Desarrollo de un sistema para análisis de señales electroencefalográficas

Blanco Gómez, Sergio (2017). Desarrollo de un sistema para análisis de señales electroencefalográficas. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. y Sistemas de Telecomunicación (UPM), Madrid.

Description

Title: Desarrollo de un sistema para análisis de señales electroencefalográficas
Author/s:
  • Blanco Gómez, Sergio
Contributor/s:
  • Sáenz Lechón, Nicolás
  • Gutiérrez Arriola, Juana María
Item Type: Final Project
Degree: Grado en Ingeniería de Sistemas de Telecomunicación
Date: 19 June 2017
Subjects:
Freetext Keywords: Electroencefalografía Matlab
Faculty: E.T.S.I. y Sistemas de Telecomunicación (UPM)
Department: Teoría de la Señal y Comunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB) | Preview
[img] Archive (ZIP) (Anexos 1) - Users in campus UPM only
Download (55MB)
[img] Archive (ZIP) (Anexos 2) - Users in campus UPM only
Download (385kB)

Abstract

El objetivo principal de este proyecto fin de grado es el de desarrollar una herramienta en MATLAB que permita a un usuario con conocimientos limitados de este lenguaje analizar una base de datos de señales electroencefalográficas (señales EEG). Generalmente las señales EEG se pueden dividir en dos clases: potenciales evocados y señales espontáneas. Un potencial evocado es una señal EEG que aparece cuando el sujeto recibe cualquier tipo de estímulo externo. Por otro lado, una señal espontánea es aquella señal EEG que es capturada en ausencia de un estímulo específico. El análisis será distinto en función a la clase de señal que se trate. En primer lugar, se ha procedido a seleccionar y clasificar un conjunto de base de datos de señales EEG diferentes. Posteriormente se ha desarrollado un programa que permite preprocesar y analizar una señal EEG en los dominios del tiempo y frecuencia. La finalidad del preprocesado es la de eliminar toda aquella información innecesaria y redundante, así como añadir la localización de los electrodos o modificar la frecuencia de muestreo. Con el procesado temporal de la señal se analiza el potencial eléctrico registrado en cada uno de los electrodos, mientras que con el procesado espectral se analiza la densidad espectral de potencia (DEP) de la señal en el dominio de la frecuencia. También se utilizará el algoritmo del Análisis de Componentes Independientes (ICA) que realizará una clasificación de los datos en una serie de componentes independientes. Está técnica nos permite separar aquellos datos procedentes de la actividad cerebral de interés de aquellos que no aporta información alguna. Comparando la información de los nuevos canales virtuales generados con los originales, se comprueba tanto en el dominio del tiempo como en el de la frecuencia que los datos son más precisos utilizando la descomposición ICA. Abstract: The main objective of this Project is to develop a tool in MATLAB which allows an user which limited knowledge of this language to analyze a database of an electroencephalographic signal. Generally, EEG signals can be divided into 2 classes: evoked potentials and spontaneous signals. An evoked potential is an EEG signal that appears when the subject receives any type of external stimulus. On the other hand, a spontaneous signal is captured in the absence of any stimulus. The analysis will be different depending on the type of signal involved. First of all, we have chosen and classify a set of different EEG signals databases. Subsequently, we have developed a software that preprocess and analyze an EEG signal in time and frequency domains. The purpose of the preprocessing is to eliminate all unnecessary and redundant information, as well as add the location of the electrodes or modify the sampling frequency. The temporal processing of the signal allows to analyze the electrical potential recorded in each of the electrodes, while the spectral processing analyzes the power spectral density (DEP) of the signal in the frequency domain. Finally, we will use the Independent Component Analysis (ICA) algorithm that will classify the data into a set of independent components. This technique allows to separate the data coming from the brain activity of the one that is damaged and that does not contribute any information. If we compare the information of the new virtual channels generated with the originals, we realize that in the time domain and in the frequency domain the data are more accurate using the ICA decomposition.

More information

Item ID: 52807
DC Identifier: http://oa.upm.es/52807/
OAI Identifier: oai:oa.upm.es:52807
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 25 Oct 2018 13:18
Last Modified: 25 Oct 2018 13:18
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM