Mostrar el registro sencillo del ítem

dc.contributor.advisorJaramillo Garzón, Jorge Alberto
dc.contributor.advisorDíaz Cabrera, Gloria Mercedes
dc.contributor.authorPérez Zapata, Andrés Felipe
dc.date.accessioned2019-09-23T16:41:23Z
dc.date.available2019-09-23T16:41:23Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/20.500.12622/1389
dc.description.abstractUna interfaz cerebro-computadora (BCI, por sus siglas en ingles), es un sistema que permite la comunicación y control de dispositivos a partir del análisis de las señales cerebrales del usuario. Entre los diferentes esquemas BCI, se destacan los basados en Imaginación Motora (MI, por sus siglas en inglés); los cuales, permiten una interacción en tiempo real, utilizando solo las señales eléctricas generadas por el cerebro cuando imagina ciertos movimientos o acciones. La adquisición de estas señales se puede realizar mediante diferentes metodologías invasivas y no invasivas, siendo la electroencefalografía una de las técnicas no invasivas más empleadas, debido a que, como se basa en la colocación super ficial de los electrodos en el cuero cabelludo, no afecta la salud y el bienestar de los potenciales usuarios, además de ser una tecnología portable y de bajo costo, con respecto a otras alternativas. Entre las diferentes etapas que conforman un BCI, las tareas de caracterización y clasi cación de las señales, continuan siendo los mayores retos de investigación, pues de estas depende el desempeño del sistema en general. Esta tesis propone la implementación de redes neuronales convolucionales (CNN, por sus siglas en inglés) para la clasifi cación de señales electroencefalografi cas, con el fin de identificar la acción imaginada por una persona. La arquitectura propuesta es entrenada con representaciones de la densidad espectral de potencia de las señales, y los hiperparámetros de la red son de nidos por un algoritmo de optimizaciónn metaheuristico, para obtener la mejor exactitud en la clasfi cación de las señales. El desempeño del método propuesto fue evaluado utilizando bases de datos públicas y bien conocidas, como son BCI Competition IV 2a y BCI Competition IIIa. De acuerdo con los resultados obtenidos, el método propuesto proporciona una estrategia con table para diferenciar imaginación de movimiento, superando resultados del estado del arte para el mismo conjunto de datos, lo que demuestra que esta es una estrategia valiosa y prometedora para el diseño de interfaces cerebro computador. Además, se encontró que la arquitectura defi nida mediante el algoritmo de optimización metaheuristico mostró un desempeño muy superior al de la arquitectura sintonizada manualmente, lo cuál demuestra que el uso de algoritmos de optimización metaheuristicos para definir los hiperparametros de una red neuronal profunda es una estrategia altamente recomendadaspa
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.publisherInstituto Tecnológico Metropolitanospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectInteracción hombre-máquinaspa
dc.subjectComputadoresspa
dc.subjectCerebrospa
dc.subjectActividad motrizspa
dc.subjectDensidad espectralspa
dc.subjectRedes neuronalesspa
dc.subjectInteligencia artificialspa
dc.subjectAprendizajespa
dc.subjectConocimientospa
dc.titleClassification of Motor Imagery EEG Signals Using a CNN Architecture and a Meta-heuristic Optimization Algorithm for Selecting Training Parametersspa
dc.publisher.facultyFacultad de ingenieríasspa
dc.publisher.programMaestría en Automatización y Control Industrialspa
dc.subject.keywordsComputational neuroscienceeng
dc.subject.keywordsMedicine, Physicaleng
dc.subject.keywordsSignal processingeng
dc.subject.keywordsSignal processingeng
dc.subject.keywordsMan-machine systemseng
dc.subject.keywordsElectronic apparatus and applianceseng
dc.subject.keywordsAdaptative control systemseng
dc.subject.keywordsRoboticseng
dc.subject.keywordsIntelligent control systemseng
dc.subject.keywordsIntelligent control systemseng
dc.subject.lembNEUROCIENCIA COMPUTACIONALspa
dc.subject.lembMEDICINA FÍSICAspa
dc.subject.lembPROCESAMIENTO DE SEÑALESspa
dc.subject.lembELECTROENCEFALOGRAFÍAspa
dc.subject.lembSISTEMAS HOMBRE - MÁQUINAspa
dc.subject.lembELECTRÓNICA - APARATOS E INSTRUMENTOSspa
dc.subject.lembSISTEMAS DE CONTROL ADAPTABLESspa
dc.subject.lembROBÓTICAspa
dc.subject.lembTEORÍA DEL CONTROLspa
dc.description.abstractenglishA Brain Computer Interface (BCI), is a system created for performing communication and control of computational devices by the analysis of brain signals. Particularly, Motor Imagery (MI) based BCI systems allow a real-time interaction by using the electrical signals that are generated by the brain when the user imagining certain movements or actions. Acquisition of these signals can be done by invasive and non-invasive devices, among which, electroencephalography is a non-invasive technique that is widely used. It is based on the super cial placement of the electrodes on the scalp, which avoid afecting the health and well-being of potential users, also is a portable technology and lower-cost than other alternatives. From the diferent stages required to develop a BCI, the signal characterization and the classi cation tasks continue to be the main research challenges, since the performance of the whole system depends on them. This thesis proposes the use of convolutional neural networks (CNN) for the classi cation of electroencephalographic signals, in order to identify the action imagined by a person. The proposed network architecture is trained with representations of the spectral power density (PSD) of the signals; and the hyperparameters of the network are de ned by a metaheuristic optimization algorithm, which obtains the best accuracy in the signal classi cation in training stage. The proposed approach was e valuated using two public and well-known databases, i.e. BCI Competition IV 2a and BCI Competition IIIa. According to the results, this approach provides a reliable strategy to diferentiate movement imagination, outperforming state of the art that used the same datasets. These results demonstrate that this is a valuable and promising strategy for the design of brain computer interfaceseng
dc.description.degreenameMagister en Automatización y Controlspa
dc.identifier.instnameinstname:Instituto Tecnológico Metropolitanospa
dc.identifier.reponamereponame:Repositorio Institucional Instituto Tecnológico Metropolitanospa
dc.identifier.repourlrepourl:https://repositorio.itm.edu.co/
dc.rights.localAcceso abiertospa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.type.localTesis de maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.publisher.grantorInstituto Tecnológico Metropolitanospa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/