1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Chihuahua
4. Instituto Tecnológico de Chihuahua
5. Tesis de Maestría
6. Maestría en Ciencias en Ingeniería Electrónica

Título :	DESARROLLO DE CLASIFICADOR PARA INTERFAZ CEREBRO COMPUTADORA BASADA EN POTENCIALES EVOCADOS DE ESTADO ESTABLE
Autor :	BELTRÁN ROJO, MIGUEL ÁNGEL
metadata.dc.subject.other:	DESARROLLO DE CLASIFICADOR PARA INTERFAZ CEREBRO COMPUTADORA BASADA EN POTENCIALES EVOCADOS DE ESTADO ESTABLE
Fecha de publicación :	2026-01-01
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chihuahua
Descripción :	Terapia virtual es un tema que ha cobrado interés en los últimos años por su aplicación en sistemas de rehabilitación enfocados a personas con discapacidad. Una forma de implementar este tipo de terapias es mediante la electroencefalografía (EEG), la cual ha permitido el desarrollo de esquemas innovadores en terapia, debido a que brinda la posibilidad de medir el funcionamiento del cerebro durante un proceso de rehabilitación. Entre las diversas estrategias para implementar una terapia basada en EEG, se puede utilizar el análisis de potenciales evocados visuales de estado estable (SSVEP por sus siglas en inglés), los cuales se generan a través de estimulación visual con fuentes parpadeantes de luz. Para generar un sistema que analice los SSVEP, se recurre al desarrollo de interfaces cerebro computadora (BCI por sus siglas en inglés) que constan de una etapa de adquisición, otra de procesamiento y finalmente una etapa de aplicación. A su vez, el procesamiento se divide en tres partes: preprocesamiento, extracción de características y clasificación. Las dos primeras acondicionan la señal EEG y obtienen patrones descriptivos de ella. Posteriormente, la clasificación determina a qué clase pertenece el patrón de la señal SSVEP. Para esta última parte del procesamiento, existe en la literatura una gran cantidad de modelos que funcionan adecuadamente en ambientes controlados. Sin embargo, este tipo de ambientes limita la funcionalidad de las terapias virtuales debido a que es necesario ajustar varias condiciones del entorno donde se realiza la terapia, haciendo a veces incómoda la experiencia para usuarios y pacientes. Consecuentemente, es necesario realizar más esfuerzos para mejorar los clasificadores enfocados a analizar la señal SSVEP. Por lo tanto, en este trabajo se propone realizar un análisis de los clasificadores más utilizados en señales SSVEP para generar sistemas BCI que puedan ser utilizados en terapias virtuales aplicadas en ambientes no controlados. Debido a que las partes de preprocesamiento y extracción de características han sido muy estudiadas en la literatura, el enfoque de esta tesis es definir el clasificador con mejor desempeño en entornos poco amigables para la generación de la señal SSVEP. Para los experimentos, se diseñó un sistema basado en BCI que tiene como dispositivo de adquisición la diadema Emotiv EPOC+ y el software Testbench. En la toma de muestras, se generó un ambiente que contiene distractores como luz fluorescente de lámparas comunes y personas platicando a un volumen de voz normal. Además, se sigue un protocolo de adquisición de señales SSVEP que funciona como entrenamiento para usuarios nuevos de sistemas BCI. Para evocar las señales SSVEP, se utilizó una interfaz gráfica de usuario con cuatro cuadrados simples de color blanco. En la generación de las señales, participaron 10 sujetos en estado sano. Las muestras SSVEP adquiridas se someten a un proceso de filtrado y transformación al dominio de la frecuencia para extraer las características que describen la señal SSVEP. Los clasificadores seleccionados para este análisis fueron vecinos K más cercanos, sistema de inferencia difusa y redes neuronales artificiales. Con base en los resultados, se pudo concluir que el clasificador basado en la red neuronal tuvo mejor desempeño que los otros clasificadores, por lo cual, se utilizó para desarrollar una terapia virtual que se denominó Terapia virtual basada en potenciales evocados de estado estable (TeraPEVS). De acuerdo con los análisis realizados, TeraPEVS tuvo un desempeño competitivo contra otros métodos del estado del arte. Además, se observó que la información SSVEP se obtiene con una mayor eficacia en usuarios que fueron previamente entrenados y logran concentrarse durante la realización de pruebas.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Aparece en las colecciones:	Maestría en Ciencias en Ingeniería Electrónica

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons