diseño e implementacion de un laboratorio
Anuncio
SISTEMA DE CONTROL INTERPRETANDO LA ACTIVIDAD BIOELÉCTRICA DE LAS SEÑALES CEREBRALES USANDO UNA INTERFAZ BCI LEONARDO DAVID OJEDA RUIZ UNIVERSIDAD AUTÒNOMA DE OCCIDENTE FACULTAD DE INGENIERÍA DEPARTAMENTO AUTOMATICA Y ELECTRÓNICA PROGRAMA DE INGENIERÍA MECATRÓNICA SANTIAGO DE CALI 2011 | SISTEMA DE CONTROL INTERPRETANDO LA ACTIVIDAD BIOELÉCTRICA DE LAS SEÑALES CEREBRALES USANDO UNA INTERFAZ BCI LEONARDO DAVID OJEDA RUIZ Proyecto de Grado para optar al título de Ingeniero Mecatrónico Director Guillermo Alfonso Parra PhD. en procesamiento de señales y telecomunicaciones Instituto Tecnológico de Monterrey Codirector Ph. D. Jesús Alfonso López Universidad Autónoma de Occidente UNIVERSIDAD AUTÒNOMA DE OCCIDENTE FACULTAD DE INGENIERÍA DEPARTAMENTO AUTOMATICA Y ELECTRÓNICA PROGRAMA DE INGENIERÍA MECATRÓNICA SANTIAGO DE CALI 2011 3 Nota de aceptación Aprobado por el Comité de Grado en cumplimiento de los requisitos exigidos por la Universidad Autónoma de Occidente para optar el título de Ingeniero Mecatrónico. PABLO CESAR CALVO _____________________________ Jurado DIEGO FERNANDO ALMARIO ____________________________ Jurado Santiago de Cali, 15 de julio de 2011 3 Dedico este proyecto primeramente a Jehová Dios quien me dio la fuerza y la salud mental suficiente para afrontar con éxito todo este proceso académico, a mi madre Siria del Carmen Ruiz Argumedo, a mi padre José Hernando Ojeda Arévalo, a mi hermano Johan Sebastián a mi novia Fabiola Velázquez, a los integrantes del grupo de robótica GRK del Tec de monterrey Eduardo Melgarejo, Laura Rubio y Pedro Antonio Trujillo, al Ingeniero en programación Arturo López Fausto, al Dr. Guillermo Alfonso Parra y demás personas que hicieron posible mi proceso de formación como persona íntegra y como profesional apoyándome en todo momento. En la vida nos encontramos con adversidades y con situaciones que colocan a prueba el empeño y la dedicación, sin embargo si creemos y tenemos fe con acciones, que podemos salir adelante cualquier obstáculo es pequeño, para todos mis más sinceros agradecimientos por su apoyo y compañía porque el afán de todo ser humano es encontrar la felicidad convirtiéndose en un gran hijo, un gran profesional y un gran ser humano para la sociedad. 4 CONTENIDO Pág. RESUMEN 14 ABSTRAC 15 INTRODUCCIÓN 16 1.OBJETIVOS 17 1.1 OBJETIVO GENERAL 17 1.2 OBJETIVOS ESPECIFICOS 17 2. MARCO DE REFERENCIA 18 2.1 MARCO TEÓRICO 18 2.2 SISTEMAS DE ADQUISICIÓN DE LA ACTIVIDAD BIOELÉCTRICA 18 DE LAS SEÑALES CEREBRALES 2.3 ELECTROENCEFALOGRAFÍA 18 2.3.1 Definición 19 2.3.2 Arquitectura del encéfalo 19 (estructura interna/diagramación de funcionamiento 2.3.3 La electrogénesis cortical 20 5 2.3.4 Captación de las señales EEG 21 2.3.5 Sistemas de posicionamiento de los electrodos superficiales 22 2.3.6 Registro del electroencefalograma. 28 2.3.7 Ondas detectables en el EEG 29 2.4 SISTEMA BCI (BRAIN COMPUTER INTERFACE) Y 31 SISTEMA BMI (BRAIN MACHINE INTERFACE) 2.4.1 Definición 31 2.4.2 Arquitectura 31 2.4.3 Características 32 2.4.4 Ventajas 33 2.4.5. Desventajas 34 2.4.6. Aplicaciones 35 2.5 TEOREMA DE NYQUIST 38 2.5.1 Definición 38 2.6 ONDA P300 40 2.6.1 Definición 40 2.6.2 Obtención de la respuesta 40 2.6.3 Origen de la Onda P300 41 2.6.4 Variación en la P300 41 2.6.5 Aplicaciones 42 3. PLANTEAMIENTO DEL PROBLEMA 44 3.1 DESARROLLO CONCEPTUAL 44 3.1.1 Identificación de necesidades 45 3.1.2 Planteamiento del cliente 45 3.1.3 Generación de soluciones para el cliente 45 3.1.4 Especificaciones preliminares 46 3.2 GENERACIÓN DE CONCEPTOS 47 6 3.2.1 Descomposición funcional 47 3.2.3 Exploración sistematizada 49 3.3 DISEÑO A NIVEL DEL SISTEMA 52 3.3.1 Arquitectura de productos 52 3.3.2 Naturaleza del producto 53 3.4 DESCRIPCIÓN DEL SISTEMA BCI DE NEUROSKY 53 3.4.1 Estados mentales 54 3.4.2 Métodos de Análisis 55 3.4.3 Análisis de los Datos 55 3.4.4 Características de la Mindset 56 4. PRESENTACION DE LA SOLUJCIÓN 60 4.1 REQUERIMIENTOS TÉCNICOS DEL SISTEMA 60 4.2 ADQUISICIÓN DE DATOS 60 4.3 ANALISIS DE DATOS 61 4.4. ESTADOS MENTALES 69 4.5 MANIPULACION DE DATOS 71 4.5.1 Normalización de las señales 71 4.5.1.1 Representación de Datos Hexadecimales 71 4.5.1.2 Representación de datos enteros 72 4.5.1.3 Determinación de Umbrales 75 7 4.6 PROCESO DE PROGRAMACIÓN 77 4.7 COMUNICACIÓN BLUETOOTH 78 4.8 INTERFAZ DE USUARIO 79 4.9 DISPOSITIVO DE PRUEBA 81 BIBLIOGRAFÍA 86 ANEXOS 95 8 LISTA DE CUADROS Pág. Cuadro 1. Montajes recomendados para EEG. LB, montaje longitudinal; TB, montajeTransversal bipolar; R, montaje referencial 29 Cuadro 2. Frecuencia de señales EEG a diferentes estados mentales 30 Cuadro3. Comparación entre interfaces BCI de NeuroSky y Emotiv 50 Cuadro 4. Indicie de % Meditación para Estados mentales (Neutral y One WD) 55 Cuadro 5. Valores enteros Señales EEG 72 Cuadro 6. Valores de los Estados mentales 73 Cuadro7. Estimación de error en la ejecución del sistema 83 9 LISTA DE FIGURAS pág. Figura 1. Vista lateral izquierda del encéfalo y tronco del encéfalo 19 Figura 2. A. Esquema de un electrodo de contacto. B. Colocación de los electrodos de contacto 32 Figura 3. Principio de colocación de electrodos en casco de malla 32 Figura 4. A. Vista de perfil. B. Vista superior. Fp, punto frontal polar; O, punto occipital 24 Figura 5. A. Vista perfil. B. Vista superior. Fz, punto frontal; cz, punto central; Pz, punto parietal 24 Figura 6. Medición coronal lateral. A. Vista frontal. B. Vista superior Situación de los electrodos T3 y T4 25 Figura 7. A. Vista de frente. B. Vista superior. Situación de los electrodos C3 y C4 25 Figura 8.A. Vista de perfil. B. Vista superior. Situación de los electrodos F3 y F4. 26 Figura 9. A. Vista de perfil. B. Vista superior. Situación de los electrodos P3 y P4. 26 Figura 10. A. Vista de perfil. B. Vista superior. Situación de los electrodos F7, F8, T5, T6, FP1, P2, O1 y O2 27 Figura 11. A. Vista de perfil. B. Vista superior. Situación de los electrodos A1 y A2. 27 Figura 12. A Sistema de colocación de electrodos según versión europea. A. Vista de perfil. B. Vista superior 28 Figura 13. Ritmos normales en electroencefalografía 30 Figura 14. EEG durante distintas fases del sueño 31 Figura 15. Honda Motor Corp. Sistema BCI manipulando una mano Robótica 32 10 Figura 16. Carleton University’s propuesta de Sistema BCI Biométrico 34 Figura 17. Reconstrucción de una señal con 5 muestras 39 Figura 18. Quality Function Deployment (QFD 47 Figura 19. Mapa conceptual Descomposición funcional del proyecto 48 Figura 20. PBS (Product Breakdown Structure) del proyecto 49 Figura 21. Interfaz BCI de NeuroSky 50 Figura 22. Interfaz BCI de Emotiv 50 Figura 23. Estructura funcional de un Sistema BCI 52 Figura 24. Histograma para la meditación de un sujeto agrupado en cuatro sesiones de 40 segundos. El rosa es (Neutral) y el azul es (One WD 56 Figura 25. Composición interna de la MindsetFigura Puerto Mini USB para cargar la Interfaz 57 Figura 27. Modo correcto de colocación de la Interfaz 58 Figura 28. Electrodos con respecto a tierra de la InterfazFigura Electrodos con respecto a tierra de la Interfaz 58 Figura 30. Posicionamiento correcto de la InterfazFigura 31. Onda Alpha utilizando P300 59 Figura 32. Onda Beta utilizando P300 62 Figura 33. Onda Delta utilizando P300- 62 Figura 34. Onda Teta utilizando P300- 62 Figura 35. Comportamiento de Señales EEG utilizando P300 63 Figura 36. Onda Delta Sistema BCI NeuroSky 64 Figura 37. Onda Theta Sistema BCI NeuroSkyFigura 38. Onda Low Alpha Sistema BCI NeuroSky 64 11 Figura 39. Onda High Alpha Sistema BCI NeuroSky 65 Figura 40. Onda Low Beta Sistema BCI NeuroSkyFigura Onda High Beta Sistema BCI NeuroSky- 66 Figura 42. Onda Low Gamma Sistema BCI NeuroSky 66 Figura 43. Onda Mid Gamma Sistema BCI NeuroSky 67 Figura 44. Patrón de Atención Sistema BCI NeuroSky 68 Figura 45. Patrón de Meditación Sistema BCI NeuroSky 68 Figura 46. Nivel de atención para tres estados 74 Figura 47. Nivel de Meditación para tres estados- 74 Figura 48. Nivel de Parpadeo 75 Figura 49. Umbrales para la Atención 76 Figura 50. Umbrales para la Meditación 76 Figura 51. Umbrales para el Parpadeo 77 Figura 52. Panel principal Interfaz de Usuario- 79 Figura 53. Panel de configuración Interfaz de Usuario 80 Figura 54. Panel de Medidores Interfaz de Usuario 80 Figura 55. Panel de Eventos Interfaz de Usuario 81 Figura 56. Robot Movil Lego NXT Mindstorm 81 Figura 57. Interfaz BCI de NeuroSky 82 Figura 58. Posicionamiento de la Interfaz BCI en la cabeza 82 12 LISTA DE ANEXOS Pág. Anexo A. Modo de Fallas y Análisis de Efectos (FMEA) 95 Anexo B. Base de Datos con captura de la Onda P300 por medio de un Electroencefalograma 95 Anexo C. Base de Datos con captura de la Interfaz BCI Mindset de NeuroSky 95 13 RESUMEN En este trabajo se presenta el diseño e implementación de un sistema de control interpretando la actividad bioeléctrica de las señales cerebrales adquiridas por medio de una interfaz BCI (Interfaz cerebro-computadora) con el fin de manipular un dispositivo mecatrónico; el cual fue desarrollado en tres fases; la primera consta de la adquisición y su respectivo análisis de datos de las señales cerebrales por medio de una interfaz BCI de la empresa NeuroSky, la segunda en la determinación de los umbrales de control y la tercera en la programación de todo el sistema utilizando la plataforma de Java (JSE) respectivamente para la ejecución del dispositivo. Como dispositivo mecatrónico de prueba fue seleccionado un robot Lego NXT mindstorm el cual se comunica a través de bluetooth con el sistema de control generado en la computadora y de esta manera permite determinados movimientos conforme a los patrones de las señales cerebrales. Para el control se implemento la definición de umbrales de las señales para cada patrón y de esta manera se asignaba un rango de trabajo que permite el movimiento del robot en los 4 ejes. Palabras Claves: señales, control, bioeléctrica, interfaz, computadores, ejes 14 ABSTRACT This paper presents the design and implementation of a control system to interpret the electrical activity of brain signals acquired by a BCI interface to manipulate a mechatronic device, which was developed in three phases: the first consists of the irrespective acquisition and data analysis of brain signals through an interface the company BCI NeuroSky, the second in the determination of control thresholds and the third schedule of the entire system using the Java platform Simulations (EJS), respectively for the execution of the device. As mechatronic device tested selected NXT Lego Mindstorm robot which communicates via bluetooth with the control system computer generated and in this way allows certain movements as the patterns of brain signals. Was implemented to control the definition of thresholds for each pattern signals and thus is assigned a range of work that allows movement of the robot 4 axes. 15 INTRODUCCIÓN Actualmente se están desarrollando aplicaciones orientadas hacia los sistemas BCI los cuales buscan generar interactividad entre personas en condición de discapacidad y cualquier dispositivo que facilite su condición de vida, es por esto que se hace necesario generar control interpretando señales cerebrales (EEG) las cuales se convierten en un medio de comunicación que facilita a los usuarios una adaptación real con el medio exterior. Los sistemas BCI traducen los reflejos de las actividades cerebrales que pueden ser estímulos sensoriales ya sean auditivos, visuales, o tareas motoras imaginarias; para analizarlos articulando hardware y software desde la acción real del usuario y de esta manera llevarlos a aplicaciones tangibles como lo son sillas de ruedas, prótesis y en general biomecanismos con el fin de asistir de manera optima al paciente. Sin embargo los sistemas BCI tienen varios requisitos para su adecuado funcionamiento siendo mayores los requerimientos que hacen de estos sistemas cada vez más complejos y donde se centran las investigaciones para aportar en desarrollos más notorios; uno de ello es garantizar que las señales describan de manera real los distintos estados cerebrales que estén disponibles en el proceso de adquisición, por otro lado que sean señales de fácil extracción y que puedan diferenciarse respectivamente; es aquí donde los estudios en Electroencefalografía (EEG) han permitido generar métodos no invasivos con posicionamiento de electrodos como el sistema 10-20. Con la creciente tasa de personas en situación de discapacidad (SPD) tanto en América como a nivel mundial según estadísticas de la organización panamericana de salud donde se presentan 85 millones de personas en esta condición en Latinoamérica y cada día la proporción va en aumento; debido a causas como enfermedades, lesiones causadas por accidentes laborales, de transito o violencia en general, se hace necesario pensar en una forma de adaptar los diferentes sistemas que existen para mejorar la calidad de vida de estas personas. Este proyecto presenta un sistema de control interpretando señales cerebrales utilizando umbrales de las señales cerebrales y patrones ya existentes; partiendo del análisis de un sistema BCI de la empresa NeuroSky que buscara mover una silla de ruedas como aplicación posterior pero que se centra en primera instancia en mover un robot NXT Mindstorm a través de comunicación bluetooth. 16 1. OBJETIVOS 1.1 OBJETIVO GENERAL Diseñar e implementar un sistema de control, capaz de interpretar la actividad bioeléctrica de las señales cerebrales adquiridas por medio de una interfaz BCI, el cual permita manipular un dispositivo Mecatrónico. 1.2 OBJETIVOS ESPECÍFICOS Establecer el estado del arte de los sistemas BCI de tal forma que el análisis documental permita identificar los conceptos más relevantes sobre las señales cerebrales, su forma de adquisición, el tipo de procesamiento, el nivel de interacción con la computadora para generar una idea de control óptima. Escoger el tipo de interfaz BCI a utilizar en el desarrollo del proyecto para identificar su funcionalidad, nivel de respuesta, tipos de señales entregadas, formas de programación y restricciones a tener en cuenta en el desarrollo del proyecto. Definir el tipo de control a utilizar y aplicarlo dependiendo de las señales obtenidas por el sistema BCI de tal manera que se pueda lograr un método efectivo entre redes neuronales, control difuso o determinación de umbrales para trabajar por rangos. Desarrollar una implementación de este sistema de control en un robot móvil que permita realizar pruebas sobre el nivel de respuesta de la interfaz y su comportamiento hacia ciertos estímulos cerebrales. 17 2. MARCOS DE REFERENCIA 2.1 MARCO TEÓRICO En este capítulo se da una descripción detallada de los sistemas BCI (Interfaz cerebro-computadora) y BMI (interfaz cerebro-maquina) basados en la electroencefalografía como forma de adquisición de la actividad bioeléctrica de las señales cerebrales, además se muestra su forma de utilización, entrega de datos y forma de aplicación en diferentes procesos desde la parte investigativa como en el área médica, también como interpretar el muestreo de las señales por medio del teorema de Nyquist y una descripción sobre la Onda P300, toda esta información aporta directamente en el entendimiento de lo que se quiere hacer y la consecución del proyecto. 2.2 SISTEMAS DE ADQUISICIÓN DE LA ACTIVIDAD BIOELÉCTRICA DE LAS SEÑALES CEREBRALES Actualmente las universidades y los centros médicos centran sus investigaciones en generar sistemas que les permita leer las señales bioeléctricas o la actividad cerebral con un grado de exactitud alto para convertirlas a un formato que sea simple de manejar en diferentes aplicaciones tecnológicas ya sea de manera análoga o digital como en la mayoría de casos y a su vez esta información pueda ser interpretada por medio de una computadora o de una máquina para el funcionamiento en diferentes áreas. Este tipo de sistemas están basados en diferentes estudios desde la electroencefalografía que han permitido definir los puntos adecuados de lectura del cerebro y el posicionamiento de los electrodos en el mismo para extraer información que refleje los estados mentales del ser humano, hasta el momento se han logrado generar dispositivos llamados Interfaces BCI y BMI las cuales se convierten en un puente de comunicación entre el pensamiento humano y elementos de control y visualización, lo cual hace posible entender y complementar las aplicaciones actuales en busca del mejoramiento de la condición de vida de persona en situación de discapacidad. 18 2.3 ELECTROENCEFALOGRAFÍA La electroencefalografía ha permitido con el paso de los años entender diferentes áreas del cerebro humano en su afán por mejorar las problemáticas actuales que se dan alrededor de este, con estas investigaciones se definieron estados mentales que han permitido desarrollos en el campo de la medicina y la asistencia a personas en situación de discapacidad 2.3.1 Definición. La Electroencefalografía es el registro y evaluación de los potenciales eléctricos generados por el cerebro y obtenidos por medio de electrodos situados sobre la superficie del cuero cabelludo. El dispositivo que realiza este registro se conoce como electroencefalograma (EEG) el cual toma la actividad bioeléctrica de las neuronas del encéfalo. Este registro tiene formas complejas y variables debido a la localización de los electrodos y los individuos, además del gran número de interconexiones entre las neuronas y por la estructura del encéfalo 2.3.2 Arquitectura funcionamiento del encéfalo (estructura interna/diagramación de Para poder entender el tipo de señal que se obtiene es necesario conocer la estructura del encéfalo para poder realizar una lectura adecuada determinando la zona de activación que esté sujeta al estudio. Figura 1. Vista lateral izquierda del encéfalo y tronco del encéfalo. . 19 Fuente: Tomado del artículo ―Electroencefalografía‖ Está compuesto por: Tallo Cerebral: Conecta la corteza cerebral, la médula espinal y el cerebelo. Controla el ritmo cardiaco y respiratorio, de aquí surgen muchos reflejos motores. Cerebelo: Coordina movimientos voluntarios y mantiene el equilibrio. Elimina los espasmos musculares. Cerebro: Aquí se encuentran las funciones conscientes del sistema nervioso. Tiene dos hemisferios y una superficie externa llamada corteza cerebral. Esta última contiene aproximadamente 9 millones de neuronas y recibe la información sensorial. Es una especie de fina capa formada por pliegues o fisuras las cuales sirven para dividir los distintos lóbulos cerebrales. o Lóbulos Parietal: Aquí llegan las entradas sensoriales somáticas a las neuronas sensitivas que se encuentran en la superficie, como el calor, frío, la presión, el tacto, etc.) o Lóbulo frontal: Posee la mayor parte de las neuronas motoras, asociadas a los músculos, que se distribuyen en la superficie. o Lóbulo Occipital: Se encuentra en la parte trasera sobre el cerebelo y contiene la corteza visual. o Lóbulo temporal: Se encuentra por encima de los oídos y posee las distintas neuronas que reaccionan ante las distintas frecuencias auditivas. 2.3.3 La electrogénesis cortical. Se refiere a la actividad eléctrica generada por las neuronas en la corteza cerebral. Se le conoce como generador a una parte de tejido que puede producir esta actividad y se conocen 3: Generador A: Ubicado a 500 micras de la corteza, produce ondas negativas en la corteza generadas por la despolarización de las dendritas apicales de las neuronas piramidales. 20 Generador B: Ubicado a 900 micras, produce ondas positivas en la corteza generadas por la despolarización de las somas de las neuronas piramidales. Generador C: Ubicado también a 900 micras, produce ondas negativas generadas por la hiperpolarización de las neuronas. Es posible captar esta actividad eléctrica mediante distintas técnicas aplicadas al cuero cabelludo, en la base del cráneo o en el cerebro directamente. 2.3.4 Captación de las señales EEG. Estas señales se captan mediante distintos electrodos, componentes de los sistemas BCI o BMI, algunos de ellos son: Electrodos superficiales: Aplicados en el cuero cabelludo Adheridos: Pequeños discos que se fijan con pastas conductoras. De contacto: Tubos de plata clorurada en soportes de plásticos con almohadillas humedecidas en solución salina para conducir. Casco de malla: Electrodos unidos a una malla elástica ajustable. De aguja: De uso limitado, pueden ser desechables o reutilizables. Electrodos basales: Colocados en la base del cráneo. Electrodos quirúrgicos: Implantados en la corteza cerebral o más profundo en el cerebro. Existen durales, corticales e intracerebrales. Cuando se registra la actividad cerebral, dependiendo del equipo utilizado, el registro recibe un nombre distinto: Electroencefalograma: Uso de electrodos superficiales o basales. Electrocortigrama: Uso de electrodos quirúrgicos. Estéreo Electroencefalograma: Uso de electrodos quirúrgicos profundos. 21 Figura 2. A. Esquema de un electrodo de contacto. B. Colocación de los electrodos de contacto. Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 3. Principio de colocación de electrodos en casco de malla. Fuente: (Tomado del artículo ―Electroencefalografía‖) 2.3.5 Sistemas de posicionamiento de los electrodos superficiales Para los equipos de lectura de actividad eléctrica de un BCI existen distintos criterios para la distribución de los electrodos en la corteza, el más utilizado actualmente es el ―Diez-Veinte‖ y su distribución se realiza de la siguiente manera: 22 Puntos Fp y O: Se toma la distancia entre el nasión (área entre los ojos y el puente de la nariz) y el inión (la partemás sobresaliente del hueso occipital), pasando por el vertex (Parte superior de la cabeza). 10% por encima del nasión se coloca el punto Fp (Frontal polar) y 10% sobre el inión el O (Occipital). Puntos Fz, Cz, Pz: A distancias equidistantes equivalentes al 20% de la medida entre el nasión y el inión se colocan 3 puntos más el Fz (Frontal), el Cz(Central) y el Pz (Parietal) Puntos T3 y T4: Tomando como referencia la distancia entre los puntos preauriculares, al 10% por encima de cada uno se colocan los puntos T3 y T4 llamados temporales mediales. Puntos C3 y C4: Se colocan a un 20% por encima de los puntos T3 y T4. Puntos F3 y F4: Se colocan a una distancia equidistante entre el punto Fz y la línea de electrodos temporales (T3, T4, C3, C4 y Cz) Puntos P3 y P4: Se colocan a una distancia equidistante entre el punto Pz y la línea de electrodos temporales. Puntos Fp1, Fp2, O1 y O2: Se toma la distancia entre el punto medio de Fp y O a través de T3 y al 10% de esa distancia, a través de Fp, se colocan los puntos Fp1 y Fp2 al igual para el punto O, se colocan los puntos O1 y O2. Puntos F7 y F8: Se colocan a una distancia equidistante entre Fp1 y T3 así como Fp2 y T4 respectivamente. Puntos T5 y T6: Se colocan a una distancia equidistante entre O1 y T3 así como O2 y T4 respectivamente. Puntos A1 y A2: Se colocan 10% debajo de los puntos T3 y T4. Los electrodos del lado izquierdo siempre llevaran los números impares y los del lado derecho los pares. Esto es para la versión común aunque la europea varia un poco en nomenclatura y en la adición de 2 puntos más en las apófisis mastoideas. 23 Figura 4. A. Vista de perfil. B. Vista superior. Fp, punto frontal polar; O, punto occipital. Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 5. A. Vista perfil. B. Vista superior. Fz, punto frontal; cz, punto central; Pz, punto parietal. Fuente: Tomado del artículo ―Electroencefalografía‖ 24 Figura 6. Medición coronal lateral. A. Vista frontal. B. Vista superior. Situación de los electrodos T3 y T4. Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 7. A. Vista de frente. B. Vista superior. Situación de los electrodos C3 y C4. 25 Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 8. A. Vista de perfil. B. Vista superior. Situación de los electrodos F3 y F4. Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 9. A. Vista de perfil. B. Vista superior. Situación de los electrodos P3 y P4. Fuente: Tomado del artículo ―Electroencefalografía‖ 26 Figura 10. A. Vista de perfil. B. Vista superior. Situación de los electrodos F7, F8, T5, T6, FP1, P2, O1 y O2. Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 11. A. Vista de perfil. B. Vista superior. Situación de los electrodos A1 y A2. 27 Fuente: Tomado del artículo ―Electroencefalografía‖ Figura 12. A Sistema de colocación de electrodos según versión europea. A. Vista de perfil. B. Vista superior. Fuente: Tomado del artículo ―Electroencefalografía‖ 2.3.6 Registro del electroencefalograma. Con el fin de tomar el registro de la actividad cerebral, es necesario decidir si se desea un registro monopolar o bipolar: Registro Monopolar: Se toma un electrodo áctivo para registrar su señal y se necesita un referencial con potencial de 0, la mayor parte de las veces se utilizan electrodos en las orejas, en el mentón o en los mastoides para este fin. También se utiliza el sistema Wilson que funciona con resistencias de valores bajos para la interconexión entre los electrodos. Registro Bipolar: Se utilizan parejas de electrodos y el valor final es la diferencia de voltaje entre cada uno, por lo que ambos son electrodos activos. No todas las combinaciones son fiables por ellos existe una lista con estándares para estos pares y a cada uno se le llama montaje y existen de 4 tipos: 28 o A larga distancia: Para electrodos no contiguos. o A corta distancia: Para electrodos contiguos. o Longitudinales y Transversales Se recomienda para el registro bipolar utilizar al menos 8 canales (8 pares), utilizar el sistema 10-20, utilizar los tres montajes principales: referencial, longitudinal y transversal Los 16 pares o canales que recomienda la ―American Electroencephalographic Society‖ son: Cuadro 1. Montajes recomendados para EEG. LB, montaje longitudinal; TB, montaje transversal bipolar; R, montaje referencial Pares Longitudinal Transversal Referencial 1.Fp1-F3 Fp1-Fp2 Fp1-A1 2.F3-C3 F7-F3 Fp2-A2 3.C1-P3 F3-Fz F3-A1 4.P3-O1 Fz-F4 F4-A2 5.Fp2-F4 F4-F8 C3-A1 6.Fp1-C4 A1-T3 C4-A2 7.C4-P4 T3-C3 P3-A1 8.P4-O2 C3-Cz P4-A2 9.Fp1-F7 Cz-C4 O1-A1 10.F7-T3 C4-T4 O2-A2 11.T3-T5 T4-A2 F7-A1 12.T5-O1 T5-P3 F8-A2 13.Fp2-F8 P3-Fz T3-A1 14.F8-T4 Pz-P4 T4-A2 15.T4-T6 P4-T6 T5-A1 16.T4-O2 O1-O2 T6-A2 Fuente: Tomado del artículo ―Electroencefalografía‖ 2.3.7 Ondas detectables en el EEG. Poseen amplitudes que van desde los 10 mV en registros sobre el córtex, a 100 mV en la superficie del cuero cabelludo. Las frecuencias de estas ondas se mueven entre 0,5 y 100 Hz y dependen mucho del 29 grado de actividad del córtex cerebral. La mayoría de las veces estas ondas no poseen ninguna forma determinada, en algunas son ritmos normales que suelen clasificarse en ritmos Alpha, Gamma, Beta, Theta respectivamente. Cuadro 2. Frecuencia de señales EEG a diferentes estados mentales Onda Alpha Valores 8-13Hz Betha 14-30Hz hasta 50hz Theta Gamma 4-7Hz <3.5Hz Descripción Sujetos despiertos, se ubican en la zona occipital, amplitud de 20 a 200 micro volts Se dividen en Betha 1 y Betha 2, la primera con el doble de frecuencia y la segunda aparece antes una fuerte activación del sistema nervioso central o tensión. Ubicadas en la zona parietal y temporal Presentes en el sueño profundo Figura 13. Ritmos normales en electroencefalografía Fuente: Tomado del artículo ―Electroencefalografía‖ 30 Figura 14. EEG durante distintas fases del sueño Fuente: Tomado del artículo ―Electroencefalografía‖ También se pueden obtener los registros de EOG (Electrooculograma), ECG (Electrocardiograma), EMG (Electromiograma). 2.4 SISTEMA BCI (BRAIN COMPUTER INTERFACE) Y SISTEMA BMI (BRAIN MACHINE INTERFACE) 2.4.1 Definición. Sistema que permite leer señales eléctricas o actividad cerebral para convertirla a un formato digital que puede ser interpretado por una computadora o máquina para procesarla y ejercer distintos tipos de actividades 2.4.2 Arquitectura 31 Se compone básicamente de algún equipo que permita realizar una lectura de las señales cerebrales para los métodos invasivos, magnetoencefalográficos y de resonancia magnética y de la actividad cerebral para los métodos no invasivos electroencefalográficas. Este equipo puede ser un gorro con múltiples electrodos, electrodos implantados directamente en el cerebro, o distintos escáneres de hemografía o de campos magnéticos en el cerebro [26]. De ser necesario las lecturas realizadas pasan a un amplificador para mejorar las señales o actividad recibida Estas lecturas serán enviadas a una computadora donde se procesaran y se les dará un formato que pueda generar la salida deseada ya sea para controlar un dispositivo o generar una retroalimentación visual Figura 15. Honda Motor Corp. Sistema BCI manipulando una mano robótica Fuente: Tomado del artículo ―Brain Computer Interfaces: Where Human and Machine Meet‖) 2.4.3 Características Encierra distintas disciplinas como la biotecnología, tecnologías de la información, ingeniería bioquímica, matemáticas aplicadas entre otras Se le puede clasificar como invasivo y no-invasivo 32 nanotecnología, neurociencia y Figura 16. Carleton University’s propuesta de Sistema BCI biométrico Fuente: (Tomado del artículo ―Brain Computer Interfaces: Where Human and Machine Meet‖) 2.4.4 Ventajas Generales: Ofrecen esperanza a víctimas de daño en la espina dorsal o que sufren de enfermedades como esclerosis amiotrófica lateral o parálisis cerebral, de poder controla distintos dispositivos Método invasivo: La calidad de lectura de las señales cerebrales es muy buena por su cercanía a la corteza cerebral. Método no-invasivo: No requiere de cirugía para colocar algún dispositivo en el cerebro 33 Permite identificar un mayor rango de actividad cerebral por sus múltiples electrodos, muy útil debido a la distinta ubicación de las células que indican el movimiento. Magnetoencefalografía: Alta sensibilidad Buena resolución espacial y temporal 2.4.5. Desventajas Generales: Actualmente siguen en desarrollo y requieren de más estudio antes de poder ser ampliamente comercializados. Actualmente su precio no es muy accesible por su poca comercialización Es necesario adecuar los sistemas a los distintos usuarios quienes poseen características muy diferentes La mayoría de las veces requieren de la participación de expertos para interpretar las lecturas generadas. Los usuarios requieren entrenamiento para poder aprender a controlar sus señales cerebrales, lo cual toma tiempo. La relativa novedad de la comercialización de esta tecnología hace dudar a los inversionistas para promover el desarrollo e investigación de la misma. Método invasivo: Requiere de una cirugía que puede provocar infecciones o daño cerebral Requiere de técnicos que realizan las distintas conexiones y ajustes a los cambios de las señales neuronales. Al insertar los electrodos en la corteza, es posible que el cerebro los rechace o se inflame reduciendo la efectividad del equipo Método no-invasivo: La calidad de lectura de las señales cerebrales es más pobre por la distancia al cerebro 34 Aumento de los artefactos en las señales y mezcla de las mismas por la distancia al cerebro El procesamiento de la actividad múltiple puede llegar a ser muy complejo Magnetoencefalografía: Portabilidad casi nula (Escáneres muy grandes y pesados) 2.4.6. Aplicaciones Investigadores del Instituto de Tecnología de Georgia y de la Universidad de Emory (Finales de los 90s): Implante de electrodo en la corteza motora de una persona para permitirle controlar un cursor de computadora y comunicarse. Científicos de la Escuela de Medicina de Hahnemann y del Centro Médico de la Universidad de Duke: Ratas que controlaban un brazo dispersor de agua mediante sus señales cerebrales. Posible uso para autentificación biométrica basada en ondas cerebrales ante un estímulo. Científicos del laboratorio de BCIs en el Instituto para el Descubrimiento del Conocimiento de la Universidad de Tecnología de Graz: Uso de sistemas BCI para controlar una prótesis. Compañía NeuroSky: Desarrollo de sistemas BCI para fines médicos y para la industria del entretenimiento. Ciberkinetics Neurotechnology Systems: Desarrollo de un BCI de tipo invasivo llamado BrainGate que consta de un arreglo de 100 microelectrodos de silicón colocados en la corteza motora, los cuales captan las señales cerebrales y son enviados mediante cables de fibra óptica a una computadora para generar la salida deseada. Su objetivo es restaurar el movimiento de las extremidades de los pacientes con daños en la espina dorsal y que sufren de distrofia muscular así como permitir a víctimas de enfermedades motoras cerebrales comunicarse con el medio. Centro Wadsworth del Departamento de Salud Pública del Estado de Nueva York: Desarrollo de un sistema BCI no-invasivo llamado sistema de 35 investigación BCI2000 que busca permitir a los usuarios comunicarse. Consta de hasta 200 electrodos colocados en el cuero cabelludo los cuales registran la actividad eléctrica. Mediante la onda cerebral P300 (método basado en un potencial eléctrico generado ante un estímulo) pueden conocer si el usuario tiene deseo de hablar así como conocer las palabras que busca comunicar de entre distintas palabras generadas al azar. Buscan generar una fundación no lucrativa que haga el dispositivo accesible a quienquiera que lo necesite. Honda: Sistema BCI que utiliza un escáner de Imagen por Resonancia Magnética para obtener las señales cerebrales del usuario las cuales son enviadas mediante cables de Ethernet a una computadora que genera como salida el movimiento de una mano robótica que se posiciona de la misma forma que la del usuario. Buscan llegar a implementar en un futuro esta tecnología para mejorar la seguridad durante el manejo enviando a los demás conductores las intenciones de algún conductor. Universidad de Stanford: Desarrollo de un sistema BCI que permita reconocer las señales que preceden al movimiento y que indican la intención y dirección del mismo para desarrollar prótesis más efectivas y un sistema que permita al usuario comunicarse con el dispositivo. Universidad de Columbia: Desarrollo de un sistema BCI no invasivo que permita identificar imágenes mucho más rápido que los mismos humanos, tiene como nombre C3Vision. El usuario utiliza un gorro con electrodos los cuales detectaran los picos de actividad eléctrica generados ante la presencia de algo inusual en las imágenes las cuales son clasificadas según el potencial de la actividad cerebral. Universidad de Tecnología de Helsinki: Desarrollo de un sistema BCI que utilice electroencefalografía o magnetoencefalografía para controlar un teclado virtual con sólo pensarlo. Universidad de Carleton: Buscan desarrollar un sistema BCI para identificación biométrica mediante la actividad cerebral generada ante un estímulo específico, esta actividad varía de persona a persona. Neural Signals: Desarrollo de un proyecto BCI invasivo que logra restaurar el habla mediante electrodos neutrotróficos en el área de Broca. En la punta de estos electrodos crecen las neuronas y se leen de esta forma las señales emitidas por las mismas e identificando los fonemas adecuados a cada señal. Prótesis neuronales, estimulación cerebral profunda, tecnología de interfaces neuronales, formación de imágenes cerebrales. 36 fMRI: Durante la conferencia de IEEE Ingeniería en la medicina y biología, el Dr. Gary Glover habló de la aplicación de la resonancia magnética en la detección de mentiras, psicoanálisis, y bioretroalimentación. Dr. Andrew Schwartz: Dentro de la misma conferencia, este personaje habló sobre la posibilidad de utilizar sistemas BMI para controlar de manera natural prótesis. Esto lo afirmó en base al estudio que realizó con monos que controlaban un brazo robótico con su actividad cerebral. Dr. Jack Gallant: Dentro de la conferencia de Temas Especiales en Neuroingeniería, habló sobre la posibilidad de utilizar el sistema fMRI para recrear las imágenes que ve una persona a través de su actividad cerebral. Esto es muy importante para comprender el procesamiento de imágenes por el cerebro. Dr. Arto Nurmikko: Dentro de la misma conferencia habló sobre microchips inalámbricos implantables para controlar prótesis. En el taller llamado: ―Más allá de la interfaz cerebro-máquina: Motor, Cognitiva y Virtual, se planteó la posibilidad de utilizar los sistemas BMI en prótesis, rehabilitación y realidad virtual. Tratan de ir más allá de la aplicación en prótesis para trabajar con estos sistemas para la interacción en ambientes tanto físicos como virtuales. Un paper de la revista Nature hablaba sobre un trabajo desarrollado en monos sobre la capacidad de utilizar la actividad cerebral para restablecer el movimiento en músculos previamente paralizados. Desarrollo de sistemas BCI que permiten a pacientes cuadripléjicos controlar cursores. Uso de sistemas BCI para estimulación profunda cerebral con el fin de tratar el mal de Parkinson, movimientos involuntarios (essential tremor) y distonía. Uso de fMRI para decodificar la posición, orientación y clasificación de objetos a partir de la actividad cerebral en la corteza visual. Otras aplicaciones más comerciales: Toyota: Desarrollo de un sistema BCI para controlar una silla de ruedas con un tiempo de respuesta de 125 milisegundos. 37 NeuroSky inc y Emotiv: Desarrollo de sistemas BCI para su aplicación en videojuegos. 2.5 TEOREMA DE NYQUIST 2.5.1 Definición. El teorema trata con el muestreo, que no debe ser confundido o asociado con la cuantificación, proceso que sigue al de muestreo en la digitalización de una señal y que, al contrario del muestreo, no es reversible (se produce una pérdida de información en el proceso de cuantificación, incluso en el caso ideal teórico, que se traduce en una distorsión conocida como error o ruido de cuantificación y que establece un límite teórico superior a la relación señalruido). Dicho de otro modo, desde el punto de vista del teorema, las muestras discretas de una señal son valores exactos que aún no han sufrido redondeo o truncamiento alguno sobre una precisión determinada, esto es, aún no han sido cuantificadas. El teorema demuestra que la reconstrucción exacta de una señal periódica continua en banda base a partir de sus muestras, es matemáticamente posible si la señal está limitada en banda y la tasa de muestreo es superior al doble de su ancho de banda. La información completa de la señal analógica original que cumple el criterio anterior está descrita por la serie total de muestras que resultaron del proceso de muestreo. No hay nada, por tanto, de la evolución de la señal entre muestras que no esté perfectamente definido por la serie total de muestras. Si la frecuencia más alta contenida en una señal analógica es y la señal se muestrea a una tasa , entonces se puede recuperar totalmente a partir de sus muestras mediante la siguiente función de interpolación: (1) 38 Figura 17. Reconstrucción de una señal con 5 muestras Fuente: Tomado del articulo ―Teorema de muestreo de Nyquist-Shannon‖ La reconstrucción de una señal de 14,7 KHz (línea gris discontinua) con sólo cinco muestras. Cada ciclo se compone de sólo 3 muestras a 44100 muestras por segundo. La reconstrucción teórica resulta de la suma ponderada de la función de interpolación g(t) y sus versiones correspondientes desplazadas en el tiempo g(tnT) con , donde los coeficientes de ponderación son las muestras x(n). En la (figura 17) cada función de interpolación está representada con un color (en total, cinco) y están ponderadas al valor de su correspondiente muestra (el máximo de cada función pasa por un punto azul que representa la muestra). Así, se puede expresar como: (2) Donde son las muestras de 39 . El concepto de ancho de banda no necesariamente es sinónimo del valor de la frecuencia más alta en la señal de interés. A las señales para las cuales esto sí es cierto se les llama señales de banda base, y no todas las señales comparten tal característica (por ejemplo, las ondas de radio en frecuencia modulada). Si el criterio no es satisfecho, existirán frecuencias cuyo muestreo coincide con otras (el llamado aliasing). 2.6 ONDA P300 2.6.1 Definición. La onda P300 (EP300, P3) es un potencial evocado que puede ser registrado mediante electroencefalografía como una deflexión positiva de voltaje con una latencia de unos 300ms en el EEG. La presencia, magnitud, topografía y duración de esta señal se utiliza a veces en la medición de la función cognitiva de los procesos de toma de decisiones. Mientras los correlatos neuronales de este potencial aún están poco claros, la reproductibilidad de esta señal hace que sea una opción común para los test psicológicos tanto clínicos como de laboratorio. 2.6.2 Obtención de la respuesta. La señal del EEG se adquiere con más fuerza en torno a los electrodos parietales, se ha sugerido que existen interacciones entre las regiones frontales y temporales, así como con algunos lugares del encéfalo profundo. Se piensa que la misma onda p300 está compuesta por dos ondas secundarias conocidas como "señales P3a y P3b". Estos componentes responden individualmente a diferentes estímulos y se ha sugerido que la onda P3a "se origina en los mecanismos de atención frontal dirigidos por estímulo durante el procesamiento de tareas, mientras que la P3b se origina en la actividad parietaltemporal asociada con la atención y parece estar relacionada con el consiguiente procesamiento en la memoria." Algunas veces se denomina potencial evocado "diana (target)" a la P3b, mientras que la P3a sería el potencial "no diana (nontarget)". La señal P300 es un registro agregado de una gran cantidad de neuronas. Aunque es una técnica típicamente no invasiva, se pueden tomar muestras de partes de la señal más directamente de ciertas partes del cerebro mediante electrodos (de ahí la P300 temporal medial o MTL-P300). Esta metodología permite aislar y registrar localmente un área sin el ruido de otras señales adquiridas a través de electrodos sobre la piel del cráneo. En la práctica, la forma de onda de la P300 se debe evocar utilizando un estímulo provisto por alguna de las modalidades sensoriales. 40 Un procedimiento típico es el paradigma odd-ball, en el que un estímulo diana se presenta entre estímulos de fondo más frecuentes. También puede usarse un estímulo distractor para asegurarse de que la respuesta se debe a la diana en lugar de un cambio en el patrón de fondo. El paradigma odd-ball clásico ha sufrido muchas variaciones, pero al final la mayor parte de los protocolos utilizados para evocar la P300 implica alguna forma de hacer consciente una situación o una toma de decisiones. Se necesita ejercitar la atención en estos protocolos. No se han observado sujetos que efectúen un control fino sobre sus P300. 2.6.3 Origen de la Onda P300. El estímulo evocado la P300 se produce mediante corrientes eléctricas en el cerebro. Los distintos potenciales inhibidores y excitadores postsinápticos de múltiples neuronas crean estas corrientes y de ese modo se puede discutir el origen de un potencial con respecto a los efectos de los neurotransmisores que provocan los potencial postsináptico y los dominios anatómicos en los que funcionan. La onda se genera directamente como resultado de potenciales postsinápticos a través de las vías glutamatégicas, en la que los receptores de tipo NMDA desempeñan un papel importante. También modulan la actividad P300 influencias acetilcolinérgicas y GABAérgicas, actuando el GABA mediante la producción de potenciales inhibitorios post-sinápticos (PIPS) que tienden a disminuir la amplitud de onda e incrementar la latencia y la acetilconina actuando como modulador con efectos opuestos al GABA. La Norepinefrina, dopamina y serotonina han sido implicadas en la modulación de la P300, pero los resultados son inconsistentes y estas influencias pueden ser menores. Existe alguna controversia sobre los sustratos anatómicos de la P300. Entre las candidatas estarían estructuras profundas y cercanas del cerebro en el sistema límbico, como la amígdala, hipocampo y giro parahipocampal, así como regiones más dispersas. Los registros intracraneales han dado credibilidad a la teoría de contribuciones ampliamente distribuidas. Una hipótesis vincula la activación de la P300 al locus ceruleus un centro noradrenérgico del tallo cerebral que se encuentra en el puente de Varolio. 2.6.4 Variación en la P300. Son muchos factores en la modulación de la P300. Los trastornos neurológicos muestran típicamente una reducción de la amplitud de la P300 en su conjunto, pero más allá de esto están los cambios que acompañan a la esquizofrenia. Las investigaciones que miden la P300 de la esquizofrenia comparándola con la de controles sanos han mostrado una marcada reducción en la amplitud de P300 sugiriendo un desarreglo del procesamiento de la información controlada. Estudios recientes que intentan desarrollar las bases para esta reducción han identificado un polimorfismo puntual en un gen que codifica la catecol-O-metiltransferasa (COMT) una enzima crítica en la eliminación de la dopamina en las regiones corticales del cerebro. 41 Los descensos en la amplitud e incrementos en el tiempo de latencia también se observan en el envejecimiento normal. Se acepta generalmente que los cambios en la amplitud de la P300 están relacionados con incrementos o bajadas en la intensidad, energía requerida o nivel de excitación ligada a una tarea específica. Los cambios en la latencia han sido peor caracterizados pero aún dan una correlación fuerte con el tiempo de procesamiento necesario para el desempeño de tareas. Las medidas de la onda P300 también pueden variar dependiendo del tiempo de medición. Se han señalado variaciones significativas de la amplitud y latencia basadas en el ritmo diurno de los sujetos. Estas variaciones precisan de gran cuidado con el uso del P300 como medida diagnóstica. No se sabe si estos cambios están directa o indirectamente relacionados con los de alerta/atención, que están bien documentados actualmente. Los análisis toman como punto de partida medir las P300 cuando se piensa que se va alterar la toma de decisiones conscientes. Se piensa que los estados hipnóticos y de sueño proporcionan buenas vías para la explicación de este campo. Las personas que son más receptivas a la hipnosis muestran cambios en la amplitud de los potenciales evocados entre los estados normales y los estados llamados de "alucinación obstructiva positivo/negativa". Esto parece estar en línea con la idea de que la P300 está regulada para transmitir decisiones a la conciencia y por ellos parecen sugerir la plausibilidad de una conciencia alterada en los estados hipnóticos. 2.6.5 Aplicaciones. Desde mediados de los años 1980 uno de los usos más discutidos de los potenciales evocados ha sido la detección de mentiras. En una propuesta de prueba para la detección de "conocimientos inculpatorios" se interroga a un sujeto a través de un paradigma odd-ball de un modo similar a como lo sería bajo un típico detector de mentiras. Esta práctica ha recibido recientemente una mayor permisibilidad legal, mientras que la poligrafía ha visto como se reduce su uso, en parte debido a aspectos inconscientes e incontrolables de la P300. La técnica se basa en la provocación reproducible de la onda P300, lo cual es un aspecto central en la idea de la Respuesta Encefalográfica Relacionada con la Memoria y la Codificación (RERMCT) desarrollada por el Dr. Lawrence Farwell . La investigación científica a menudo descansa en la medición de la P300 para examinar potenciales relativos a eventos, especialmente cuando se trata de la toma de decisiones. Puesto que el deterioro cognitivo a veces esta correlacionado con modificaciones en la P300, la forma de onda a veces se puede utilizar como medida para la eficacia de distintos tratamientos para la función cognitiva. Se ha sugerido su uso como marcador clínico precisamente por estas razones. Hay un amplio rango de usos para la P300 en la investigación científica, que va desde el 42 estudio de la depresión y la drogadicción a los trastornos de ansiedad (Trastorno obsesivo-compulsivo, Trastorno por estrés postraumático, etc). También se ha propuesto su uso en interfaces computadora-cerebro. La P300 tiene un cierto número de cualidades deseables que ayudan a la implementación de tales sistemas: Primero, la forma de onda es consistentemente detectable y se puede provocar en respuesta a estímulos precisos. También puede evocarse en casi todos los sujetos con poca variación en las técnicas de medida, lo que podría simplificar los diseños de interfaz y permitir un mayor rango de uso. La velocidad a la que la interfaz puede operar depende de cómo sea de detectable la señal sin que esto dependa del "ruido". Una característica negativa de la P300 es que la amplitud de la forma de onda necesita el cálculo de la media de muchos registros para aislar la señal. La velocidad conjunta del sistema interfaz depende de esto y de otros pasos de procesamiento post-registro. 43 3. PLANTEAMIENTO DEL PROBLEMA Desde el punto de vista de los sistemas BCI, existen aun múltiples factores que hacen de estos objeto de estudio debido a que el procesamiento de señales cerebrales implica un análisis detallado de todos los patrones que permiten identificar un rango de operación del usuario para realizar distintas tareas, sin embargo como los tiempos de respuesta aun son muy lentos vs la funcionalidad del dispositivo que se pretende controlar es necesario realizar un estudio detallado del control y la robustez del mismo para lograr una respuesta aceptable del sistema. Generar un control partiendo de señales cerebrales se hace importante cuando se entiende que los desarrollos en esta área son mínimos en comparación con otros estudios en la parte medica y la parte de aplicaciones virtuales como videojuegos o comunicación asistida; actualmente en el mercado se encuentran interfaces cerebrales como una opción viable para el control mediante impulsos cerebrales que son relativamente más accesible que sus contrapartes médicas. Además equipos como estos poseen una velocidad de resolución muy buena disminuyendo los daños a la salud y tiempos de entrenamiento para los usuarios a diferencia de los implantes en la corteza cerebral. Entre más sistemas se logran a través de las señales cerebrales, se consigue entender su comportamiento y su forma de caracterizarlas y es claro que pueden utilizarse de forma exitosa para realizar control básico de un robot, mediante el entrenamiento de redes neuronales artificiales o control difuso. Al generar un sistema que cumpla con todas estas características no solo se está mejorando el nivel de respuesta del mismo, también se está mejorando la condición de vida de las personas en (SDP) lo cual contribuye de manera directa a generar un entorno social donde todas puedan tener las mismas oportunidades sin discriminación por su discapacidad. 3.1 Desarrollo Conceptual. Para el desarrollo del sistema de control interpretando la actividad bioeléctrica de las señales cerebrales se tuvo en cuenta los requerimientos técnicos del publico meta al cual puede llegar la aplicación, 44 esto con el fin de poder generar un dispositivo que se adapte a los entornos de trabajo diversos que existen en el campo profesional. 3.1.1 Identificación de necesidades. Este proceso como se mencionaba anteriormente se divide en dos secciones, la primera busca conocer las necesidades del posible cliente del proyecto, en este caso se contemplo al Sistema de centros de Rehabilitación Infantil Teletón (SCRIT) de Guadalajara, México el cual arrojo información importante para tener presente en el desarrollo. Y la segunda en poder generas soluciones a este tipo de necesidades. 3.1.2 Planteamiento del cliente. Se describen a continuación las necesidades planteadas por el cliente: Que la señal sea estable Que el sistema permita adaptarse a varias aplicaciones Que permita ser utilizado por diferentes tipos de usuarios Que funcione sin ayuda física externa, esto con el fin de que el terapeuta no tenga un involucramiento directo en el funcionamiento del dispositivo. Que funcione con la estimulación directa del usuario, esto quiere decir con la voluntad del paciente. Que tengan buena duración las baterías Que sea de fácil mantenimiento 3.1.3 Generación de soluciones para el cliente. soluciones a las necesidades planteadas por el cliente Descripción de los eventos cerebrales Fácil extracción de datos 45 Se describe las posibles Utilización de métodos no invasivos Fácil diferenciación de las señales a utilizar Adaptabilidad a diferentes sistemas Respuesta en tiempo considerable Sistema de protección tonto para el paciente como para el dispositivo Interfaz de usuario fácil de entender y manejar para el terapeuta Sistema de control con buena velocidad de respuesta Sistema de control remoto para controlar a distancia Sistema de adquisición de datos de fácil extracción Software de programación Sistema de reinicio de la aplicación Sistema de protección Interfaz de pruebas 3.1.4 Especificaciones preliminares. En la etapa de especificaciones preliminares, se debe construir la casa de la calidad (QFD, Quality Function Deployment), la cual permite establecer un conjunto de especificaciones preliminares para el diseño del proyecto con base en la información suministrada por el cliente (necesidades y restricciones.). Lo anterior se observa en la figura 22. 46 Figura 18. Quality Function Deployment (QFD) 3.2 GENERACIÓN DE CONCEPTOS El proceso de generación de conceptos, se dividió en dos etapas, la primera la descomposición funcional donde se utilizo un mapa conceptual para describir el proyecto y la segunda exploración sistematizada con la técnica PBS (Product Breakdown Structure) para describir las partes del proyecto. 47 3.2.1 Descomposición funcional. Teniendo en cuenta el problema que se quiere solucionar, se realiza una descomposición de todas las partes involucradas para desarrollar el mismo asi tenemos la siguiente figura. Figura 19. Mapa conceptual Descomposición funcional del proyecto 48 3.2.3 Exploración sistematizada. Clarificado el problema mediante el mapa conceptual, se muestra la técnica del PBS el cual describe en detalle las partes a utilizar en el proyecto para lograr un funcionamiento esperado de acuerdo a los criterios técnicos y requerimientos de los posibles clientes de la aplicación. 49 Figura 20. PBS (Product Breakdown Structure) del proyecto Selección de Interfaz BCI Dentro de la investigación realizada para adquirir una interfaz BCI para trabajar dentro del proyecto que cumpliera con ciertas características entre ellas, costo considerable, facilidad de tratamientos, disponibilidad de herramientas de software, portabilidad, durabilidad y mínima complejidad del dispositivo se encontró con dos empresas que actualmente tienen en el mercado estos dispositivos conocidas como NeuroSky con su Mindset y Emotiv con su Epoc las dos son dispositivos novedosos que están dando la posibilidad de trabajar con la actividad bioeléctrica de las señales cerebrales y en la consecución de este proyecto se comparan sus características para determinar la que mejor se adapta a los requerimientos del cliente. Cuadro 3. Comparación entre interfaces BCI de NeuroSky y Emotiv Comparación entre NeuroSky y Emotiv Mindset * Un solo sensor con respecto a una derivación frontal Epoc * 14 sensores de solución salina con un posicionamiento optimo para resolución 50 espacial * Opciones de controlar voz y audio, a través de un sistema integrado * Giróscopo que genera información de posición optima para el control * Comunicación inalámbrica Bluetooth * Comunicación inalámbrica por medio de wireless * Batería de litio de duración constante de *Batería de litio proporciona 12 horas de uso 5 horas continuo *Código abierto para trabajar con sus aplicaciones. * Código Cerrado, solo se puede trabajar con sus SDK paquetes desarrolladores *Costo: 200 dólares * Costo: 400 dólares Figura 21. Interfaz BCI de NeuroSky Fuente: (Tomado de internet http://neuroSky.com/store/) Figura 22. Interfaz BCI de Emotiv Fuente: Tomado de internet http://emotiv.com/store/ Dada esta tabla y de acuerdo a las características de cada una y por el presupuesto del proyecto se decidió trabajar con la Mindset de NeuroSky ya que aun cuando la Epoc tiene más ventajas técnicas limita a los programadores por tener código cerrado para su interfaz y obliga a adquirir los paquetes desarrolladores SDK los cuales tienen costos elevados que se salen de lo contemplado en el proyecto. Selección de tipo de control 51 Para el control se pretendió en primera instancia trabajar con un análisis estadístico de datos utilizando redes neuronales o control difuso, sin embargo por las características de la interfaz y la facilidad de interpretación de datos se estableció la técnica de definición de umbrales con el fin de generar rangos de trabajo mínimos necesarios para controlar el dispositivo mecatrónico, que en este caso se utilizo un Lego NXT Mindstorm. Selección de comunicación En cuanto a la comunicación se definió trabajar con tecnología bluetooth por sus ventajas en la transmisión de datos y por la facilidad que presenta la interfaz BCI de comunicarse a través de esta tecnología. Selección del Tipo de software. La aplicación de control fue desarrollada mediante Java Standar Edition (JSE) [31,32], el cual es un software de distribución gratuita (Open source) y que facilita la creación de programas con simulaciones, definidas en función de recepción control – Ejecución, los cuales se actualizan continuamente en el sistema. La elección de Java como lenguaje de desarrollo se justifica por su amplia aceptación por parte de la comunidad internacional de Internet y el hecho de que está soportada en diferentes plataformas de software. Además por el entorno de programación que se adaptaba a las capacidades de desarrollo. Selección Dispositivo de prueba Para el dispositivo de prueba se eligió un robot móvil Lego NXT Mindstorm por sus características de compatibilidad con la tecnología bluetooth y facilidad de acceder a su forma de codificación, con una aplicación en Java conocida como Lejos.Java. 3.3 DISEÑO A NIVEL DEL SISTEMA 3.3.1 Arquitectura de productos. Para establecer el tipo de dispositivo al que se quiere llegar es necesario conocer las características de elementos que se van a tener con el fin de agrupar estos de manera tangible e intangible ya que proporciona una idea del tipo de materiales a utilizar físicos o a través de software. 52 En este caso los tipos de elementos utilizados son dos físicos puntualmente (La interfaz BCI y el Robot Móvil) y de manera intangible el software de programación con la interfaz de usuario que es la que genera el vinculo entre el operador y el dispositivo, también el tipo de control que es definido por umbrales creando así una forma de acceder a los datos y hacer uso de ellos de manera directa en el sistema. En el tipo de arquitectura tenemos el grupo de partes que conforman la BCI como parte central del sistema, mostrando sus características internas y el nivel de estructura que lleva la misma. Figura 23. Estructura funcional de un Sistema BCI Fuente: Tomado del artículo ―EEG Signal analysis during miss operation in BCI System 3.3.2 Naturaleza del producto. Este dispositivo es un claro ejemplo de la funcionalidad vs la estética, ya que la interfaz se adapta fácilmente al usuario y es amigable a la vista, no presenta problema alguno para operar y facilita la toma de datos sin necesidad de utilizar alguna gel conductora para la medición de la actividad bioeléctrica cerebral. Por otro lado este sistema proporciona herramientas al usuario para que pueda ejercer el control, como se explicara en capítulos posteriores se han definido unos 53 rangos de trabajo de los estados mentales los cuales son fácilmente configurables para lograr el desplazamiento del robot. 3.4 DESCRIPCIÓN DEL SISTEMA BCI DE NEUROSKY Se menciona a continuación las características técnicas de la interfaz BCI de NeuroSky mencionando los tipos de estados mentales que trae para trabajar y sus diferentes análisis estadísticos. Análisis de la señal de EEG Dado que la señal de EEG cambia rápidamente respecto del tiempo, es un gran reto poder analizarla. En los análisis tradicionales de EEG, utilizar la transformada rápida de Fourier (FFT, Fast Fourier Transform) así como otras técnicas de análisis espectral es lo más común. Estos métodos implican el cálculo de las densidades de potencia espectral (PSD, Power Spectral Density) de los espectros en las ondas: theta (4-8 Hz), alfa (8-13 Hz), beta (13-30 Hz) y gamma (30-45 Hz). Lo que resulta necesario para analizar los cambios en estas frecuencias características. La señal EEG cambia bruscamente en un periodo corto de tiempo. Es por esto que la transformada de Fourier de tiempo corto (STFT, Short Time Fourier Transform) y/o la transformada wavelet son los métodos considerados más eficientes para el análisis de la señal, debido a que permiten el análisis en el espacio tiempo-frecuencia, aunque en realidad la STFT solo permite el análisis en el espacio de frecuencia [18]. Además, la transformada wavelet tiene una mejor presentación de la señal ya que puede utilizar análisis multi-resolución. Clasificación de patrones Las densidades de potencial espectral (PSD) del EEG son utilizados como entrada a un modelo clasificador que permite la identificación y clasificación de los estados cognitivos como: atención meditación, fatiga, estado de alerta, estrés, dedicación a una tarea, la función de ejecución y memoria (verbal o espacial) [21][32]-[28]. En cuanto a los modelos clasificadores se han utilizados modelos 54 lineales, así como no lineales. Por ejemplo: redes neuronales artificiales (ANN, Artificial Neural Networks); Modelo de Mezcla de Gaussianas (GMM, Gaussian Mixture Model); Análisis de Función Discriminante (DFA, Discriminant Function Analysis) lineal, cuadrática y lógica; y Máquinas de Vectores de Soporte (SVM, Support Vector Machines) Post-procesamiento, resultados y aplicaciones Estos tres aspectos van muy de la mano y se refieren, los primeros dos, a estimar cuantitativamente el rendimiento humano y verificar si la clasificación de características que realizó el modelo clasificador en realidad va a funcionar para las aplicaciones que se quieran realizar. 3.4.1 Estados mentales. Los estados mentales entregados directamente por la interfaz son la atención y la meditación y el parpadeo, estos como se mencionaban en la descripción se componen de una combinación compleja de señales en respuesta a estados mentales cognitivos superiores que conforman los patrones cerebrales. El estudio y las investigaciones sobre señales EEG se encuentran en constante movimiento, actualmente se realiza investigación y se da retroalimentación sobre los avances, esto se debe a un trabajo en particular que es sobre los estados emocionales y cognitivos. Debido a la conducción y el volumen de flujo de datos que existe entre distancias cortas de los electrodos para medir los potenciales de las señales cerebrales se están enfocando en tratar de entender en su mayoría la dinámica del cerebro. 3.4.2 Métodos de Análisis. Para la generación de los patrones, se trabajo con catorce personas voluntarias entre ellas (10 hombres y 4 mujeres) las cuales fueron sometidas a pruebas utilizando la interfaz a través de bluetooth en Matlab y bajo la plataforma de Windows. Como tal no se calibraron los datos para cada uno porque en si lo que se busca es que se adapten a cualquier personas. Estos datos fueron grabados a 128Hz como frecuencia de muestreo . 55 Este estudio buscaba colocar a la persona en cinco estados mentales en los cuales cada uno seria instruido para verificar la respuesta de las señales con los ojos abiertos todas las pruebas y en frente de una pantalla LCD la cual tenía una marca, todos estos estados mentales se intentaron producir durante 40 segundos con 4 repeticiones seguidas en un orden aleatorio. 3.4.3 Análisis de los Datos. Como parte del análisis se llegó a la conclusión de que el auricular entrega cada segundo los valores de los estados mentales, para llegar a un estado mental la persona debe por lo menos tratar de entrar en el estado por 10 segundo para que los datos que se empiecen a medir sean acorde a lo esperado y esto se evidencia en la base de datos que se entrega en los anexos, esta interfaz posee además filtros de ruido a fin de garantizar una extracción segura de los datos, y dado el caso si hay mucho ruido en el lugar dentro de su programación tiene incluido un reinició de lectura en el momento en el que el filtro no pueda compensar el sistema. Los estados con los que se realizaron las pruebas fueron (Neutral) y (One with the Dot) estos partían de un estado neutral a una mas meditativo respectivamente. Cuadro 4. Indicie de % Meditación para Estados mentales (Neutral y One WD) Fuente: Tomado del artículo ―NeuroSky’s eSense Meters and Detection of Mental State Figura 24. Histograma para la meditación de un sujeto agrupado en cuatro sesiones de 40 segundos. El rosa es (Neutral) y el azul es (One WD) 56 Fuente: Tomado del artículo ―NeuroSky’s eSense Meters and Detection of Mental State A través de estos datos se pudo relacionar el funcionamiento de la interfaz que tiene un porcentaje de efectividad del 86% sobre los estados mentales y que de cada 14 sujetos 9 representaban los datos esperados por el estudio que se realizó [49] esto nos sirve como punto de comparación para el respectivo análisis del proyecto. 3.4.4 Características de la Mindset. Para entender un poco más la forma en cómo está compuesta la interfaz con la que se trabaja en este proyecto se coloca a disposición en la siguiente figura la configuración interna de la misma: En la figura se encuentra la composición interna de la Mindset y la distribución de sus partes internamente, posteriormente se explica cada una de sus partes con el fin de mostrar de manera más detallada este dispositivo. Figura 25. Composición interna de la Mindset 57 Fuente: Tomado del artículo ―Developer NeuroSky’s‖ En la figura 26 se muestra un mini puerto USB para cargar la interfaz, la batería está compuesta por litio y mientras esta en el proceso de carga habrá un LED rojo prendido hasta que esté totalmente cargada la interfaz. Figura 26. Puerto Mini USB para cargar la Interfaz Fuente: Tomado del artículo ―Developer NeuroSky’s‖ En la figura 27 se observa el modo correcto de colocarse la interfaz, esta tiene una banda ajustable que permite adaptarse a cualquier tamaño de cabeza y en la parte 58 del sensor frontal el dispositivo de giro para guardarlo cuando se termine de utilizar. Figura 27. Modo correcto de colocación de la Interfaz Fuente: Tomado del artículo ―Developer NeuroSky’s‖ En la grafica 28 se presenta los electrodos con respecto a tierra que van posicionados en la oreja izquierda. Figura 28. Electrodos con respecto a tierra de la Interfaz Fuente: Tomado del artículo ―Developer NeuroSky’s‖ En la grafica 29 se observa el posicionamiento correcto del electrodo monopolar de la derivación frontal y el punto recomendado en el que se debe posicionar. 59 Figura 29. Electrodos con respecto a tierra de la Interfaz Fuente: Tomado del artículo ―Developer NeuroSky’s‖ En la grafica 30 se muestra la manera en la que debe estar la interfaz en la cabeza del usuario, esto con el fin de que se obtenga una buena extracción de datos ya que el ruido o la mala posición debilitan la lectura de las señales. Figura 30. Posicionamiento correcto de la Interfaz Fuente: Tomado del artículo ―Developer NeuroSky’s‖ 4. PRESENTACIÓN DE LA SOLUCIÓN 60 A lo largo de este capítulo se presenta los diferentes sistemas utilizados en el desarrollo del proyecto articulados en tres fases: Adquisición de datos, determinación de umbrales de control y por último la ejecución en un dispositivo mecatrónico (Robot móvil Lego NXT Mindstorm). Se explicara en detalle los métodos utilizados para definir el mejor funcionamiento del dispositivo y el análisis realizado a la diferente información adquirida en el transcurso del proyecto. 4.1 REQUERIMIENTOS TÉCNICOS DEL SISTEMA Entre los requerimientos técnicos del sistema se encuentra una interfaz BCI que permite la adquisición de datos de la actividad bioeléctrica de las señales cerebrales la cual filtra, procesa y amplifica enviando datos a través de bluetooth a una interfaz programada en Java que posteriormente transmite la información al robot para generar el desplazamiento. Es necesario entender las diferentes formas de datos que entrega la BCI para poder analizar adecuadamente los estados mentales que se generan en el momento de las pruebas, así es importante mencionar que la BCI con la que se trabaja es comercial de la empresa NeuroSky la cual trae consigo unos patrones definidos para el parpadeo, la meditación y la atención y lo que se logro en este proyecto fue entender su formato de entrega y la conversión de las mismas a comandos para lograr el control del dispositivo. 4.2 ADQUISICIÓN DE DATOS En primera instancia se empezó a trabajar con el formato de lectura de las señales entregadas por la interfaz BCI de NeuroSky, dado que esta permite realizar un análisis de sus datos desde diferentes plataformas, se busco cual era la más optima dependiendo de la forma de proceder del proyecto, para esto se realizaron diferentes pruebas para determinar si la comunicación por medio de Bluetooth era la correcta y si la lectura de datos se presentaba en tiempo real. Para recoger la forma de lectura de datos se empezó a trabajar con Acces y con Excel para ver como era el comportamiento de los mismos ya que de esta forma se entendían los datos de manera cruda lo que permitía realizar un análisis más profundo de las posibilidades que permite la interfaz para poder realizar control. Después de realizar un análisis del Dispositivo BCI y por medio de un software se empezó a identificar las señales y su nivel de muestreo por cada segundo, este 61 software es conocido como puzzlebox el cual tiene dentro de sus características identificar la variación de las mismas como respuesta a los pensamientos en un determinado tiempo y a su vez permite exportar esta información a Excel donde se puede determinar los valores máximos y mínimos de cada una. En el anexo B y C se presentan los datos adquiridos para su respectivo análisis, que se exportan en formato CSV para posteriormente graficar y comprender el comportamiento de las señales las cuales nos arrojan datos que facilitan el proceso de programación. 4.3 ANÁLISIS DE DATOS Conforme a los datos obtenidos se realizo su respectivo análisis para medir el comportamiento de las señales en busca de entender los estados mentales con los que se querían trabajar que en este caso se fijaron a tres en particular que son la atención, la meditación y el parpadeo, sin embargo para esto fue necesario comparar la información obtenida de la interfaz BCI con una base de datos de registros de una onda P300 permitiendo verificar si las señales esperadas correspondían realmente a las ya investigadas en proyectos a nivel mundial. De esta manera se registran las siguientes señales para la onda P300: Figura 31. Onda Alpha utilizando P300 62 Figura 32. Onda Beta utilizando P300 Figura 33. Onda Delta utilizando P300 Figura 34. Onda Teta utilizando P300 Figura 35. Comportamiento de Señales EEG utilizando P300 63 En las graficas se puede observar el comportamiento de las diferentes ondas cerebrales a diferentes estados mentales como atención, fatiga, estado de alerta, estrés, dedicación a una tarea, la función de ejecución y memoria (verbal o espacial). Estas señales están muestreadas a 2048Hz por segundo por el sistema P300 y se puede comprobar en los datos entregados que cumple con el Teorema de Nyquist para el muestreo de una señal y la reconstrucción de la misma. Para las señales entregadas por la interfaz BCI de NeuroSky se realiza el mismo procedimiento para verificar el comportamiento de las señales a diferentes estados mentales con las siguientes graficas: Figura 36. Onda Delta Sistema BCI NeuroSky 64 Figura 37. Onda Theta Sistema BCI NeuroSky Figura 38. Onda Low Alpha Sistema BCI NeuroSky 65 Figura 39. Onda High Alpha Sistema BCI NeuroSky Figura 40. Onda Low Beta Sistema BCI NeuroSky 66 Figura 41. Onda High Beta Sistema BCI NeuroSky Figura 42. Onda Low Gamma Sistema BCI NeuroSky 67 Figura 43. Onda Mid Gamma Sistema BCI NeuroSky 68 Figura 44. Patrón de Atención Sistema BCI NeuroSky Figura 45. Patrón de Meditación Sistema BCI NeuroSky Los datos entregados por la interfaz BCI de NeuroSky estan en diferentes valores de acuerdo a unos maximos y minimos definidos por los protocolos de la interfaz, es por esto que para poder graficar y enteder los datos se hace necesario 69 normalizar los datos de la muestra para que las graficas tengan comportamientos similares a los del sistema P300 y de esta manera poder identificar los estados mentales y los comportamientos de las señales ante diferentes pruebas. Las señales adquiridas están muestreadas a 512Hz para las EEG y para las ya determinadas como patrones se encuentran muestreadas a 1Hz que en este caso serian la atención, la meditación y el parpadeo y su rango de máximos y mínimos se encuentra entre 0% y 100% respectivamente. Cabe denotar que dentro de datos entregados por el paquete de la interfaz BCI existen separaciones de algunas señales en sus estados altos y bajos ya que algunos estados mentales se encuentran en estos rangos y para poder identificarlos fácilmente hay que centrarse en estas frecuencias. 4.4 ESTADOS MENTALES Para entender cómo funcionan los estados mentales con los que se trabajo en el proyecto primero hay que entender cómo se comportan las señales que los conforman, de esta manera tenemos: Atención Está definid por una señal en particular que es la beta, la cual a incidencias muy altas determina los estados de concentración de las personas, este estudio se ha realizado en diferentes universidades del mundo lo cual permitió establecer en el proyecto los rangos en los que la señal se encontraba cuando la persona lograba niveles de atención promedios. También se identifico que la onda Gamma Media se encuentra en los estados consientes a ciertos niveles de concentración. En este caso los algoritmos establecidos por NeuroSky realizan una convolución de las señales Beta y Gamma Media para establecer el resultado de esta como la atención. Meditación La meditación es el resultado de la convolución entre la onda Alpha la cual determina en mayor parte este patrón y la onda Theta que se presenta a estados muy elevados de relajación del cerebro. 70 Parpadeo Para la determinación del patrón del parpadeo hay que tener claro que este en algunos casos no es tan fácil de reconocer por que se presenta en instantes de tiempo que se alejan de la percepción humana, es por eso que en análisis gráficos se logra identificar pequeñas triangulaciones con ciertas frecuencias y amplitudes de tres señales que son la Alpha, la Beta y la Gamma las cuales al convolucionarse dan como resultado el parpadeo. Dentro del análisis también se identifico que al cerrar los ojos las ondas Alpha tienden a aumentar su amplitud considerablemente y al abrirlos disminuyen, esto se debe a que la imagen visual tiende a suprimir estas ondas. La Alpha es una de las señales que mejor se presto para el análisis ya que responde fácilmente a los estados mentales, por ejemplo cuando la persona se encuentra con una atención muy enfocada esta onda se encuentra bloqueada por el cerebro, también se presenta un bloqueo de esta por niveles de agitación o de excitación. Es poco probable que una persona logre entrar con facilidad en los dos estados mentales de Atención y Meditación al mismo tiempo, porque como ya se menciono anteriormente tienden a ser inversamente proporcional, sin embargo se realizaron pruebas con un espejo en donde una persona mira su reflejo y el resultado de los dos estados tiende a aumentar, de momento no se tiene una explicación clara de por qué sucede esto, en proyectos posteriores será punto de interés para analizar y discutir. Se identifico además cuando la persona realiza una presión sobre su mandíbula la amplitud de las señales cerebrales aumenta lo que permitió agilizar el proceso para que las personas entraran en los patrones de trabajo. 4.5 MANIPULACIÓN DE DATOS 71 Con respecto a los datos adquiridos por medio de la interfaz BCI se realizaron los siguientes análisis para poder determinar las señales que permitieran en gran medida el funcionamiento del proyecto. 4.5.1 Normalización de las señales. Los datos se encuentran en primera instancia aleatoriamente distribuidos en el espacio esta se debe a que las ondas cerebrales se comportan de manera impredecible aun cuando existen situaciones de estrés que obligan a la persona a entrar en diferentes estados mentales, es por esto que se toma la información entregada en dos formatos. El primero de manera Hexadecimal y el segundo de manera entera ubicando valores de 2n hasta 224. Los parámetros denominados como atención y meditación se representan como [eSense Attention] y [eSense Meditation] para el respectivo análisis, y todos estos datos son guardados directamente en un archivo .txt el cual es denominado streamLog.txt de donde se extraen los datos para generar la codificación del sistema. 4.5.1.1 Representación de Datos Hexadecimales. Cuando el Mindset detecta que recibe datos que producen mucho ruido para ser procesados, este reinicia la lectura de valores ([SYNC][SYNC]=AA AA) en el streamLog.txt. En el streamLog.txt, los datos arrojados son un conjunto de códigos y valores hexadecimales. Para comprender mejor lo descrito anteriormente se utiliza un ejemplo, donde posteriormente se menciona lo que significan los valores arrojados. AA AA 02 1A 04 27 05 62 81 20 38 F1 50 C1 35 BD 50 C0 39 0D A7 A7 38 8C 51 78 37 78 35 C6 35 3A CC CF 35 0D 61 CD 37 6C 1B 71 AA [SYNC] Sincroniza el Mindset con la obtención de señales (actividad cerebral). 02 [POOR SIGNAL] Es el código que indica que comienza a medir el valor de la señal, cuyo valor se determina por el número a su derecha (en este caso 1A), el cual es un valor hexadecimal. 04 72 [eSense Attention] Es el código que indica la lectura de atención de acuerdo a los parámetros establecidos por eSense, cuyo valor de atención es mostrado por el número a su derecha (en este caso 27), el cual es un valor hexadecimal. 05 [eSense Meditation] Es el código que indica la lectura de atención de acuerdo a los parámetros establecidos por eSense, cuyo valor de atención es mostrado por el número a su derecha (en este caso 62), el cual es un valor hexadecimal. 20 Este número representa el tamaño del vector, el cual está definido por Power LENGTH]. [EEG 81 [EEG Powers] Es el código que indica la lectura de los distintos tipos de señales que entrega el Mindset (Delta, Theta, Low Alpha, High Alpha, Low Beta, High Beta, Low Gamma, High Gamma), donde se lee el valor de cada una respectivamente comenzando después del numero seguido al 81 (en este caso 20*). 4.5.1.2 Representación de datos enteros. Los datos adquiridos se fijan en un máximo y un mínimo para cada señal como se muestra en la siguiente tabla. Cuadro 5. Valores enteros Señales EEG Tabla de Valores enteros Señales EEG Señales Máximos Mínimos EEG Raw -32768 32768 Atención 0 100 Meditación 0 100 Parpadeo 0 100 24 EEG Potencia 0 2 =16777246 224=16777246 Delta 0 224=16777246 Theta 0 73 Low Alpha High Alpha Low Beta High Beta Low Gamma Mid Gamma 224=16777246 224=16777246 224=16777246 224=16777246 224=16777246 224=16777246 0 0 0 0 0 0 Con estos valores se procedió a graficar las señales teniendo en cuenta cada segundo cuantas muestras se recibían y de esta manera fijar el comportamiento de las señales a diferentes estados mentales, para esto fue necesario realizar pruebas con un grupo de cinco personas donde se trabajaron con los tres patrones ya definidos en la mindset y se realizó un análisis estadístico para determinar las medias de los datos y establecer los umbrales que posteriormente serian programados en la interfaz de usuario para poder controlar el dispositivo. El resultado de estas pruebas es el siguiente: En primera instancia se extrajeron los datos para la meditación y la atención bajo tres estados, el primero un estado de calma, el segundo un estado normal y el tercero un estado de concentración todo esto con el fin de establecer los umbrales y rangos de trabajo que permitan controlar al robot. En la siguiente tabla se muestran los datos obtenidos Cuadro 6. Valores de los Estados mentales Tabla de Estados Mentales Estado Calma Normal Concentración Máximo 45 60 68 Mínimo 21 35 45 Medio 38 45 58 Media 34.6 46.6 57 Para estos estados y sus promedios se obtuvieron las siguientes gráficas donde se observa en detalle los diferentes cambios de las señales. 74 Figura 46. Nivel de atención para tres estados. Figura 47. Nivel de Meditación para tres estados 75 En cuanto al patrón del parpadeo se pudo identificar su comportamiento a un número determinado de parpadeos por segundo. Figura 48. Nivel de Parpadeo 4.5.1.3 Determinación de Umbrales. Con base en la información adquiridas se llegaron a las siguientes conclusiones para definir la codificación que permitiria controlar al robot en diferentes instantes de tiempo: La Atención y la Meditación son patrones que en la mayoria de las pruebas tienden a ser inversamente proporcionales, es decir cuando uno de los do se encuentra en su estado máximo el otro tiende a ser mínimo. La Atención tiene su valores umbrales en 58, 62 y 69 en porcentaje y se toma como punto de análisis para los estudios que se realizaron, esto permite saber que cuando la persona fija su nivel de concentración siempre se encontrará en promedio en estos rangos, los cuales se toman como referencia para la programación posterior. La Meditación fija sus valores umbrales en un estado de calma entre 64 y 90 como valor de porcentaje, esto quiere decir que cuando la persona logra relajar su cerebro los valores a utilizar estan marcados en este rango, dentro de la programación del sistema se definen estos datos. 76 Para el Parpadeo se identificaron algunas caracteristicas interesantes con las que se penso definir un alfabeto de control para el robot, en primera instancias el analisis muestra que la intersidad del parpadeo es proporcional al numero de veces en que se cierre y abra los ojos, con esto se llego al punto de establecer los porcentajes para manejarlos en el tiempo. Es asi como un parpadeo representa en promedio entre el 35% y el 50% de la intensidad de la señale, 3 parpadeos representan entre el 60% y el 79% y 6 parpadeos entre el 80% y el 97% lo cual es importante para definir los movimientos del robot. Figura 49. Umbrales para la atención Figura 50. Umbrales para la Meditación Figura 51. Umbrales para la el Parpadeo 77 4.6 PROCESO DE PROGRAMACIÓN El proceso de programación fue uno de los retos del proyecto ya que no se tenía idea en principio de que lenguaje utilizar para el proyecto, utilizando las facilidades que brinda la interfaz BCI de acomodarse a ciertos lenguajes y por ser open source lo cual brindaba la posibilidad de encontrar código en la web para acceder a todas las funciones de la misma, se decidió que el lenguaje más apropiado y por la facilidad que generaba al programar fuera Java Eclipse (JSE). La interfaz permitía acceder a una librería llamada ThinkGear la cual internamente posee los métodos definidos para acceder a los datos en bruto de la interfaz que en cierta medida facilito el trabajo porque después solo se requirió de utilizar operaciones matemáticas básicas para poder trabajar con los datos de forma sencilla y que no hicieran complejo el sistema. Se genero un arreglo Vectorial donde se ubicó toda la trama de datos entregados en paquetes por segundo del sistema y esto posibilito acceder después a cada uno por aparte lo que permitiría utilizarlos conforme al análisis grafico que se realizo sobre las señales. Se codifico el promedio de datos de acuerdo al análisis de las medias que se realizó anteriormente y se genero unas condiciones al sistema que debía cumplir para poder funcionar adecuadamente, estas fueron: Movimiento hacia adelante: Atención por encima del 50% promediando dos paquetes cada segundo de entrega de datos. 78 Movimiento hacia atrás: Meditación por encima del 50% promediando dos paquetes cada segundo de entrega de datos. Movimiento hacia la izquierda: Parpadeo entre los rangos de 60% y 79% equivalentes a 3 parpadeos en 1.3 segundos. Movimiento hacia la derecha: Parpadeo entre los rangos de 80% 100% equivalente a 6 parpadeos en 2 segundos. Parar: Parpadeo entre los rangos del 30% y el 50% equivalentes a un parpadeo en 0.5 segundos. La comunicación con la interfaz se definió a través de librerías para el manejo de los medidores de las señales y el movimiento asignado por la persona en las pruebas todo esto en correlación con el análisis realizado a las señales previamente al desarrollo de la aplicación. 4.7 COMUNICACIÓN BLUETOOTH Para la comunicación entre la interfaz BCI, la interfaz de usuario y el robot se trabajo con tecnología bluetooth lo que facilita en gran medida poder controlar el robot de manera remota sin una conexión del mismo a la computadora lo que hace atractivo el sistema ya que permite pensarse en posibles aplicaciones que busquen facilitar el entorno de trabajo de las personas. Esta tecnología por su facilidad de transmisión de datos permite ser utilizada de manera sencilla, en este caso en el proyecto la interfaz BCI trae integrado un dispositivo bluetooth que se comunica con uno externo que se conecta a la computadora, para esto fue necesario instalar los drivers que permitían utilizar este dispositivo y a su vez comunicarlo de la computadora al robot el cual por ser un Lego NXT Mindstorm también trae un dispositivo bluetooth internamente. Se presentaron algunas complicaciones ya que el bluetooth no permite manejar conexiones en paralelo por lo que presentaba al principio muchos errores en la conexión, para esto fue necesario entender en mayor detalle el funcionamiento de esta comunicación entendiendo que cuando está habilitada solo puede comunicarse con un canal donde abre conexión y envía datos, cierra el canal y tiene un delay para habilitar uno nuevo, este proceso lo puede hacer con siete conexiones diferentes, conociendo esto se determino abrir y cerrar comunicación 79 casi de manera simultánea entre la interfaz BCI, la computadora y el robot, el delay generado por esta acción fue de 300ms (milisegundos) tiempo que de manera directa no afecta la aplicación aunque se busca que en versiones posteriores del proyecto se pueda disminuir este error con comunicaciones alternas como el Wifi o la radiofrecuencia. 4.8 INTERFAZ DE USUARIO El modelo de interfaz grafica propuesto en este proyecto está conformado de la siguiente forma: Panel principal: Este panel se encuentra dividido en dos sub paneles, en el primero se encuentra los datos de configuración de los puertos, el tipo de sistema operativo utilizado de momento, una opción que lleva a un sub panel de configuración de umbrales para el funcionamiento del robot y una opción para inicializar la aplicación. En la parte media del panel se encuentra tres pestañas que indican los movimientos, los medidores y los eventos respectivamente. En la parte inferior del panel se encuentran los medidores de los tres patrones utilizados para el movimiento y las flechas que indican la dirección del movimiento. Figura 52. Panel principal Interfaz de Usuario 80 El botón de configuración lleva a un panel donde se establecen los rangos con los que se quiere trabajar y que tipo de patron se quiere utilizar para el movimiento del robot, esto permite que el usuario adapte su dispositivo a las señales cerebrales que crea mas conveniente para utilizar. Figura 53. Panel de configuración Interfaz de Usuario Se encuentra en la pestaña número dos el panel de los medidores en donde se muestra el valor que toman las señales conforme a los datos de entrada del sistema. Figura 54. Panel de Medidores Interfaz de Usuario La pestaña de eventos entrega el valor de los patrones y las señales de forma entera y guarda un registro que puede exportarse como csv para manejar los datos desde Excel y realizar un análisis grafico de los mismos. Figura 55. Panel de Eventos Interfaz de Usuario 81 Esta interfaz representa la funcionalidad del sistema resumido a un conjunto de instrucciones que determinan el funcionamiento del sistema. 4.9 DISPOSITIVO DE PRUEBA Para el dispositivo de prueba como ya se había mencionado anteriormente se trabajo con un robot móvil Lego NXT Mindstorm el cual permite la codificación de sus características desde Java, y enviando el porcentaje de datos necesario para lograr que se mueva conforme los patrones definidos dentro del proyecto. Las imágenes del dispositivo son las siguientes: Figura 56. Robot Movil Lego NXT Mindstorm Figura 57. Interfaz BCI de NeuroSky 82 Figura 58 . Posicionamiento de la Interfaz BCI en la cabeza De esta manera se muestran los graficos del proyecto los cuales tambien permitieron realizar un análisis con respecto al error en la ejecución de datos sobre la respuesta esperado por el dispositivo. A continuación se muestra una tabla donde se presentan los valores para un número de ejecuciones y la cantidad de error producido para cada funcionamiento del sistema. Cuadro 7. Estimación de error en la ejecución del sistema 83 Determinación del error de ejecución del sistema N° de Pruebas Funcionamiento Correcto Funcionamiento Erróneo Error % 50 30.75 19.25 38.65 Esta tabla muestra los valores para un número de pruebas determinadas donde se esperaba que el comportamiento del sistema fuese constante y exacto para varias ejecuciones, ya que se busca con este tipo de proyectos que el control sea muy preciso, sin embargo por tener una interfaz BCI con una sola derivación dentro de la adquisición de señales y además por el ruido que se genera en el espacio no siempre se logra un funcionamiento correcto del sistema. Los patrones con los que se realizaron las pruebas requieren de que la persona tenga entrenada sus estados mentales para poder entrar fácilmente en ellos, así pueda tener niveles de atención o meditación cuando lo desee, y por otro lado en cuanto al parpadeo esta señal no siempre responde de manera como se espera, porque existen algunos bloqueos con las otras señales que no la dejan alcanzar el umbral de manera correcta. Con estos valores se demuestra que existe un error del 38.65% para la ejecución del sistema, lo que implica que cada 19.25 veces de 50 que se utilice el dispositivo no va a funcionar de manera como esperamos. 5. CONCLUSIONES 84 • Se demuestra con este proyecto que se puede generar control a través de los sistemas BCI y de la actividad bioeléctrica de las señales cerebrales para poder manipular un dispositivo mecatrónico, teniendo claro que los estados mentales varían conforme a la persona y que es necesario primero de un entrenamiento previo para lograr cierta exactitud en el sistema. • En relación con el diseño de la interfaz de programación en Java se logro comprender el tipo de funcionamiento de esta de acuerdo al sistema operativo en el que se está ejecutando, aunque Java resulta ser lento en cuando al procesamiento de datos generando unos desfases en la comunicación entre la interfaz y el robot, la aplicación fue funcional y se logro el objetivo esperado planteado dentro del proyecto. • Para ejecuciones posteriores es necesario minimizar los tiempos de transmisión de datos ya que este desfase no permite controlar el robot en tiempo real y en esta aplicación se tiene un retardo de 300ms lo que en términos generales no es tan complejo pero que debe entrarse a mejorar en aplicaciones posteriores. •La interpretación de los datos se hace complicada por las características de la forma de entrega de la interfaz, para esto es necesario tener las librerías específicas de acuerdo al software en el que se esté programando que ayuden a la generación de código. • La comunicación bluetooth en ocasiones no es tan confiable ya que su limitado rango de transmisión en datos genera retardos en el sistema, por lo que se recomienda buscar soluciones alternativas como radio-frecuencia o Wifi. • Para entender los estados mentales de las personas se recomienda realizar un estudio previo del comportamiento de las señales cerebrales ante situaciones de estrés y de relajación con el fin de entender sus datos como parte fundamental del análisis del sistema. • Se recomienda trabajar con interfaces BCI que posean varias derivaciones para entender de manera más concreta la información de la actividad bioeléctrica de las señales, ya que en este proyecto se trabajo con una interfaz monopolar y una sola derivación frontal lo que limito algunos procesos en el control, sin embargo se adapto al presupuesto que se tenía previsto para el proyecto. 85 • Aunque se presentan algunos errores en el desempeño del sistema tanto en la ejecución como en la adquisición de datos es importante mencionar que estos análisis estadísticos buscas en aplicaciones futuras mejorar el funcionamiento del sistema. 5.1 TRABAJO FUTURO En trabajos futuros se contempla la posibilidad de trabajar en un sistema que permita controlar una silla de ruedas a través de una interfaz BCI utilizando mayores derivaciones de la interfaz y teniendo un rango de control más amplio que permita a diferentes personas en situación de discapacidad poder adaptarse a este sistema. Para esto será necesario adquirir en primera instancia una interfaz BCI de 14 derivaciones de la empresa Emotiv denominada Epoc la cual a través de un análisis adecuado y de una programación robusta permitirá tener mayor libertad en la generación de control por entregar con mayor exactitud los estados mentales de las personas, de esta manera se podrá garantizar que en el momento que el proyecto se adapte a una silla de ruedas la persona en condición de discapacidad tendrá la seguridad de su desplazamiento acorde a ciertos parámetros que se estarán definiendo dentro de la investigación y desarrollo del proyecto. En cuanto a la comunicación remota que se utilizara se pretende pasar de bluetooth a wifi, ya que esta permite trabajar diferentes conexiones en paralelo una ventaja con respecto al bluetooth que solo permite trabajar en serie y una a la vez, por lo que se mejorara el nivel de respuesta del sistema y la velocidad con la que se operara el dispositivo. En versiones futuras lo que se pretende es poder crear un propio patrón cerebral que refleje la voluntad de la persona cuando quiera desplazarse conforme a las direcciones que mentalmente asigne y de esta manera mejorar el tipo de procesamiento y la eficacia del sistema todo controlado de manera remota. BIBLIOGRAFIA 86 Electroencefalografía‖ [consultado el 14 de febrero de 2011] Disponible en internet: http://web.usal.es/-lcal/electroencefalografía.pdf SCHALK, G.; McFarland, D.J.; HINTERBERGER, T.; Birbaumer, N.; Wolpaw, J.R.; , "BCI2000: a general-purpose brain-computer interface (BCI) system," Biomedical Engineering, IEEE Transactions on , vol.51, no.6, pp.1034-1043, June 2004 [consultado el 3 de Marzo de 2011]. Disponible en Internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=1300799&isnumb er=28897 PIRES, Gabriel; CASTELO-BRANCO, Miguel; Nunes, Urbano; , "Visual P300-based BCI to steer a wheelchair: A Bayesian approach," Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE , vol., no., pp.658-661, 20-25 Aug. 2008 [consultado el 7 de Marzo de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4649238&isnumb er=4649055 JZAU-SHENG Lin; KUO-CHI Chen; WIN-CHING Yang; , "EEG and eye-blinking signals through a Brain-Computer Interface based control for electric wheelchairs with wireless scheme," New Trends in Information Science and Service Science (NISS), 2010 4th International Conference on , vol., no., pp.731-734, 11-13 May 2010 [consultado el 7 de Marzo de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5488522&isnumb er=5488502 SCHWAN , Ben, ―cerebro controla computadora‖ actualizado 24 Feb. 2010 [consultado el 7 de Marzo de 2011]. Disponible en Internet: http://www.heise.de/tr/artikel/Gehirn-steuertComputer-937587.html ―Controlar una silla de ruedas solo con el cerebro‖ actualizado 17 Sep. 2010 [consultado el 9 de Marzo de 2011]. Disponible en Internet: http://www.drsmusikwelle.ch/www/de/drsmusikwelle/sendungen/wissen-aktuell/2802.sh1 0158449.html [―El cerebro pronto será capaz de controlar prótesis‖ actualizado 1 Jul. 2010 [consultado el 9 de Marzo de 2011]. Disponible en Internet: http://www.myheimat.de/gerlingen/freizeit/gehirn-soll-bald-prothesen-steuern-koennend637624.html Señales cerebrales controlan un vehículo a escala – Casco de alta tecnología mide la actividad cerebral‖ actualizado Ene. 2008 [consultado el 9 de Marzo de 2011]. Disponible en Internet: http://www.emg.tu-bs.de/forsch/eeg_ekg/ceeg/eeg_system_de.htm. GRIGORYAN, A.M.; , "Fourier transform representation by frequency-time wavelets," Signal Processing, IEEE Transactions on , vol.53, no.7, pp. 2489- 2497, July 2005 doi: 10.1109/TSP.2005.849180 [consultado el 17 de Marzo de 2011] Disponible 87 en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber= 1453781&isnumber=31224 NING Ye; Xu Wang; YUGE Sun; , "Independent Component Analysis and TimeFrequency Method for Noisy EEG Signal Analysis," Signal Processing, 2006 8th International Conference on , vol.4, no., 16-20 2006 doi: 10.1109/ICOSP.2006.345938 [consultado el 25 de Marzo de 2011] Disponible en internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4129630 & isnumber=4129618 INOUE, K.; Kajikawa, R.; Nakamura, T.; PFURTSCHELLER, G.; KUMAMARU, K.; , "EEG signal analysis based on quasi-AR model: application to EEG signals during right and left motor imagery," SICE 2004 Annual Conference , vol.3, no., pp.2197-2201 vol. 3, 4-6 Aug. 2004 [consultado el 25 de Marzo de 2011] Disponible en internet http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber= 1491810&isnumber=32063 YEONGJOON Gil; Gang Li; Jungtae Lee; , "Integrated real-time neurofeedback system to raise the frontal lobe activity: Design and implementation," Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE , vol., no., pp.845-848, 3-6 Sept. 2009 doi: 10.1109/IEMBS.2009.5333098 [consultado el 14 de febrero de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber= 5333098&isnumber=5332379 JOOMAN Han; KWANG Suk Park; , "Independent component analysis for identification and minimization of EOG artifacts in EEG recordings," [Engineering in Medicine and Biology, 1999. 21st Annual Conf. and the 1999 Annual Fall Meeting of the Biomedical Engineering Soc.] BMES/EMBS Conference, 1999. Proceedings of the First Joint , vol.1, no., pp.428 vol.1, 1999 doi: 10.1109/IEMBS.1999.802506 [consultado el 25 de Marzo de 2011] Disponible en internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=802506&i snumb er=17397 MUKUL, M.K.; Matsuno, F.; , "Three — Channel electro-encephalogram (EEG) signal analysis by independent component analysis and classification by linear discriminant analysis," SICE Annual Conference 2010, Proceedings of , vol., no., pp.449-458, 18-21 Aug. 2010 [consultado el 8 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5602596 &isnu mber =5601973 88 RABBI, A.F.; Ivanca, K.; Putnam, A.V.; Musa, A.; Thaden, C.B.; Fazel-Rezai, R.; , "Human performance evaluation based on EEG signal analysis: A prospective review," Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE , vol., no., pp.1879-1882, 3-6 Sept. 2009 doi:10.1109/IEMBS.2009.5333877 [consultado el 8 de Abril de 2011] Disponible en internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber =5333877&isnumber=5332379 EASWARAMOORTHY, D.; Uthayakumar, R.; , "Analysis of EEG signals using Advanced Generalized Fractal Dimensions," Computing Communication and Networking Technologies (ICCCNT), 2010 International Conference on , vol., no., pp.1-6, 29-31 July 2010 doi: 10.1109/ICCCNT.2010.5591775 [consultado el 14 de Abril de 2011] Disponible en internet:: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5591775 &isnumber=5591555 MINFEN Shen; Guoliang CHANG; Shuwang Wang; Beadle, P.J.; , "EEG Signal Analysis Based on Time-variant Coupled Network Lattice Model," Biomedical and Pharmaceutical Engineering, 2006. ICBPE 2006. International Conference on , vol., no., pp.123-127, 11-14 Dec. 2006 [consultado el 14 de Abril de 2011] Disponible en internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4155876 &isnum ber=4155849 Kaminaka, J.; Yamaguchi, T.; Taniguchi, M.; Ohmori, K.; Watanabe, S.; Inoue, K.; Pfurtscheller, G.; , "EEG signal analysis during miss operation in BCI system," SICE Annual Conference, 2008 , vol., no., pp.3184-3188, 20-22 Aug. 2008 doi: 10.1109/SICE.2008.4655213 [consultado el 14 de Abril de 2011] Disponible en internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4655213 &isnumber=4654597 ORTIZ Sixto Jr.; , "Brain-Computer Interfaces: Where Human and Machine Meet," Computer ,vol.40, no.1, pp.17-21, Jan. 2007 doi:10.1109/MC.2007.11 [consultado el 14 de Abril de 2011] Disponible en internet:http://0-ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arun m er= 4069188&isnumber=4069176 LECUYER, A.; Lotte, F.; Reilly, R.B.; Leeb, R.; Hirose, M.; Slater, M.; , "BrainComputer Interfaces, Virtual Reality, and Videogames," Computer , vol.41, no.10, pp.66-72, Oct. 2008 doi: 10.1109/MC.2008.410 [consultado el 14 de Abril de 2011] Disponible en internet:http://0- 89 ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4640665 &isnumber=4640644 CLANTON, S.; Laws, J.; Matsuoka, Y.; , "Determination of the arm orientation for brain-machine interface prosthetics," Robot and Human Interactive Communication, 2005. ROMAN 2005. IEEE International Workshop on , vol., no., pp. 422426, 13-15 Aug. 2005 doi: 10.1109/ROMAN.2005.1513815 [consultado el 14 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=1513815 &isnumber=32428 KODAGODA, S.; Hemachandra, E.A.S.; Pannipitiya, P.A.A.R.; Bartholomeuz, L.S.; Pasqual, A.A.; , "Minimal Invasive Headband for Brain Computer Interfacing and Analysis," Information and Automation, 2006. ICIA 2006. International Conference on , vol., no., pp.109-114, 15-17 Dec. 2006 doi: 10.1109/ICINFA.2006.374164 [consultado el 14 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4250254 &isnumber=4250171 MILLAN, Jd.R.; Renkens, F.; Mourino, J.; Gerstner, W.; , "Noninvasive brainactuated control of a mobile robot by human EEG," Biomedical Engineering, IEEE Transactions on , vol.51, no.6, pp.1026-1033, June 2004 doi:10.1109/TBME.2004.827086 [consultado el 14 de febrero de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber= 1300798&isnumber=28897 [30] Thakor, N.; , "In the Spotlight: Neuroengineering," Biomedical Engineering, IEEE Reviews in , vol.2, no., pp.18-20, 2009 doi: 10.1109/RBME.2009.2034697 [consultado el 17 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5338215 &isnumber=5338177 MEDVED, V.; , "Teaching instrumentation and methodology in human motion analysis," Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE , vol.4, no., pp. 4028- 4029 vol.4, 2001 doi: 10.1109/IEMBS.2001.1019729 [consultado el 17 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=1019729 &isnumber=21932 90 LINHUI Liu; Jie Chen; Lixin Xu; , "Realization and Application Research of BP Neural Network Based on MATLAB," Future BioMedical Information Engineering, 2008. FBIE '08. International Seminar on , vol., no., pp.130-133, 18-18 Dec. 2008 doi: 10.1109/FBIE.2008.92 [consultado el 17 de Abril de 2011] Disponible en internet:http://0-ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnu mber= 5076702&isnumber=5076661 ITURRATE, I.; Antelis, J.; Minguez, J.; , "Synchronous EEG brain-actuated wheelchair with automated navigation," Robotics and Automation, 2009. ICRA '09. IEEE International Conference on , vol., no., pp.2318-2325, 12-17 May 2009 doi:10.1109/ROBOT.2009.5152580 [consultado el 22 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5152580 &isnumber=5152175 ARBOLEDA, C.; Garcia, E.; Posada, A.; Torres, R.; , "P300-based brain computer interface experimental setup," Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE , vol., no., pp.598-601, 3-6 Sept. 2009 doi:10.1109/IEMBS.2009.5333794 [consultado el 22 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5333794 &isnumber=5332379 BONG-Gun Shin; Taesoo Kim; Sungho Jo; , "Non-invasive brain signal interface for a wheelchair navigation," Control Automation and Systems (ICCAS), 2010 International Conference on , vol., no., pp.2257-2260, 27-30 Oct. 2010 [consultado el 22 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5669830 &isnumber=5669634 QUITADAMO, L.R.; Abbafati, M.; Saggio, G.; Cardarilli, G.C.; Marciani, M.G.; Bianchi, L.; , "Efficiency of a BCI system in a visual P300 protocol with different stimulation intervals," Wireless Communication, Vehicular Technology, Information Theory and Aerospace & Electronic Systems Technology, 2009. Wireless VITAE 2009. 1st International Conference on , vol., no., pp.670-673, 17-20 May 2009 doi: 10.1109/WIRELESSVITAE.2009.5172527 [consultado el 22 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5172527 &isnumber=5172390 REBSAMEN, B.; Burdet, E.; Cuntai Guan; Chee Leong Teo; Qiang Zeng; Ang, M.; Laugier, C.; , "Controlling a wheelchair using a BCI with low information transfer rate," Rehabilitation Robotics, 2007. ICORR 2007. IEEE 10th International Conference on , vol., no., pp.1003-1008, 13-15 June 2007 doi: 10.1109/ICORR.2007.4428546 [consultado el 22 de Abril de 2011] Disponible 91 en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4428546 &isnumber=4428349 SAUNDERS, R.; Rothenheber, E.; , "Classification Of Visual Stimuli Using The P300 Evoked Response Potential," Engineering in Medicine and Biology Society, 1991. Vol.13: 1991., Proceedings of the Annual International Conference of the IEEE , vol., no., pp.390-391, 31 Oct-3 Nov 1991 doi: 10.1109/IEMBS.1991.683991 [consultado el 22 de Abril de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=683991 &isnumber=7498 WOLPAW, J.R.; McFarland, D.J.; Vaughan, T.M.; Schalk, G.; , "The Wadsworth Center brain-computer interface (BCI) research and development program," Neural Systems and Rehabilitation Engineering, IEEE Transactions on , vol.11, no.2, pp.14, June 2003 doi: 10.1109/TNSRE.2003.814442 [consultado el 8 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=1214722 &isnumber=27323 REBSAMEN, B.; Cuntai Guan; Haihong Zhang; Chuanchu Wang; Cheeleong Teo; Ang, M.H.; Burdet, E.; , "A Brain Controlled Wheelchair to Navigate in Familiar Environments," Neural Systems and Rehabilitation Engineering, IEEE Transactions on , vol.18, no.6, pp.590-598, Dec. 2010 [consultado el 20 de Enero de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5462915&isnumb er=5658599 CHAMBAYIL, B.; Singla, R.; Jha, R.; , "Virtual keyboard BCI using Eye blinks in EEG," Wireless and Mobile Computing, Networking and Communications (WiMob), 2010 IEEE 6th International Conference on , vol., no., pp.466-470, 11-13 Oct. 2010 doi:10.1109/WIMOB.2010.5645025 [consultado el 8 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5645025 &isnumber=5644846 TAN, H.G.; Kong, K.H.; Shee, C.Y.; Wang, C.C.; Guan, C.T.; Ang, W.T.; , "Postacute stroke patients use brain-computer interface to activate electrical stimulation," Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE , vol., no., pp.4234-4237, Aug. 31 2010-Sept. 4 2010 doi: 10.1109/IEMBS.2010.5627381 [consultado el 8 de Mayo de 2011] Disponible en internet:http://0- 92 ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5627381 &isnumber=5625939 BYUNG Chan Chang; Bo Hyeok Seo;, "Development of new brain computer interface based on EEG and EMG," Robotics and Biomimetics, 2008. ROBIO 2008. IEEE International Conference on, vol., no., pp.1665-1670, 22-25 Feb. 2009 doi: 10.1109/ROBIO.2009.4913251 [consultado el 8 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=4913251 &isnumber=4912969 XIAO Guixian; YAN Wei; , "Achieve single-channel BCI: The choice of electrode position and signal characteristics," Information Management and Engineering (ICIME), 2010 The 2nd IEEE International Conference on , vol., no., pp.190-192, 16-18 April 2010 doi: 10.1109/ICIME.2010.5477481 [consultado el 12 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5477481 &isnumber=5477426 PAULRAJ, M.P.; ADOM, A.H.; Hema, C.R.; Purushothaman, D.; , "Brain Machine Interface for physically retarded people using colour visual tasks," Signal Processing and Its Applications (CSPA), 2010 6th International Colloquium on , vol., no., pp.1-4, 21-23 May 2010 doi: 10.1109/CSPA.2010.5545339 [consultado el 12 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5545339 &isnumber=5545216 RAMLI, R.; Mokhtar, N.; AROF, H.; Anwar, M.S.M.; Hamzah, N.H.M.; Ibrahim, F.; , "Development of brain signal processing interface software for Trackit™LabVIEW," Technical Postgraduates (TECHPOS), 2009 International Conference for , vol., no., pp.1-5, 14-15 Dec. 2009 doi: 10.1109/TECHPOS.2009.5412072 [consultado el 15 de Mayo de 2011] Disponible en internet:http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5412072 &isnumber=5412038 YOHISTSUGO, Y ―A brainwave signal Measurement and Data processing for Daily life aplicattions‖ [consultado el 25 de Octubre de 2010] Disponible en internet: http://neurosky.com/Academics/AcademicPapers.aspx ―NEUROSKY’S eSense Meters and Detection of Mental State‖ [consultado el 25 de Octubre de 2010] Disponible en internet: http://neurosky.com/Academics/AcademicPapers.aspx 93 ―BRAINWAVE EEg Signal‖ [consultado el 25 de Octubre de 2010] Disponible en internet: http://neurosky.com/Academics/AcademicPapers.aspx CROWLEY, K.; Sliney, A.; Pitt, L.; Murphy, D.; ―Evaluating a brain-computer interface to categorice human emotional response‖ [consultado el 25 de Octubre de 2010] Disponible en internet: http://neurosky.com/Academics/AcademicPapers.aspx KUN Li; Sankar, R.; ARBEL, Y.; Donchin, E.; , "Single trial independent component analysis for P300 BCI system," Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE , vol., no., pp.4035-4038, 3-6 Sept. 2009 [consultado el 20 de Enero de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5333745&isnumb er=5332379 REBOLLEDO, G.; Dunwoll, I.; ―Assessing NeuroSky’s Usability to Detect Attention levels in an assessment Exercise‖ [consultado el 25 de Octubre de 2010] Disponible en internet: http://neurosky.com/Academics/AcademicPapers.aspx CAPI, G.; Takahashi, T.; Urushiyama, K.; Kawahara, S.; , "Robots controlled by neural networks trained based on brain signals," Machine Learning for Signal Processing, 2009. MLSP 2009. IEEE International Workshop on , vol., no., pp.1-6, 1-4 Sept. 2009 [consultado el 20 de Enero de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5306264&isnumb er=5306184 MAHMUD, M.; Girardi, S.; Maschietto, M.; Bertoldo, A.; Vassanelli, S.; , "Processing of neuronal signals recorded by brain-chip interface from surface of the S1 brain cortex," Bioengineering Conference, Proceedings of the 2010 IEEE 36th Annual Northeast , vol., no., pp.1-2, 26-28 March 2010 [consultado el 15 de Febrero de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5458211&isnumb er=5458107 RANKY, G.N.; Adamovich, S.; , "Analysis of a commercial EEG device for the control of a robot arm," Bioengineering Conference, Proceedings of the 2010 IEEE 36th Annual Northeast , vol., no., pp.1-2, 26-28 March 2010 [consultado el 17 de Febrero de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5458188&isnumb er=5458107 HOSNA, M.; Mautner, P.; , "Adaptation method for BCI system on subject," Bioinformatics and Biomedical Technology (ICBBT), 2010 International Conference on , vol., no., pp.164167, 16-18 April 2010 [consultado el 3 de Marzo de 2011]. Disponible en Internet: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5478986&isnumb er=5478921 94 ANEXOS 95 Anexo A. Modo de Fallas y Análisis de Efectos (FMEA) ( ver archivo adjunto ) Anexo B. Base de Datos con captura de la Onda P300 por medio de un Electroencefalograma. ( ver archivo adjunto) Anexo C. Base de Datos con captura de la Interfaz BCI Mindset de NeuroSky ( ver archivo adjunto) 96
