Algoritmos para interfaces cerebro-computadora en paradigmas relacionados con el habla

• Autores: Nieto, Nicolás
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Rufiner, Hugo Leonardo; Muravchik, Carlos; Granitto, Pablo; Echeveste, Rodrigo; Spies, Rubén Daniel
• Materia: Habla interna; Habla imaginada; Aprendizaje maquinal; Base de datos pública; Máquinas de aprendizaje extremo; Transporte óptimo; Inner speech; Imagined speech; Machine learning; Public database; Extreme learning machines; Optimal transport
• Institución: Universidad Nacional del Litoral

Fil: Nieto, Nicolás. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
La inteligencia artificial y el aprendizaje maquinal han experimentado un inmenso crecimiento en los últimos años, abarcando cada vez más campos de aplicación. El área de las interfaces cerebro-computadora ha sido uno de los grandes beneficiados por estas tecnologías. Aunque su uso todavía dista de ser masivo, ha permitido mejorar la calidad de vida de cientos de personas con discapacidad. El mayor obstáculo de estas herramientas es la baja tasa de transferencia de información, requiriendo de varios segundos o minutos, para poder comunicar una sola palabra. Los paradigmas de control relacionados con el habla buscan solucionar estos problemas, permitiendo, a futuro, ejecutar una acción tan sólo con pensar en ella. No obstante, el lenguaje es uno de los fenómenos más complejos del ser humano, por lo que su uso como paradigma de control todavía presenta difíciles desafíos. Para avanzar en la comprensión y uso de los paradigmas relacionados con el habla, en la presente tesis doctoral se presenta una base de datos de diez participantes adquirida bajo el paradigma de habla interna y una librería que permite un manejo y procesamiento simple de estos datos, facilitando su reutilización. Además, se desarrollaron dos métodos de podado, aplicados a Máquinas de Aprendizaje Extremo, para mejorar las características de estas redes y permitir que se adapten mejor a los requerimientos específicos de las interfaz cerebro-computadora. Por último, se propusieron nuevas técnicas de transporte óptimo que permiten obtener un mayor provecho de los muy escasos y heterogéneos datos disponibles.
Artificial intelligence and machine learning have experienced immense development in recent years, covering more and more fields of application. The area of brain-computer interfaces has been one of the great beneficiaries of these technologies. Although their use is still far from massive, they have made it possible to improve the quality of life of hundreds of people with disabilities. The major obstacle of these tools is the low rate of information transfer, requiring several seconds or minutes to communicate a single word. Speech-related control paradigms seek to solve these problems, allowing, in the future, to execute an action just by thinking about it. However, language is one of the most complex phenomena of human beings, so its use as a control paradigm still presents difficult challenges. To advance the understanding and use of speech-related paradigms, this doctoral thesis presents a database of ten participants acquired under the inner speech paradigm and a library that allows simple handling and processing of this data, facilitating its reuse. In addition, two pruning methods, applied to Extreme Learning Machines, were developed to improve the characteristics of these networks and allow them to better adapt to the specific requirements of brain-computer interfaces. Finally, new optimal transport techniques were proposed to get more out of the very sparse and heterogeneous data available.
Universidad Nacional del Litoral
Consejo Nacional de Investigaciones Científicas y Técnicas