Estudio de técnicas de preprocesamiento, procesamiento y clasificación de señales EEG de la Imaginación Motora para la rehabilitación de la marcha

Gómez Gálvez, Sandra (2021). Estudio de técnicas de preprocesamiento, procesamiento y clasificación de señales EEG de la Imaginación Motora para la rehabilitación de la marcha. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Estudio de técnicas de preprocesamiento, procesamiento y clasificación de señales EEG de la Imaginación Motora para la rehabilitación de la marcha
Author/s:
  • Gómez Gálvez, Sandra
Contributor/s:
  • Molina González, Martín
  • Azorín Poveda, José María
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: July 2021
Subjects:
Freetext Keywords: Señales, Procesamiento de señales EEG, Preprocesamiento de señales EEG, Clasificación de señales EEG, EEG de Imaginación Motora, Rehabilitación de la Marcha, Machine Learning para EEG, CNN para EEG, Signals, EEG signal processing, EEG signal preprocessing, EEG signal classification, EEG Motor Imagery, Gait rehabilitation
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
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

Abstract

En este Trabajo de Fin de Máster (TFM) se presenta un estudio de investigación de algunas técnicas de preprocesamiento, procesamiento y clasificación de señales de electroencefalografía (EEG) de la Imaginación Motora (MI) para la rehabilitación de la marcha mediante un exoesqueleto de miembro inferior. Para ello se realiza un estudio sobre las Interfaces Cerebro-Máquina (BMI), tecnología utilizada para registrar las señales y que dicta todas las etapas necesarias para el desarrollo de este TFM. Se han utilizado dos conjuntos de datos de señales neuronales, uno más básico utilizado para comprender como funcionan los sistemas BMI y otro más avanzado, a los cuales se les han aplicado diversas técnicas de extracción de características y distintos clasificadores. En este TFM destaca el uso de las Redes Neuronales Convolucionales (CNN), las cuales, a parte de otros clasificadores, han sido utilizadas en el conjunto de datos avanzado. Estas redes se han utilizado con dos métodos diferentes. El primer método, común en el estado del arte, utiliza el conjunto de datos con los datos en bruto (en el estado del arte también se suele preprocesar) utilizando la CNN como una red de filtrado temporal y espacial que finalmente clasifica. El segundo método, planteado en este TFM, introduce en la CNN los datos de características extraídas mediante el método FBCSP del conjunto de datos. Se ha observado como el método propuesto en este TFM alcanza accuracies mucho mayores a cualquiera de los otros clasificadores estudiados en este trabajo.---ABSTRACT---In this Master’s Final Project, the aim is to present a research study related to preprocessing, processing, and classification techniques of electroencephalography (EEG) signals. This is going to be done from the Motor Imagery for gait rehabilitation through a lower-limb robotic exoskeleton. For it, a study about Brain Machine Interfaces (BMI) was carried out, a technology used to register the signals that dictates all the stages needed for the development of this Project. Two sets of neural signal data have been used, a basic one used to understand how BMI systems work and an advanced one, both of which various feature extraction techniques and different classifiers have been applied. In this Project, the use of Convolutional Neural Networks stands out, which, apart from other classifiers, have been used in the advanced dataset. These Neural Networks have been put to use with two different methods. The first method is unexceptional in the State Of The Art; it uses the dataset with the raw data (in the State Of The Art the preprocessed is normally used too) utilizing the CNN as a temporal and spatial filter Network that classify at the end. The second method, proposed in this Project, introduces in the CNN the data from features extracted through the FBCSP method from the dataset. It has been observed that the proposed method reaches higher accuracies compared to other classifiers studied in this Project.

More information

Item ID: 68633
DC Identifier: https://oa.upm.es/68633/
OAI Identifier: oai:oa.upm.es:68633
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 24 Sep 2021 11:12
Last Modified: 24 Sep 2021 11:12
  • 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