1. RIUdeG
  2. Tesis
  3. Maestría
  4. CUVALLES
Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12104/85229
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorHernández Camacho, Hector
dc.date.accessioned2021-10-05T21:39:20Z-
dc.date.available2021-10-05T21:39:20Z-
dc.date.issued2021-06-01
dc.identifier.urihttps://hdl.handle.net/20.500.12104/85229-
dc.identifier.urihttps://wdg.biblio.udg.mx
dc.description.abstractUna interfaz cerebro-computadora proporciona a usuarios la posibilidad de controlar una computadora. Sin embargo, muchas de las interfaces disponibles se siguen utilizando principalmente en laboratorios de investigación debido a la falta de certeza y precisión en los sistemas propuestos. En este trabajo, se estudia y evalúa experimentalmente el uso de redes neuronales convolucionales profundas (CNN) como una opción adicional a lo ya existente. Se busca reconocer movimientos imaginados de las manos utilizando características basadas en espectros de potencia extraídas de señales de EEG registradas con un sistema de bajo costo, obteniendo mejores resultados o similares a métodos tradicionales ya realizados y reportados en otros estudios, por lo que de acuerdo a los resultados de precisión obtenidos en el presente trabajo, se revela que la tarea motora realizada por los participantes induce cambios reconocibles en las señales de EEG registradas, además, este análisis también revela que el uso de técnicas de aprendizaje profundo (Deep Learning) para el procesamiento y clasificación de datos usando Matlab, pueden generar resultados con una precisión alta, que posteriormente pueden ser usados para controla interfaces motoras.
dc.description.tableofcontents1. Capítulo 1. Introducción .........................................................................................................1 1.1. Planteamiento del proyecto................................................................................. 3 1.1.1. Estado de Arte..................................................................................................... 4 1.1.2. Justificación ........................................................................................................ 5 1.1.3. Objetivos ............................................................................................................. 5 1.1.4. Requerimientos técnicos ..................................................................................... 6 2. Capítulo 2. Marco teórico .......................................................................................................7 3. 2.1 Electroencefalografía .................................................................................................. 7 4. 2.1.1 Generación fisiológica de señales EEG / MEG ....................................................... 9 5. 2.1.2 La estructura del EEG.............................................................................................. 9 6. 2.1.3 Ubicación y nomenclatura de electrodos ............................................................... 10 7. 2.1.4 Estado mental del sujeto ........................................................................................ 12 8. 2.2 Fundamentos de Deep Learning ............................................................................... 13 9. 2.2.1 Aprendizaje Máquina............................................................................................. 16 10. 2.2.2 Aprendizaje Profundo ............................................................................................ 16 11. 2.2.3 Arquitecturas profundas......................................................................................... 17 12. Capítulo 3. Metodología .......................................................................................................18 13. 3.1. Propuesta.................................................................................................................. 18 14. 3.2. Descripción del conjunto de datos EEG .................................................................. 18 15. 3.2.1 Participantes........................................................................................................... 18 16. 3.2.2 Adquisición de datos.............................................................................................. 19 17. 3.2.3 Procedimiento experimental .................................................................................. 19 18. 3.3 Procesamiento y Segmentación de los datos ............................................................ 20 19. 3.4. Extracción de características.................................................................................... 21 20. 3.5. Clasificador.............................................................................................................. 23 21. 3.5.1 Convolutional Neural Network......................................................................... 23 22. 3.5.2 Deep Learning Matlab ........................................................................................... 26 23. Capítulo 4. Experimento y Resultados..................................................................................28 24. 4.1 Experimento aplicando CNN en Matlab........................................................... 28 25. 4.2 Resultados ......................................................................................................... 29 26. 4.2.1 Resultados del Estudio 1: Descanso Vs Imaginado............................................... 30 27. 4.2.2 Resultados del Estudio 2: Izquierda Vs Derecha................................................... 30 28. 4.3 Trabajos Relacionados ...................................................................................... 31 29. Capítulo 5. Conclusiones ......................................................................................................33 30. 5.1 Trabajos Futuros ............................................................................................... 33 31. Referencias............................................................................................................................34 32. ANEXO I - Código Power Expectral (Field Trip Data) ......................................................37 33. ANEXO II - Extracción de Características, Entrenamiento y Clasificación ........................40 34. Índice de figuras e imágenes. 35. Fig. 1.1. Diagrama de bloques básico para clasificación de señales. .....................................5 36. Fig. 2.1. Ejemplo electroencefalograma (EEG) [19]..............................................................7 37. Fig. 2.2. Etapas comunes (no aplicables en algunos casos) en la interpretación de imágenes 38. médicas [15]............................................................................................................................8 39. Fig. 2.3. Estructura e interacción de las oscilaciones cerebrales [21]. .................................10 40. Fig. 2.4. Posiciones estándar de los electrodos [23]. ............................................................12 41. Fig. 2.5: Ejemplo de reconocimiento de objetos usando redes neuronales, Deep Learning,15 42. Fig. 2.6: Dos diagramas computacionales con diferente profundidad [27]..........................17 43. Fig. 3.1: Diagrama de la metodología seguida en el trabajo. ...............................................18 44. Fig. 3.2. Ilustración de una secuencia temporal de prueba durante la ejecución del experimento 45. [30]........................................................................................................................................20 46. Fig. 3.3. La arquitectura común de una CNN [36, 37]. .......................................................24 47. Fig. 3.4. Ejemplo de una CNN común [36, 37]....................................................................26 48. Fig. 3.5. La arquitectura de CNN aplicada a señales EEG. ..................................................27 49. Fig. 4.1. Modelo metodológico Matlab. ...............................................................................28 50. Índice de tablas 51. Tabla 2.1. Identificación de los electrodos según su posición [23]. ....................................11 52. Tabla 2.2. Ritmos cerebrales [19]. .......................................................................................13 53. Tabla 3.1. Actividades electrofisiológicas utilizadas en los diseños de BCI y sus definiciones 54. [31, 32]..................................................................................................................................21 55. Tabla 4.1. Exactitud de los resultados del estudio 1: Descanso vs Imaginado que registra 56. 88.7% en la comparación de datos en imaginado comparado con descanso. .......................30 57. Tabla 4.2. Exactitud de los resultados del estudio 2: Izquierda Vs Derecha que registra 87.8% 58. en la comparación de movimiento de brazo izquierdo o derecho.........................................30
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://www.riudg.udg.mx/info/politicas.jsp
dc.subjectMovimientos Manos Señales Electroencefalograficas
dc.titleClasificación de Movimientos de las Manos Usando Señales Electroencefalográficas y Redes Neuronales Convolucionales
dc.typeTesis de Maestría
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderHernández Camacho, Hector
dc.coverageAMECA, JALISCO
dc.type.conacytmasterThesis
dc.degree.nameMAESTRIA EN INGENIERIA MECATRONICA
dc.degree.departmentCUVALLES
dc.degree.grantorUniversidad de Guadalajara
dc.rights.accessopenAccess
dc.degree.creatorMAESTRO EN INGENIERO EN MECATRONICA
dc.contributor.directorAntelis Ortiz, Javier Mauricio
Aparece en las colecciones:CUVALLES

Ficheros en este ítem:
Fichero TamañoFormato 
MCUVALLES10028FT.pdf2.57 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.