Algoritmos bioinspirados para la implementación de interfaces cerebro computadoras

• Autores: Gareis, Iván Emilio
• Año de publicación: 2017
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Rufiner, Hugo Leonardo; Laciar Leber, Eric; Diez, Pablo; Tomassi, Diego; Espinelli, Enrique
• Materia: Brain computer interfaces; Artificial neural networks; Autoencoders; Event related potentials; Electroencephalography; Coherent averaging; Interfaces cerebro computadora; Redes neuronales artificiales; Autocodificadores; Potenciales relacionados con eventos; Electroencefalografía; Promediación coherente
• Institución: Universidad Nacional del Litoral

Fil: Gareis, Iván Emilio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
Brain-computer interfaces are systems that provide communication to an external device by means of directly measuring the brain activity. These systems rely on signal processing and machine learning stages to succsefully translate the registered brain-computer interfaces we can find different event related potentials which are usually masked by large noise. This is one of the main signal processing problems to solve when estimating or classifying P300 event related potentials in brain-computer interfaces. Classification and estimation of small repetitive signals usually require recording and processing several different realizations of the signal of interest. Each repetition is a time consuming process that reduces the information transfer rate. To cope with this issue we propose a novel autoencoder variation, called coherent averaging estimation autoencoder with a new multi-objective cost function. We illustrate its use and analyze its performance in the problem of event related potentials processing. Experimental results showing the advantages of the proposed approach are presented as well.
Las interfaces cerebro-computadora son sistemas que proporcionan comunicación a un dispositivo externo utilizando en forma directa mediciones de la actividad cerebral. Estos sistemas utilizan metodos de procesamiento de señales y aprendizaje maquinal para traducir en comando utiles la actividad cerebral registrada. Entre las señales empleadas para implementar interfaces cerebro-computadora podemos encontrar los potenciales relacionados con eventos, los cuales estan comunmente enmascarados por ruido no correlacionado de gran amplitud. Este es uno de los principales problemas de procesamiento de señales que se deben resolver en las interfaces cerebro-computadora basadas en potenciales P300. La clasificacion y estimacion de pequeñas señales repetitivas usualmente requiere del registro y procesamiento de varias realizaciones de la señal de interes, siendo cada repeticion un proceso que consume tiempo y reduce la tasa de transferencia de informacion. Para afrontar este problema, hemos propuesto una nueva variante de autocodificador con una funcion de coste multiobjetivo, llamada autocodificador de estimacion de promedios coherentes. En este trabajo se ilustra su uso y analiza su desempeño aplicandolo al problema del procesamiento de potenciales relacionados con eventos. Tambien se presentan resultados experimentales que muestran las ventajas del enfoque propuesto.
Consejo Nacional de Investigaciones Científicas y Técnicas
Agencia Nacional de Promoción Científica y Tecnológica
Universidad Nacional de Entre Ríos
Universidad Nacional del Litoral