Discriminador binario de imaginación visual a partir de señales EEG basado en redes neuronales convolucionales

• Llorella, Fabio Ricardo ^[1] ; Iáñez, Eduardo ^[2] ; Azorín, José Maria ^[2] ; Patow, Gustavo ^[1]
  1. [1] Universitat de Girona

     Universitat de Girona

     Gerona, España

     
  2. [2] Universidad Miguel Hernández
• Localización: Revista iberoamericana de automática e informática industrial ( RIAI ), ISSN-e 1697-7920, Vol. 19, Nº. 1, 2022, págs. 108-116
• Idioma: español
• Títulos paralelos:
  • Binary visual imagery discriminator from EEG signals based on convolutional neural networks
• Enlaces
  • Texto completo
• Resumen
  • español

    Las interfaces cerebro-máquina (Brain-Computer Intarface, BCI, en inglés) son una tecnología que permite la comunicación directa entre el cerebro y el mundo exterior sin necesidad de utilizar el sistema nervioso periferico. La mayoría de sistemas BCI se centran en la utilización de la imaginación motora, los potenciales evocados o los ritmos corticales lentos. En este trabajo se ha estudiado la posibilidad de utilizar la imaginación visual para construir un discriminador binario (brain-switch, en inglés). Concretamente, a partir del registro de señales EEG de siete personas mientras imaginaban siete figuras geométricas, se ha desarrollado un BCI basado en redes neuronales convolucionales y en la densidad de potencia espectral en la banda α (8-12 Hz), que ha conseguido distinguir entre la imaginación de una figura geométrica cualquiera y el relax, con un acierto promedio del 91 %, con un valor Kappa de Cohen de 0.77 y un porcentaje de falsos positivos del 9 %.

  • English

    A Brain-Computer Intarface (BCI) is a technology that allows direct communication between the brain and the outside world without the need to use the peripheral nervous system. Most BCI systems focus on the use of motor imagination, evoked potentials, or slow cortical rhythms. In this work, the possibility of using visual imagination to construct a binary discriminator has been studied. EEG signals from seven people have been recorded while imagining seven geometric figures. Using convolutional neural networks it has been possible to distinguish between the imagination of a geometric figure and relaxation with an average success rate of 91 % with a Cohen kappa value of 0.77 and a percentage of false positives of 9 %.