Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/85231Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.contributor.author | Gutiérrez González, Luis Miguel | |
| dc.date.accessioned | 2021-10-05T21:39:21Z | - |
| dc.date.available | 2021-10-05T21:39:21Z | - |
| dc.date.issued | 2021-06-01 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12104/85231 | - |
| dc.identifier.uri | https://wdg.biblio.udg.mx | |
| dc.description.abstract | El presente documento de tesis se centra en la respuesta electrofisiológica específicamente de señales cerebrales de un conductor en un intento de frenado, considerando que el conductor siempre está expuesto a cambios emocionales producto de diversos factores, entre los que pueden presentarse estresores. El sistema utilizado está basado en una interface cerebro-computador (Brain-Computer Interface o BCI) o en esencia de una interface cerebro-vehículo. La idea básica de estos sistemas es: (i) adquirir y registrar las señales del electroencefalograma (EEG), (ii) analizar y procesar dichas señales para posteriormente o en tiempo real aplicar técnicas de extracción de características y reconocimiento de patrones para detectar el estado mental del usuario (ej. mover brazo izquierdo o mover brazo derecho), y (iii) accionar dispositivos externos como puede ser un brazo robótico, según sea la aplicación y finalidad del BCI. En esta propuesta de tesis se concentra en la segunda etapa (ii) del sistema BCI, como se mencionó anteriormente, donde se requiere el análisis y procesamiento de los registros obtenidos de la parte experimental. El objetivo es aplicar técnicas y algoritmos de extracción de características (p.e. análisis espectral) y de reconocimiento de patrones (p.e. redes neuronales artificiales) para la identificación de tareas mentales motoras directamente de las señales EEG. En específico se pretende identificar si en la actividad cerebral del conductor se puede detectar alguna relación cuando se realiza un frenado estresado y cuando no lo está. Los experimentos se realizaron en el laboratorio de Neurotecnología e Interfaces Cerebro Computadora del Tecnológico de Monterrey en el campus Guadalajara, y los datos de las señales EEG estuvieron disponibles para el análisis de este proyecto. Los resultados de esta tesis se podrán aplicar posteriormente, por dar un ejemplo en sistemas de asistencia de frenado, donde una emoción como el estrés, pueda ser en combinación con el volante, un factor mortal y crítico para el conductor en un ambiente real en carretera. | |
| dc.description.tableofcontents | 1. Índice 2. Índice de tablas. .............................................................................................................. 8 3. Capítulo 1. Introducción ............................................................................................................... 10 3.1. Planteamiento del proyecto ................................................................................ 12 3.1.1. Justificación .................................................................................................... 13 3.1.2. Objetivos ......................................................................................................... 14 4. Capítulo 2. Estado del arte ........................................................................................................... 15 5. Capítulo 3. Marco teórico............................................................................................................. 21 6. 3.1 Emociones e influencia en la conducción .......................................................... 21 7. 3.2 Uso tecnológico de emociones en los vehículos ................................................ 22 8. 3.3 Estrés en el conductor ........................................................................................ 22 9. 3.4 Interfaces Cerebro – Computadora (BCI) .......................................................... 22 10. 3.5 Generalidades de un BCI .................................................................................... 23 11. 3.5.1 Características ................................................................................................ 23 12. 3.5.2 Funcionamiento ............................................................................................. 23 13. 3.5.3 Tipos de BCI ................................................................................................... 24 14. 3.5.4 Computación afectiva ..................................................................................... 26 15. 3.5.5 Componentes de un sistema BCI .................................................................... 26 16. 3.6 Métodos para registrar la actividad cerebral ...................................................... 27 17. 3.7 Ventajas y desventajas de la encefalografía ....................................................... 28 18. 3.8 La señal EEG ...................................................................................................... 29 19. 3.8.1 Especialización de la corteza cerebral ........................................................... 30 20. 3.9 Tipos de potenciales de EEG ............................................................................. 30 21. 3.10 Algoritmo ........................................................................................................ 31 22. 3.10.1 Reconocimiento de patrones ........................................................................ 32 23. 3.10.2 Principales aplicaciones del reconocimiento de patrones ............................ 32 24. 3.10.3 Pasos en la construcción de un reconocedor de patrones ............................ 33 25. 3.10.4 Reconocimiento de patrones supervisado y no supervisado ....... 33 26. 3.11 Clasificadores lineales .................................................................................... 33 27. 3.11.1 LDA (Análisis Discriminante Lineal) .......................................................... 34 28. 3.11.2 Calcular la varianza entre clases (SB) ......................................................... 35 29. 3.11.3 Calcular la varianza dentro de las clases (SW) ............................................ 37 30. 3.11.4 Construcción del espacio dimensional inferior ............................................ 38 31. Capítulo 4. Metodología ............................................................................................................... 41 32. 4.1 Pasos a seguir ..................................................................................................... 41 33. 4.2 Diseño y ejecución de las sesiones experimentales ........................................... 42 34. 4.2.1 Selección de participantes .............................................................................. 42 35. 4.2.2 Requerimientos técnicos ................................................................................ 42 36. 4.2.3 Simulador de conducción .............................................................................. 45 37. 4.2.4 Señales Bioeléctricas, electroencefalográficas (EEG) ................................... 46 38. 4.2.5 Experimento ................................................................................................... 46 39. 4.3 Pre-procesamiento de datos ................................................................................ 48 40. 4.4 Análisis de datos (Conjuntos de datos) .............................................................. 51 41. 4.5 Extracción y selección de características ........................................................... 53 42. 4.6 Algoritmos de clasificación ................................................................................ 53 43. 4.7 Experimentos de clasificación ............................................................................ 53 44. Capítulo 5. Experimentos y resultados ......................................................................................... 55 45. 5.1 Experimento 1: Clasificación de “intención de frenado en situación de estrés de los 7 participantes” ....................................................................................................... 55 46. 5.1.1 Ejecución de intención de frenado ................................................................. 55 47. 5.2 Experimento 2: Clasificación de “intención de frenado en situación de estrés en cada participante” ......................................................................................................... 58 48. 5.2.1 Ejecución de intención de frenado ................................................................. 58 49. Capítulo 6. Conclusiones.............................................................................................................. 63 50. 7. Referencias …………………………………………………………………………………66 51. Índice de figuras e imágenes. 52. Fig. 1. Diagrama general y fases de un sistema BCI. ............................................................................................ 11 53. Fig. 2. Elementos de un sistema BCI [65]. ............................................................................................................ 26 54. Fig. 3. Dominios de grabación. EEG como enfoque no invasivo y otros enfoques más profundos y más precisos - ECoG y electrodos de neurona simple [58]. .......................................................................................................... 28 55. Fig. 4. Los dos hemisferios cerebrales [74]. .......................................................................................................... 30 56. Fig. 5. Clasificación de potenciales de EEG.......................................................................................................... 31 57. Fig. 6. Pasos visualizados para calcular un subespacio dimensional inferior de la técnica o algoritmo LDA [84]. ............................................................................................................................................................................... 36 58. Fig. 7. Proyección de las observaciones originales (matriz de datos) en el espacio dimensiona inferior de LDA (Vk), [84]. .............................................................................................................................................................. 37 59. Fig. 8. Una comparación visual entre los dos subespacios dimensionalmente inferiores la cual es calculada usando tres diferentes clases [84]. ......................................................................................................................... 39 60. Fig. 9. (A) Esquema Sistema de conducción y ambiente. (B) Imagen del ambiente de simulación en perspectiva de primera persona como si lo viera el participante. (C) ....................................................................................... 45 61. Fig. 10. Ubicación de los electrodos EEG usados en el experimento [12]. ........................................................... 46 62. Fig. 11. Ilustración de una secuencia temporal de sesión matutina (Arriba) y una sesión .................................... 48 63. Fig. 12. Ilustración gráfica de los segmentos de datos y los tres tipos de epochs extraídos de cada uno de ellos: (i) epochs de no frenado; (ii) epochs de pre-respuesta (Información de EMG no utilizados en este trabajo de tesis): señales en el intervalo de [−1.5, 0] s donde la referencia t = 0 corresponde a la respuesta (la primer deflexión notable del pedal de frenado del vehículo del participante); (iii) epochs post-estímulo [12]. ............... 49 64. Fig. 13. Ejemplo de una señal EEG de uno de los ensayos experimentales registrados de los participantes. La gráfica muestra las señales de 7 canales en el intervalo de tiempo de 0 a 15 s correspondiente a la respuesta a un estímulo. ................................................................................................................................................................ 50 65. Fig. 14. Ilustración del procedimiento de extracción de 47 características de una observación o intento de frenado. .................................................................................................................................................................. 52 66. Fig. 15. Diagrama a bloques del programa para el clasificador. ........................................................................... 54 67. Fig. 16. Histogramas de los resultados de rendimiento de la clasificación con LDA. .......................................... 56 68. Fig. 17. Matriz de confusión de los 7 participantes, todos contra todos (ejemplo de clasificación de rendimiento (Accuracy) cercano de la media. ........................................................................................................................... 57 69. Fig. 18. Histogramas de los resultados de clasificación con LDA por participante. ............................................. 59 70. Fig. 19. Las 7 matrices de confusión por participante. .......................................................................................... 61 71. Índice de tablas. 72. Tabla 1. Comparación de las clasificaciones de características acústicas ............................................................. 16 73. Tabla 2. Características de equipo de cómputo ..................................................................................................... 43 74. Tabla 3. Características de Matlab R2013b ........................................................................................................... 43 75. Tabla 4. Software Minitab 19.2.0 (Windows) ....................................................................................................... 44 76. Tabla 5. Características del dispositivo de adquisición de datos EEG BioRadio PG ............................................ 44 77. Tabla 6. Descripción de las ocho combinaciones experimentales con ausencia (–) o presencia () de estrés, carga de trabajo y fatiga que fueron realizados, solamente se utilizara Co y Cs. .................................................. 47 78. Tabla 7. Registros de situaciones de frenado de emergencia en presencia de estrés y sin estrés. ......................... 52 79. Tabla 8. Datos estadísticos del clasificador LDA para intenciones de frenado en presencia de estrés vs ausencia de estrés de las 100 corridas, siendo un experimento todos vs. Todos (7 participantes). ....................................... 56 80. Tabla 9. Matriz de confusión de dos clases. .......................................................................................................... 57 81. Tabla 10. Datos estadísticos del clasificador LDA de las 100 corridas. ................................................................ 60 82. Tabla 11. Estadísticos para estimar la calidad de los resultados del clasificador en las sesiones experimentales. 62 | |
| dc.format | application/PDF | |
| dc.language.iso | spa | |
| dc.publisher | Biblioteca Digital wdg.biblio | |
| dc.publisher | Universidad de Guadalajara | |
| dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
| dc.subject | Deteccion Estres Actividad Electrofisiologica Conductores | |
| dc.title | Detección de Estrés Utilizando la Actividad Electrofisiologica en Conductores al momento de Frenar un Vehículo | |
| dc.type | Tesis de Maestría | |
| dc.rights.holder | Universidad de Guadalajara | |
| dc.rights.holder | Gutiérrez González, Luis Miguel | |
| dc.coverage | AMECA, JALISCO | |
| dc.type.conacyt | masterThesis | |
| dc.degree.name | MAESTRIA EN INGENIERIA MECATRONICA | |
| dc.degree.department | CUVALLES | |
| dc.degree.grantor | Universidad de Guadalajara | |
| dc.rights.access | openAccess | |
| dc.degree.creator | MAESTRO EN INGENIERO EN MECATRONICA | |
| dc.contributor.director | Antelis Ortiz, Javier Mauricio | |
| Aparece en las colecciones: | CUVALLES | |
Ficheros en este ítem:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| MCUVALLES10030FT.pdf | 2.43 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.