Detección de Potenciales Evocados Visuales de Estado Estacionario usando Filtros Adaptivos

• Autores: Diez, Pablo Federico; Garces Correa, Maria Agustina; Laciar Leber, Eric
• Año de publicación: 2012
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Filtros adaptivos,; Potenciales evocados visuales de estado estacionario (PEVEE),; Interfaz cerebro computadora (ICC).
• Institución: Consejo Nacional de Investigaciones Científicas y Técnicas

En este trabajo se presenta un método de detección y clasificación de Potenciales Evocados Visuales de Estado Estacionario (PEVEE) usando filtros adaptivos. Estos filtros se basan en la teoría de optimización y tienen la capacidad de modificar sus propiedades de acuerdo a las características de la señal analizada. El método fue evaluado en señales electroencefalográficas (EEG) de cinco voluntarios (edad: 31 ± 2 años; 4 m y 1 f) adquiridas a una frecuencia de muestreo de 256 Hz. Las señales EEG fueron captadas con dos canales bipolares (O1-P3 y O2-P4) y seis canales monopolares (O1, O2, P3, P4, T5 y T6) referenciados a FZ. Los voluntarios fueron estimulados con cuatro leds que titilan a 13 Hz, 14 Hz, 15 Hz y 16 Hz. Para detectar y clasificar PEVEE se proponen dos esquemas de filtros adaptivos, el primero utiliza las frecuencias fundamentales de estimulación y el segundo, agrega también sus armónicos. Los resultados de ambos esquemas de filtrado son comparados con los resultados obtenidos mediante un filtro clásico Chebyshev tipo II. Mediante los filtros adaptivos se obtiene una exactitud promedio de clasificación de los PEVEE igual a 53,8% y 59,04% para los esquemas sin y con armónicos, respectivamente. El filtro clásico permite obtener una exactitud promedio general en la clasificación de los PEVEE de 52,76%. El método adaptativo es capaz de detectar correctamente los PEVEE analizados, permitiendo también obtener mejores resultados en la clasificación de los PEVEE que el filtrado clásico. Finalmente, cabe señalar que el algoritmo propuesto es rápido y se puede utilizar en aplicaciones de Interfaz Cerebro Computadora en tiempo real.
—In this study it is presented a method for Steady-State Visual Evoked Potential (SSVEP) detection using adaptive filter. Such filter is based in optimization theory and its properties are modified according to analyzed signal features. The proposed method was evaluated on electroencephalographic (EEG) signals. The EEG was recorded on a previous experiment over five volunteers (31 ± 2 y, 4m and 1 f). The sampling frequency was 256 Hz. The EEG was measured with two bipolar channels (O1-P3 y O2-P4) and six monopolar channels (O1, O2, P3, P4, T5 y T6) referenced at FZ. SSVEP were elicited with four flickering stimuli at 13 Hz, 14 Hz, 15 Hz y 16 Hz. Two classification schemes were proposed, the first approach, using stimulation frequencies and the second one using its harmonics as well. The results of both schemes were compared with the results obtained with a standard filter Chebyshev II. Adaptive filter allows obtaining an accuracy of 53.8% and 59.04% for the schemes without and with harmonics, respectively. On the other hand, the standard filter allows to obtain a general average accuracy on classification of 52.76%. The adaptive filter can track the SSVEP and the classification rates were higher than obtained with standard filtering. Finally, the proposed algorithm is fast and could be used in real time application as BrainComputer Interface..
Fil: Diez, Pablo Federico. Universidad Nacional de San Juan. Facultad de Ingeniería. Departamento de Electrónica y Automática. Gabinete de Tecnología Médica; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - San Juan; Argentina
Fil: Garces Correa, Maria Agustina. Universidad Nacional de San Juan. Facultad de Ingeniería. Departamento de Electrónica y Automática. Gabinete de Tecnología Médica; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - San Juan; Argentina
Fil: Laciar Leber, Eric. Universidad Nacional de San Juan. Facultad de Ingeniería. Departamento de Electrónica y Automática. Gabinete de Tecnología Médica; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - San Juan; Argentina