Diseño de sistema BMI no invasivo con procesamiento de señales EEG mediante Machine Learning

Simple item page
dc.audiencegeneralPublices_MX
dc.contributorde Celis Alonso, Benito
dc.contributorHernández López, Javier Miguel
dc.contributor.advisorde Celis Alonso, BENITO; 387709
dc.contributor.authorPaez Amaro, Ricardo Thaddeus
dc.date.accessioned2021-11-26T14:27:38Z
dc.date.available2021-11-26T14:27:38Z
dc.date.issued2021-08
dc.description.abstract"Una interfaz cerebro-máquina o brain machine-interface (BMI) es una configuración que permite comunicar señales cerebrales directamente con una máquina o dispositivo. Detecta, clasifica y usa las señales cerebrales como órdenes de control. Sin embargo, los equipos y métodos que usan las BMI’s aún son costosos, por lo que se necesita una opción asequible y} portable. En este estudio, señales cerebrales de imaginación motora (MI por sus siglas en inglés) obtenidas por EEG, de la base de datos pública PhysioNet y de datos propios obtenidos en nuestro laboratorio usando un equipo Emotiv, fueron clasificadas con cuatro algoritmos de aprendizaje automático: CSP en conjunto con LDA, redes neuronales profundas, redes neuronales convolucionales, y MDM con geometría riemanniana. La exactitud media para cada algoritmo fue de 78%, 66%, 60% y 80% respectivamente. Los mejores resultados se obtuvieron en el caso bicategórico de Línea Base vs MI. Personas con derrame o parálisis cerebral, distrofia muscular, daños en la médula espinal, con miembros amputados, y en general con cualquier discapacidad motriz, podrían rehabilitarse física o socialmente a través del uso de alguna BMI. Esto les permitiría controlar una prótesis robótica, silla de ruedas eléctrica, cursor de computadora, o sencillamente comunicarse a través de un sistema binario interpretable como respuestas de “sí” o “no”.es_MX
dc.folio20210923162137-5578-Tes_MX
dc.formatpdfes_MX
dc.identificator1es_MX
dc.identifier.urihttps://hdl.handle.net/20.500.12371/15273
dc.language.isospaes_MX
dc.matricula.creator218470368es_MX
dc.rights.accesopenAccesses_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subject.classificationCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRAes_MX
dc.subject.lccNeurofisiologíaes_MX
dc.subject.lccAprendizaje automático (Inteligencia artificial)es_MX
dc.subject.lccInterfaces cerebro-computadoraes_MX
dc.subject.oclcNeuroanatomía del movimientoes_MX
dc.thesis.careerMaestría en Ciencias (Física Aplicada)es_MX
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactases_MX
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticases_MX
dc.thesis.degreetoobtainMaestro (a) en Ciencias (Física Aplicada)es_MX
dc.titleDiseño de sistema BMI no invasivo con procesamiento de señales EEG mediante Machine Learninges_MX
dc.typeTesis de maestríaes_MX
dc.type.conacytmasterThesises_MX
dc.type.degreeMaestríaes_MX
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
20210923162137-5578-T.pdf
Size:
1.76 MB
Format:
Adobe Portable Document Format
Description:
Download
Name:
20210923162137-5578-CARTA.pdf
Size:
184.01 KB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis de Maestría