encuestas inicialmente diligenciadas por los consumidores. Como resultado final, se obtuvo la clasificación intramuestral exitosa a través de la elaboración MVS utilizando modelos como franjas logísticas, logística trasladada, conjuntos borrosos de asociación, Self Management Organaizing y modelos estocásticos, que lograron hacer diferenciables los patrones de cada emoción y realizar procesos feedfoward y back propagation satisfactorios con correlaciones mayores al 0,9 y errores cercanos a cero. Lo anterior permite a una organización realizar investigaciones más profundas de sus consumidores, con carácter cuantitativo y eliminando la subjetividad de las mismas, para satisfacer de forma más precisa y eficiente las necesidades del cliente. Es así como los modelos basados en inteligencia computacional y el uso de herramientas en el campo de la neurociencia, orientan los planes y acciones de una empresa y permiten, a través de los métodos propuestos, aumentar la efectividad de las estrategias de mercadeo, mejorando aspectos críticos como la subjetividad, el tiempo y el dinero.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo neuronal con estructura deep learning para la caracterización de niveles de relajación a través de estímulos olfativos
    (Universidad EIA, 2022) González Jaramillo, Isabel; Pérez Restrepo, Valentina; Peña Palacio, Juan Alejandro
    RESUMEN: En la sociedad actual, las personas han experimentado un incremento en los niveles de estrés, por lo que el mercado ha introducido nuevos productos olfativos cuyo objetivo es producir un efecto relajante; sin embargo, el proceso de desarrollo de nuevos productos aún no considera el apoyo de la inteligencia artificial para validar dicho efecto en sus consumidores, especialmente en las mujeres, en quienes tendría un efecto relajante más significativo. Por lo tanto, en este proyecto de investigación se propone el desarrollo de un modelo neuronal con estructura Deep Learning para la caracterización de niveles de relajación a través de estímulos olfativos en las mujeres. Para lograrlo, se utiliza la Brain Computer Interface Emotiv Epoc, el cual registra la actividad cerebral a través de señales electroencefalográficas. Para lo anterior, se procede con la utilización de la plataforma TensorFlow de Google, con el fin de identificar la correlación de señales electroencefalográficas (EEG) frente a estímulos de estrés y de relajación. Mediante la determinación de estímulos, la configuración de los modelos neuronales y la validación de estos mismos mediante diversas métricas, se identifica el desempeño de ambos modelos neuronales ante las señales capturadas de los dos estímulos propuestos, y a su vez, se analiza la activación de las zonas del cerebro registradas durante las sesiones experimentales. Con lo anterior se valida la eficiencia del estímulo olfativo para reducir el nivel de estrés en las mujeres, logrando favorecer su rendimiento en las funciones que realizan, y así mejorar su calidad de vida.
  • 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
    Procesamiento de la señal electroencefalográfica bajo anestesia general
    (Universidad EIA, 2015) Hernandez Solarte, David Antonio; Gómez Suarez, Nicolás Eugenio
    La anestesia general es un procedimiento muy frecuente en el ambiente médico, el cual es un estado en el que el cuerpo del paciente no percibirá ningún estímulo, o por lo menos es lo que busca, por tal motivo existe la necesidad de realizar una monitorización de que tan anestesiado está el paciente, cumpliendo los principios básicos de la anestesia que son la hipnosis, amnesia, analgesia, relajación muscular. Para realizar dicho control del estado anestesico del paciente, se utiliza la concentracion alveolar minima (CAM) para “cuantificar” que tan profundo se encuentra cuando se utiliza una anestesia inducida por farmacos gaseosos, y se utilizan varios dispositivos que hacen estudios electroencefalograficos, como el BIS cuando se realiza una anestesia total intravenosa (TIVA), todo esto debe realizarse para poder aplicar con debida mesura la cantidad de farmaco para que el paciente no reaccione de manera adversa al procedimiento. A nivel de anestesiología, los especialistas tienen mucha confianza en la CAM, pero en un medio más moderno, la tendencia es realizar anestesia mediante TIVA ya que ofrece ciertas ventajas y características con respecto a la anestesia inhalada, pero tiene una desventaja que es la implementación del monitoreo de la anestesia, lo cual resulta sumamente costoso cuando se implementa con el BIS cuyos consumibles, los electrodos, implican alto costo y no son reutilizables, por otro lado, la respuesta de este dispositivo suele tener problemas cuando se utiliza un electrobisturí y hay estudios que indican que no es confiable del todo. El presente trabajo busca desarrollar un estudio de electroencefalografía (EEG) que permita de forma más fiable poder monitorear el estado de profundidad anestésica del paciente implementando herramientas informáticas como el reconocimiento de patrones para eliminar información redundante y reducir la dimensionalidad de los datos y la aplicación de aprendizaje automático para poder extraer características de la señal EEG para determinar estados anestésicos que pueda presentar el paciente. Se realizó un sistema de clasificación de estados anestésicos partiendo de la reducción de la dimensionalidad de los 16 a 14 canales, dando como resultado que cada señal capturada por cada canal es diferente, lo cual realizara un estudio más completo que con menos electrodos. Se creó una matriz de características para ingresarla al algoritmo de K-means para entrenar el sistema. Al validar la información con la base de datos suministrada se obtuvo que el algoritmo funciona aceptablemente para la clasificación de estados anestésicos obteniendo resultados por encima del 83%.
  • 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.