Análisis de Señal ElectroEncefaloGráfica como Patrones a partir de Memorias Asociativas...

Avances de Ingeniería Electrónica 2013

Compiladores Miguel Magos Rivera

Pablo Velarde Alvarado Ramiro Velázquez Guerrero

Universidad Autónoma Metropolitana Azcapotzalco

Universidad Autónoma de Nayarit

Avances de Ingeniería Electrónica 2013

Miguel Magos Rivera Universidad Autónoma Metropolitana

Azcapotzalco Departamento de Electrónica

Pablo Velarde Alvarado

Universidad Autónoma de Nayarit Área de Ciencias Básicas e Ingenierías

Ramiro Velázquez Guerrero

Universidad Panamericana-Bonaterra Facultad de Ingeniería

Universidad Autónoma Metropolitana Unidad Azcapotzalco Av. San Pablo 180 Col. Reynosa Tamaulipas Del Azcapotzalco C.P. 02200 México D.F.

Rector Dr. Romualdo López Zárate

Secretario Mtro. Abelardo González Aragón

Director CBI Dr. Luis Enrique Noreña Franco Universidad Autónoma de Nayarit Ciudad de la Cultura "Amado Nervo" C.P. 63155 Tepic, Nayarit.

Rector C. P. Juan López Salazar

Secretario M. en C. Jorge Ignacio Peña González

Coordinador Académico de Área de CBI Dr. Enrique Montoya Suarez © Universidad Autónoma Metropolitana Unidad Azcapotzalco Universidad Autónoma de Nayarit Miguel Magos Rivera Pablo Velarde Alvarado Ramiro Velázquez Guerrero Avances de Ingeniería Electrónica 2013 ISBN: 978-607-28-0126-4 México 2013

Comité Técnico Dra. Abascal Mena Ma. Del Rocío UAM-Cuajimalpa Dr. Adam Medina Manuel CENIDET-Cuernavaca M.C. Alfaro Ruiz Victor M. Universidad de Costa Rica Dr. Arechiga Martínez René New Mexico Tech Electrical Engineering Department. USA. Dr. Astorga Zaragoza Carlos CENIDET-Cuernavaca Dr. Aviles Cruz Carlos UAM-Azcapotzalco Dr. Cabello Pardos Enrique Universidad Rey Juan Carlos de España Dr. Carlos Hernández Salvador Cinvestav Saltillo M.C. Cardona Román Diana Marcela Universidad Nacional de Colombia Dr. Claudio Sánchez Abraham CENIDET-Cuernavaca Dr. Delgado Mata Carlos Universidad Panamericana-Aguascalientes M. Sc. Esquit Hernández Carlos A. Universidad del Valle de Guatemala Dr. Fallad Chavez Jalil Centro Universitario de la Costa Sur M.C. Fuentes Covarrubias Gerardo Universidad de Colima M.C. Fuentes Covarrubias Ricardo Universidad de Colima Dr. Incera Diéguez José Alberto D. Instituto Tecnológico Autónomo de México Dr. Jiménez Alaniz Juan Ramón UAM-Iztapalapa Dr. López Ornelas Erick UAM-Cuajimalpa Dr. López Pacheco Dino Martin Université de Nice, Francia Dr. Magos Rivera Miguel UAM-Azcapotzalco Dr. Martin de Diego Isaac Universidad Rey Juan Carlos de España Dr. Ramírez Treviño Alberto Instituto Tecnológico Superior de Cajeme Dr. Reyes Reyes Juan Instituto Tecnológico de Zacatepec Dr. Rodríguez Segura Elías José J. Instituto Tecnológico de Celaya Dra. Ruiz Beltrán Elvia Instituto Tecnológico de Aguascalientes M. C. Santiago Espinosa Felipe Universidad Tecnológica de la Mixteca Dr. Varona Salazar Jorge SnowBush México Dr. Vázquez Álvarez Iván UAM-Azcapotzalco Dr. Velázquez Guerrero Ramiro Universidad Panamericana-Aguascalientes

INTRODUCCION

El desarrollo de la industria electrónica mundial en la última década ha sido

impresionante, actualmente los dispositivos y equipos electrónicos abarcan

prácticamente todas las áreas del quehacer humano. Asimismo, las áreas de

investigación y de aplicación se expanden cada día dando paso a nuevas ramas

afines a la electrónica y sus aplicaciones como son: robótica, biónica,

telemática, nano-electrónica y domótica, por mencionar solo algunas.

Los resultados, tanto de los trabajos de investigación, como de las aplicaciones

tecnológicas, que realizan los grupos de profesores y de estudiantes de las

instituciones educativas como de investigación son numerosos y variados.

En este libro se presenta una muestra de trabajos seleccionados de entre más

de 100 recibidos para su evaluación. El Comité Técnico formado por cerca de

30 investigadores de más de 20 instituciones de educación superior e institutos

de investigación todo el país, se dio a la tarea de elegir aquellos trabajos que,

por su nivel y temática, ofrecen un panorama de la investigación que se realiza

en el país en temas afines a la Ingeniería Electrónica.

Título de Trabajo Página

Implementación de un Algoritmo de Colonia de Hormigas para la Asignación de Sensores para Evento-Detectabilidad 1

Substituciones SPR0 en el Rechazo de Perturbaciones 11

Implementación de Esquemas de Control de un Circuito RLC 17

Selección Automática de Paquetes en un Centro de Distribución de una Mensajería 27

Construcción de Observadores de Secuencias para Sistemas de Eventos Discretos 37

Simulación en Simulink-PSIM del Control por Pasividad de un Motor Síncrono de Imanes Permanentes (PMSM) 44

Human Health and the Electromagnetic Fields Radiated by the RFID System 53

Nueva Técnica de Arbitraje para Redes de Comunicación Basadas en la Línea Eléctrica como Medio de Comunicación 59

Antena Plana con Sustrato Textil para la Banda ISM de 2.4GHz 68

Mediciones del Espectro de Potencia en la Banda de 2.4 GHz en la Universidad Autónoma de San Luis Potosí, México 76

Diseño y Medición de una Antena de Banda Ancha para Recepción Satelital en Banda L 86

Protocols and Localization of a X-bee Base Network 95

Análisis de Capacidad de Canal e Interferencia en Femtoceldas Aplicada a Comunicaciones Vehiculares 102

Medición Interferométrica-Espectral de la Birrefringencia en Fibras de Cristal Fotónico 107

Implementación de Simulaciones Usando Easy Java Simulations para Laboratorio Virtual 113

El Desarrollo de Competencias Genéricas en los IAS Mediante Nexus 122

Analysis of Networks Described by Equations of Fractional Order 128

CD-CA Converter Based on the Quasi ‘Z’ Source Inverter 136

SOGI-FLL Normalizado en FPGA para la Sincronización con la Red Eléctrica en Energías Renovables 144

Time Constant and Transitory Response of a RC Circuit described for Fractional Differential Equations 155

Sistema de Control de Lámparas LED con Fines de Uso Eficiente y Ahorro de la Energía Eléctrica 162

Análisis de Convertidores CD/CD Bidireccionales para la Compensación de Disturbios en Microredes de CD Empleando Supercapacitores 173

Medidor Inalámbrico de Potencia y Consumo de Energía con Aplicación en Diagnósticos Energéticos 181

Estudio de Sistemas de Iluminación Basado en HBLED con Alimentación Fotovoltaica 191


Convertidor CA/CD Bidireccional para Aplicación en Microredes de CD: Estado del Arte 200

Inversor de Pequeña Escala para Aplicación en Cargadores de Celulares 210

Módulo Regulador de Voltaje con Control PID y Distribución de Corriente Digital 218

Diseño, Implementación y Automatización de un Invernadero Solar 227

Construcción y Evaluación de un Bioretroalimentador de Señal EMG de Uso Doméstico como Auxiliar en Terapia Física 234

Criterios de Optimización Geométrica para una Termocupla Peltier 242

Un Análisis Numérico-Experimental de la Transferencia del Calor Mediante Imágenes Termográficas 249

Propuesta de un Sistema de Medición de Nivel de Combustible para Vehículo Baja SAE 255

Aplicación de Técnicas Analógicas y Digitales para Minimización de Ruido de 60 Hz en Señales Electrocardiográficas: un Caso Práctico 264

Desarrollo de una Interfaz Gráfica para un Módulo de Control de Nivel 274

Detección de Polarización Circular Usando Retardadores de Fase para Aplicaciones de Radioastronomía 282

Fuente de Luz con Leds para Videoqueratómetro 292

Design of Pulse Oximeter Controlled by a Microcontroller 299

Prototipo de Oxímetro Basado en un Sistema de Acondicionamiento de Bajo Costo Arduino 305

Robot CNC Multiherramienta Controlado con un FPGA 312

Enriquecimiento de Señal de Activación de Frenos ABS para Automóviles 322

UAMIBOT: Un Robot Móvil Didáctico Multifunciones 331

Sistema para Controlar un Grado de Libertad de un Robot Articular Utilizando un Sistema Embebido Vía WiFi

339

Manipulador de 7 Grados de Libertad Controlado con Ondas Encefalográficas 349

Simulador de Enfermedades Visuales: Diseño y Evaluación 356

Implementación de un Sistema Difuso, en un Robot Seguidor de Línea, en Comunicación a la PC por Bluetooth 363

Reconocimiento de Voz usando Redes Neuronales para el Control de una Silla de Ruedas 371

Arquitectura Dual Core Empleando Microblaze para el Procesamiento de Imágenes de la Camara DVS12 379

Sistema de Freno ABS Mejorado con Modelo de Control Difuso y Visión 389


Juego de Aprendizaje de Física Utilizando Lógica Difusa en HTML5 396

Análisis de Señal Electroencefalográfica como Patrones a partir de Memorias Asociativas Evolutivas

403

Desarrollo de Secuencia de Comandos Inteligente para la Automatización de Pruebas de Software Utilizando Programación Descriptiva 412

Caracterización de las WLAN en el Centro de la Ciudad de Zacatecas 419

Conmutacion de Circuitos en FPGAs: Arquitectura de un Conmutador Ligero para Dispositivos Reconfigurables 429

Diseño e implementación de IPv6 en la Universidad Autónoma de Guerrero 438

Serializador de Objetos a XML en el Lenguaje de Programación Python 444

Modelado y Simulación Preliminar del Asentamiento Poblacional en una Entidad del Estado de México

452

Herramienta para Serializar Objetos C++ a XML 464

Aplicación Móvil para Proporcionar Información Sensible a la Ubicación (contexto) 474

Comparación de Desempeño en Distintos Escenarios de una Maqueta OpenFlow 480

Guía Móvil para Eventos de Puertas Abiertas UAM-I 488

Herramienta en Línea para Creación de Tiendas Virtuales 495

Proyecto Multiplataforma para Dispositivos Móviles y Smartphones “PickUP” 504

Programa para el Diseño de Interfaces Gráficos para Procesos Automatizados con PLC´s 513

Control de Cámara PTZ Mediante Protocolo PELCO-D en Hardware Reconfigurable 522

Sistema Embebido para Simular Redes de Petri Interpretadas 532

Estudio y Diseño de Controlador para Memoria SDRAM en FPGA 540

Diseño y Elaboración de una Tarjeta de Navegación Basada en GPS con Almacenamiento de Datos 548

CAN Embebido en Hardware Reconfigurable para Aplicaciones de Microredes Inteligentes de CD: Análisis Estado del Arte

556

Sistema de Visualización de Imágenes a 8 Colores Implementado en FPGA 563

Interface Gráfico para Procesos Automatizados con PLC´s 572

Diseño y Construcción de una Máquina Expendedora de Mensajes SMS 580

Análisis de Señal Electroencefalográfica como Patrones a partir de Memorias Asociativas Evolutivas

*Juan Villegas Cortez, *Liliana Gutiérrez Flores, *Carlos Avilés Cruz, **José Félix Serrano

Talamantes

*Universidad Autónoma Metropolitana, Azcapotzalco. Departamento de Electrónica. San Pablo Xalpa No. 180, Col. Reynosa Tamaulipas, CP 02200, México D.F., [email protected], [email protected],

[email protected]. **Escuela Superior de Cómputo - Instituto Politécnico Nacional (ESCOM-IPN). Av. Juan de Dios Batiz y Othón

de Mendizábal S/N, Col. Lindavista, CP 07738, México D.F., [email protected]. Resumen El desarrollo de la tecnología ha llevado a las computadoras de uso común a ser equipos con gran capacidad de cálculo y almacenamiento, y en esto sus interfases de operación entrada/salida han ido evolucionando así como agilizando la operación de las mismas. Actualmente el desarrollo de nuevas intefases Computadora-Cerebro (BCI) han abierto una puerta para su uso asequible en teleoperación, pero el problema principal sigue siendo la compresión y análisis de la señal EEG. En este artículo presentamos un estudio preliminar de la señal EGG a partir del uso de las Memorias Asociativas Evolutivas, por Programación Genética, a fin de entender su comportamiento bajo un entrenamiento de “intensión de movimiento”, obteniendo resultados de clasificación prometedores orientados a la teleoperación de dispositivos. Palabras Clave: BCI, EEG, Reconocimiento de Patrones, Programación Genética. I. Introducción El desarrollo de la tecnología ha llevado a las computadoras de uso común (Computadoras Personales o PC) a ser equipos con gran capacidad de cálculo y almacenamiento. Puntos en los que se ha centrado su desarrollo, dejando de lado a una rama de las PC que prácticamente no ha cambiado desde que se crearon. Las interfaces de entrada y salida (E/S) de la PC, de forma generalizada, se componen básicamente de tres, dos de entrada, teclado y ratón (o touch–pad), y una de salida, el monitor. Las tecnologías de comunicación con la PC originalmente fueron creadas en base a los recursos de los que se disponían en ese momento, razón por la cual el mouse o ratón es un dispositivo independiente (con carga mínima al sistema), sin embargo con el desarrollo de las interfaces gráficas cada vez más complejas y con el avance en la capacidad de cómputo de los equipos, se empiezan a vislumbrar los problemas

a causa de la falta de una interfaz de comunicación adecuada a las capacidades intelectuales del hombre y a las capacidades de los equipos de cómputo de los que dispone [1]. Por otra parte, (pero hacia el mismo destino) está el uso de la tecnología para asistir a personas discapacitadas o con habilidades diferentes, para quienes se han desarrollado dispositivos especiales que permitan a estas personas tener una mejor calidad de vida [2]. Estas tecnologías, de manera general, se pueden englobar en un solo objetivo: crear canales de comunicación adecuados a las capacidades de estas personas. Muchos de estas personas se ven con la problemática de no contar con ningún tipo de movimiento físico para poder comunicarse, y es en torno a estas características que se ha buscado dentro de un área muy especifica para poder encontrar una solución: las ondas electro encefalográficas (EEG).

,;�6HPDQD�1DFLRQDO�GH�,QJHQLHUtD�(OHFWUyQLFD

��DO��GH�2FWXEUH��7HSLF��1D\DULW��0p[LFR ,6%1��(1�75È0,7( ��

A partir del desarrollo de la tecnología que permite leer las ondas EEG de los humanos, se planteó la posibilidad de interpretarlas y usarlas como un medio de comunicación con dispositivos que puedan ir, desde control de dispositivos, hasta prótesis robóticas. A este tipo de tecnología se le conoce como BCI (Brain–Computer Interface) y tiene una ventaja enorme sobre cualquier otra interfaz de control, las BCI no requieren movimiento físico para su manipulación. Sin embargo, los actuales desarrollos de BCI aún tienen grandes problemas que solucionar, entre los que más resaltan son:

x El lento entrenamiento de los usuarios de estas interfaces.

x Baja resolución espacio–temporal (mucho tiempo para poca información).

x Baja precisión en un control bi–dimensional.

Por lo que existen aún muchos caminos a estudiar por los cuales se pueda alcanzar una correcta interpretación de las ondas EEG. Las corrientes principales que existen dentro del desarrollo de BCI han sido dos, las cuales se diferencian por sus puntos de vista del análisis del problema. Un primer grupo esta atacando el problema desde el punto de vista de la teoría de control, mientras que otro grupo esta usando técnicas de reconocimiento de patrones, ambos apoyados en herramientas de inteligencia artificial y procesamiento digital de señales. Se han desarrollado prototipos de BCI que han usado series de tiempo que les permite hacer predicciones en las ondas EEG [3], mientras que otros han estado usando sistemas de clasificación para reconocimiento de patrones, ambos alcanzando resultados similares, por lo que aún no existe un camino efectivo para alcanzar una solución eficiente al problema. En el presente trabajo se orienta el estudio hacia la última corriente mencionada con el fin de realizar comparaciones que puedan mostrar que técnicas de reconocimiento de patrones puedan dar mejores resultados para el funcionamiento de una BCI eficiente; y específicamente el trabajo se

centra en el análisis de las “intensiones de movimiento”, por ser las orientadas a la tele–operación de dispositivos, o aplicaciones de control de movimientos a distancia. II. Desarrollo Lo que se propone realizar, y que se muestra aquí, es su desarrollo como investigación del estudio de las señales cerebrales EEG obtenidas por medio de una BCI; estas señales generadas a partir de la “intensión de movimiento”, como instrucciones, por parte de un usuario hacia una computadora; haciendo uso de los 14 canales de datos adquiridos en puntos de área encefálica, captar estos 14 canales de lectura EEG (ver Figura 1). El estudio de los patrones numéricos para tener una mejor comprensión de cómo están distribuidos en su espacio n–dimensional es un reto, dado que éstos son en valores reales, tienen muchas componentes y su número es muy grande (e.g. 200 lecturas de 14 señales por segundo medible de pensamiento en una persona, si se toma un minuto de lectura implica tener una matriz tridimensional de 60×200×14 valores). Los métodos tradicionales de análisis de relevancia en los componentes de los patrones, para no perder información importante, son diversos, el análisis de componentes principales (PCA) es uno de ellos, pero al igual que otros tipos de herramientas su análisis matemático y su desarrollo programático conlleva mucho tiempo efectivo gastado tan sólo en el uso de la herramienta a considerar. El cómputo evolutivo ha demostrado, a partir de la mejora en precisión y manejo de muchas operaciones simultáneas en las computadoras digitales, ser una herramienta capaz de hacer un análisis exhaustivo del espacio de búsqueda n–dimensional de los patrones para hallar al menos una solución que cumpla con los requisitos mínimos para cumplir una tarea.

Hablando de cómputo evolutivo, en los últimos 20 años aproximadamente [19], se ha tenido un auge en realizar una búsqueda del espacio de posibles soluciones a partir de lograr simular evolución de individuos que representan una posible solución al problema planteado a



resolver. Desde la técnica de la Programación Genética (PG) se ha logrado la evolución de individuos tipo programas, no cadenas de bits como se hace en la técnica evolutiva de algoritmos genéticos. Gracias a ésta característica se tienen resultados innovadores, pero con el detalle de un alto costo computacional de recursos de memoria RAM y ROM, además de exigir una alta precisión numérica para las operaciones de punto flotante en los dispositivos en que se implementas éstas técnicas de cómputo numérico [19].

En resumen, hablando de las Memorias Asociativas (MA) estas son un caso particular de Red Neuronal Artificial (RNA), donde se establece la “asociación” de un patrón de entrada X, con un patrón de salida Y, por medio de una regla de asociación; denotado como XÆY: X asociado a Y. Cuando X≠Y se dice que la relación es “heteroasociativa”, y cuando X=Y se dice que la relación es “autoasociativa”. Hablando de la regla de asociación, ésta es un operador con base a funciones elementales, en [19] se da detalle de éstas, así como de las reglas de recuperación, entre ellas la regla estándar que es el producto, y otras más para diferentes tipos de patrones y de ruido.

Es así que se puede entender fácilmente a las memorias asociativas como un ente de asociación y de recuperación. Con la regla de asociación se construye una matriz de asociación M, que refleje la asociación conjunta de todos los patrones de la

base de datos del conjunto fundamental, siendo esta matriz la memoria asociativa obtenida para esos datos. Posteriormente para valorar la eficiencia de recuperación de M, se le presenta un patrón de entrada, se aplica el operador de recuperación con M, y al vector resultante Ŷ se le compara con Y. Si Ŷ=Y se dice que la recuperación es “perfecta”, caso contrario se analiza el error normalizado para tener un estimado de qué tan bien funciona una MA para el conjunto de datos–patrones a estudiar.

El caso de las MA Evolutivas, son de tipo evolutivo obtenidas a partir de la PG. Todo el detalle se puede ver en [19]. El hecho de optar por usar las MA en lugar de una RNA clásica (e.g. backpropagation), es dado sus operadores elementales (e.g. suma, resta, máximo, mínimo), ya que no se usan funciones trascendentales, ni se hace uso de la derivada, por lo que computacionalmente su uso es de muy bajo costo.

III. Metodología La metodología planteada para lograr el desarrollo de éste proyecto se puede dividir de forma resumida en tres etapas, las cuales son:

x Adquisición de la señal. x Clasificación de las componentes de la

señal EEG por medio de memorias asociativas evolutivas.

x Entrenamiento y prueba de las BCI. A continuación se explica con más detalle estas tres etapas.

Adquisición de la señal. La adquisición de la señal EEG se hace directamente usando la diadema Emotiv EPOC Neuroheadset, misma que reporta la distribución de 14 puntos en la cabeza del usuario, agregando el dato de la posición de estos puntos, más el dato del giroscopio, reportando un total de 25 señales a trabajar. Esta diadema usada resuelve el posicionamiento de cada nodo en la cabeza de la persona, brindando una instalación y lectura rápida en comparación con los nodos típicos para lectura EGG, que tienen que hacerse por un técnico especializado. Actualmente ya se hizo el análisis de operación de cómo leer las señales

Fig. 1. Esquema de trabajo de una BCI. Tomada de “Parallel Man–Machine Training in

Development of EEG–Based cursor Control”.



EEG desde el dispositivo, y se están analizando las señales de posición de los puntos de lectura cerebral, y su complejidad se esta resolviendo a fin de poder tener directamente los valores de éste parámetro acorde al tiempo de lectura, acorde al protocolo de entrenamiento y así poder construir nuestras bases de datos de patrones acorde con tareas de movimientos expresados en pensamientos por parte del usuario, en [21] esta este análisis con más detalle.

Clasificación de las componentes de la señal EEG por medio de memorias asociativas evolutivas. El proceso de clasificación de las señales EEG por medio de MA evolutivas es el paso crucial, dado que involucra el arreglo de los datos de la señal en matrices tridimensionales de número de lecturas (sampleos) de la señal por segundo sobre 59 patrones, considerando un número de veces en de entrenamiento del pensamiento, e.g. 200 veces. Bajo la consideración anterior, se tiene una matriz de 200×800×59 valores reales, con esto se satura rápidamente la memoria RAM y aún la memoria SWAP que en sistemas operativos UNIX se pueden declarar y tener físicamente. Para lograr que el cómputo evolutivo pueda tener éxito es que se necesita un equipo de cómputo de alto desempeño para poder lidiar con ésta parte, que ya esta probada con un menor número de patrones, pero que al aumentar como en este caso, se tienen que manejar rutinas de manejo de memoria dinámica sobre una muy buena precisión de operaciones de punto flotante, este último punto el tipo de microprocesador que mejor desempeño tiene en su trabajo son la serie Intel Xeon 64bits.

Entrenamiento y pruebas de la BCI. En el entrenamiento y las pruebas de la BCI aquí involucrada, junto con los resultados que arrojen de asociación las MA evolutivas, se echará a andar una metodología de entrenamiento que contemple: número de sesiones, duración, intervalo entre sesiones y, diseño de la sesión. Esto involucrado en tres pasos: 1) Análisis de eficiencia, 2) Diseño de la metodología, 3) Pruebas. Todo lo anterior se traduce en los siguientes pasos para el diseño e implementación

del sistema de traducción de las señales EEG y su aplicación en una tarea concreta: 1. Adquisición de señales EEG. 2. Análisis de las señales en tiempo y

frecuencia. 3. Pre-procesamiento de la señal. 4. Obtención de características por relevancia en

asociación por medio de MA. 5. Evaluación y selección de los mejores

individuos reportados por el cómputo evolutivo.

6. Diseño e implementación de un módulo de extracción de características acorde a las memorias asociativas obtenidas.

7. Evaluación del módulo de extracción de características.

8. Diseño e implementación del módulo de procesamiento de las características sobre nuevas señales EEG obtenidas vs. aprendidas.

9. Diseño e implementación del clasificador. 10. Evaluación del desempeño. Preparación de los patrones. Los vectores–patrones de la señal EEG que se considera es sólo usar la señal de los canales C3 y C4, que según la literatura son los asociados a las intensiones de movimiento, a fin de poder hacer factible el proceso de cómputo y poder cargarse la base de datos redimensionada. El entrenamiento se ha realizado en dos tipos de intensiones de movimiento: derecha e izquierda. La metodología se presenta en la Figura 2.

Fig. 2. Metodología de implementación de MA

evolutivas a patrones de señales EEG.



Posteriormente se realiza un preprocesamiento en el tiempo–frecuencia a fin de umbralar la señal de cada canal en 8 bandas, añadiendo los valores de la media y la moda para robustez representativa de los patrones. El detalle de este trabajo esta reportado en [21]. Parámetros de la Programación Genética. El algoritmo de la MA Evolutivas se implementó en Matlab, en proceso co–evolutivo en paralelo, considerando la generación de 4 individuos-reglas de asociación en competencia, y 4 individuos-reglas de recuperación de colaboración, con 70% de la población de individuos para la cruza, y el 30% para la mutación, en ambas etapas evolutivas, con manejo de la población ramped-half-half. El conjunto de funciones para la etapa de asociación, se tomo como: {min, max, suma (plus), resta (minus), multiplicación escalar (times)}; y el conjunto de terminales para la etapa de asociación son las entradas de los patrones respectivos. El conjunto de funciones para la etapa de recuperación se tomo como: {min, max, suma, resta, multiplicación escalar (mytimes)}; y el conjunto de Terminales se consideraron al vector de entrada (v), a la matriz de asociación obtenida por cada pareja asociada, candidato de la etapa de asociación, Mt, y a la vez que el rompimiento de esta matriz Mt en renglones: Ren1, Ren2, …, Renm. Como función de aptitud (fitness) se usó la medida de arco seno, como se muestra en la ecuación 1.

𝑓 = ∙√ ∙ ∙

(1)

Donde 𝑌 ∙ 𝑌 se muestra en la ecuación (2).

𝑌 ⋅ 𝑌 = ∑ 𝑌(𝑖) ⋅ 𝑌(𝑖) (2) Ésta es la normalización del coeficiente de correlación entre el vector aproximado(Ŷ) y el

origen (Y). Ésta es considerada como una función de similitud fA, tal que 0 ≤ fA ≤1. Esta función es tal que maximiza el número de entradas del vector que se igualan, tal que fA =1 implica que ambos vectores son iguales, y fA =0 que para nada se parecen. IV. Resultados En la Tabla 1 se muestra el resumen a tres columnas, con los índices de individuos para la asociación, la recuperación y el fitness de la dupla (la MA evolutiva resultante). Para efectos de graficación en el código se usa la variable “v” para representar a “Y”, y a “g” para representar a “Ŷ”. De acuerdo a la Tabla 1 los individuos mejores de asociación son los índices 1, 2 y 4; mientras que para la recuperación los 4 obtuvieron combinación con resultados parecidos. En las Figuras 3 a 8 se muestran los árboles de estos individuos. Hay que analizarlos en contexto, aparentemente pueden parecer complejos, específicamente los individuos 1 y 4 de recuperación, pero los individuos 2 y 3 son más simples y obtienen prácticamente el mismo nivel de recuperación, o de clasificación de los patrones para este caso, de dos movimientos, derecha e izquierda, y con un conjunto fundamental de 193 patrones.

Asociación Recuperación Fitness

4 1 0.8555128 4 2 0.8542452 2 3 0.8552642 1 4 0.8556814

Tabla 1. Resumen de parejas, MA Evolutivas, y su fitness (aptitud) respectiva, máxima alcanzada con

los respectivos individuos.

En la Tabla 1 se muestra el resultado de la aplicación de la metodología propuesta para un conjunto de patrones asociados a una persona, y por razones de espacio es que se muestran estos resultados. Se tienen conjuntos de patrones de más personas, entrenadas en el Laboratorio de Multimedia de la UAM Azcapotzalco, y están a disposición de la comunidad científica, por solicitud, en la URL: http://zeus.azc.uam.mx/ multimedia/Multimedia/EEGSPIGA.html



En el contexto de análisis de “formas de pensar”, las MA nos brindan un posible esquema, como un primer acercamiento, a cómo es que se realiza el proceso de “asociación” en la entidad estudiada. En conjuntos de patrones de clases separables las MA brindan árboles de asociación relativamente más sencillos, o simplificados, mientras que con patrones con clases no–separables la estructura de los árboles que representan la asociación, son más complejos. Un mayor detalle de esto puede verse en [19]. Teniendo lo anterior en mente, estos primeros resultados de MA aplicadas a patrones de señal EGG nos muestran la complejidad de asociación de patrones, pero en un primer paso desde el aspecto evolutivo, podemos asociar un comportamiento distinto del proceso de “asociación”, para cada ser humano, de forma diferente. V. Conclusiones Los resultados obtenidos hasta este momento son prometedores, ya que es un primer acercamiento con MA Evolutivas al problema complejo de analizar la señal EEG orientada a intenciones de movimiento. El obtener 85% de clasificación hasta este momento, tras una ejecución promedio de 7 días naturales en computo cluster de 32 nodos es muy lento, a primera vista, pero cada una de estas MA son sintetizadas, i.e. son resultados obtenidos por el proceso evolutivo de la programación genética. Actualmente estamos refinando el proceso evolutivo, a fin de ajustar los valores de generaciones e individuos en cada etapa para lograr obtener una clasificación cercana al 100%, pero sigue siendo un reto porque cada experimentación conlleva tiempo de cómputo muy grande, pero todo indica que se llegará a la obtención de nuevas MA prometedoras para este caso de estudio.

Agradecimientos Los autores agradecen al Programa para el Mejoramiento del Profesorado (PROMEP) por su apoyo económico para realizar esta investigación, bajo el proyecto UAM-PTC-328.

Fig. 3. Individuo 1 de asociación.





Fig. 6. Individuo 1 de recuperación.




VI. Referencias [1] Two-Handed Virtual Manipulation,KEN

HINCKLEY, RANDY PAUSCH, DENNIS PROFFITT and NEAL F. KASSELL. ACM Transactions on Computer-Human Interaction, Vol. 5, No. 3, September 1998, Pages 260–302.

[2] Parallel Man–Machine Traning in Development of EEG-Based Cursor Control., Aleksander Kostov and Mark Polak, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000 203



[3] A Time-Series Prediction Approach for Feature Extraction in a Brain–Computer Interface.Damien Coyle, Girijesh Prasad and Thomas Martin McGinnity, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, VOL. 13, NO. 4, DECEMBER 2005 461

[4] Control of a two-dimensional Movement Signal by a Noninvasive Brain–Computer Interface in Humans, Jonathan R. Wolpaw and Dennis J. McFarland, Proceedings of the National Academy of Sciences, December 21, 2004 vol. 101 no. 51 17849 – 17854

[5] Bain–Computer Interface Technology: A Review of the First International Meeting. Jonathan R.Wolpaw, Niels Birbaumer,William J. Heetderks, Dennis J. McFarland, P. Hunter Peckham, Gerwin Schalk, Emanuel Donchin, Louis A. Quatrano, Charles J. Robinson, and Theresa M. Vaughan IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000.

[6] EGG-based Brain Computer Interface, Janne Lehtonen, HELSINKI UNIVERSITY OF TECHNOLOGY., Department of Electrical and Communications Engineering. May 3 2002, Páginas : 17, 28, 44-46, 62, 67-71,

[7] A Direct Brain Interface Based on Event-Related Potentials, Simon P. Levine, Jane E. Huggins, Spencer L. BeMent, Ramesh K. Kushwaha, Lori A. Schuh, Mitchell M. Rohde, Erasmo A. Passaro, Donald A. Ross, Kost V. Elisevich, and Brien J. Smith, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000.

[8] Brain–Computer Interface Research at the Neil Squire Foundation, Gary E. Birch and Steve G. Mason, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000

[9] Critical Decision-Speed and Information Transfer in the “Graz Brain–Computer Interface”,G. Krausz, R. Scherer, G. Korisek and G. Pfurtscheller, Applied Psychophysiology and Biofeedback, Vol. 28, No. 3, September 2003

[10] Direct brain communication: neuroelectric and metabolic approaches at Tübingen, Boris Kleber y Niels Birbaumer, LABORATORY NOTES, Marta Olivetti Belardinelli and Springer-Verlag 27 January 2005.

[11] Prostheti Control by an EEG-based Brain-Computer Interface (BCI), Christoph Guger, Werner Harkam, Carin Hertnaes, Gert Pfurtscheller, IEEE Trans. on Neural Systems and Rehabilitation, see also Rehabilitation Engineering, IEEE Transactions on., Volume: 8, Issue: 4 On page(s): 447-456. Dec 2000 [12] Linear Classification of Low-Resolution EEG Patterns Produced by Imagined Hand Movements

[12] F. Babiloni, F. Cincotti, L. Lazzarini, J. Millán, J. Mouriño, M. Varsta, J. Heikkonen, L. Bianchi, and M. G. Marciani, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000

[13] The Mental Prosthesi: Assessing the Speed of a P300-Based Brain–Computer Interface,Emanuel Donchin, Kevin M. Spencer, and Ranjith Wijesinghe, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000.

[14] Recogniion of Motor Imagery Electroencephalography Using Independent Component Analysis and Machine Classifier, CHIH-I HUNG, PO-LEI LEE, YU-TE WU, LI-FEN CHEN, TZU-CHEN YEH and JEN-CHUEN HSIEH, Annals of Biomedical Engineering, Vol. 33, No. 8, August 2005 pp. 1053–1070.



https://www.researchgate.net/publication/221546518_Recognition_of_Motor_Imagery_Electroencephalography_Using_Independent_Component_Analysis_and_Machine_Classifiers?el=1_x_8&enrichId=rgreq-7a3f89c81aaa233af7f4a290fefea541-XXX&enrichSource=Y292ZXJQYWdlOzI2MDI2Njg4ODtBUzo5OTM5NTE1MjM4NDAwMkAxNDAwNzA5MDU5MTM3




















[15] Rapid Prototyping of an EEG-Based Brain–Computer Interface (BCI), Christoph Guger, Alois Schlögl, Christa Neuper, Dirk Walterspacher, Thomas Strein, and Gert Pfurtscheller, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, VOL. 9, NO. 1, MARCH 2001 49.

[16] Robust Classification of EEG Signal for Brain–Computer Interface, Manoj Thulasidas, Cuntai Guan and Jiankang Wu, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, VOL. 14, NO. 1, MARCH 2006.

[17] Steady-State Somatosensory Evoked Potentials: Suitabe Brain Signals for Brain–Compuer Interfaces, Gernot R. Müller-Putz, Reinhold Scherer, Christa Neuper and Gert Pfurtscheller, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, VOL. 14, NO. 1, MARCH 2006.

[18] A Virtual Reality Tesbed for Brain–Compuer Interface Research, Jessica D. Bayliss and Dana H. Ballard, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL. 8, NO. 2, JUNE 2000.

[19] Associative Memories through Genetic Programming. Juan Villegas-Cortez, J. Humberto Sossa A., Carlos Avilés Cruz, Gustavo Olague. Revista Mexicana de Física. Vol. 57, No. 2. México. ISSN 0035-001X. Abril 2011.

[20] Optimisation of a BCI system using the GA tehnique, Dobrea, D.-M.; Dobrea, M.-C.; Applied Sciences in Biomedical and Communication Technologies, 2009. ISABEL 2009. 2nd International Symposium on , vol., no., pp.1-6, 24-27 Nov. 2009

[21] L. Gutiérrez-Flores, C. Avilés-Cruz, J. Villegas-Cortez, and A. Ferreyra-Ramírez. EEG PATTERN RECOGNITION:

Application to a Real Time Control System for Android-Based Mobile Devices. Lecture Notes in Computer Science, volume 7914, pages 232–241. Springer Berlin Heidelberg, 2013.

VII. Autores Dr. Juan Villegas Cortez, estudió su doctorado en el Centro de Investigación en Computación del IPN, con especialidad en Reconocimiento de Patrones y Algoritmos Evolutivos, sus áreas de interés es la Visión por Computadora, el Reconocimiento de Patrones, el desarrollo e implementación de algoritmos Evolutivos-bioinspirados y el Aprendizaje Automático.

Ing. Liliana Gutiérrez Flores, es estudiante de la Maestría en Ciencias de la Computación en la UAM Azcapotzalco, próxima a graduarse. Sus áreas de interés es el Reconocimiento de Patrones, los Clasificadores Bayesianos y el desarrollo de aplicaciones móviles interactivas.

Dr. Carlos Avilés Cruz, estudió su doctorado en Grenoble, Francia. Sus áreas de interés son El Reconocimiento de Patrones, la Visión por Computadora, los clasificadores Bayesianos, el Aprendizaje Automático y el desarrollo de algoritmos bioinspirados.

Dr. José Félix Serrano Talamantes, obtuvo su doctorado en el Centro de Investigación en Computación del IPN, con especialidad en Reconocimiento de Patrones. Sus áreas de interés son la Visión por Computadora, el Reconocimiento de Patrones y el Aprendizaje Automático.



https://www.researchgate.net/publication/7215884_Steady-State_Somatosensory_Evoked_Potentials_Suitable_Brain_Signals_for_Brain-Computer_Interfaces?el=1_x_8&enrichId=rgreq-7a3f89c81aaa233af7f4a290fefea541-XXX&enrichSource=Y292ZXJQYWdlOzI2MDI2Njg4ODtBUzo5OTM5NTE1MjM4NDAwMkAxNDAwNzA5MDU5MTM3













Análisis de Señal ElectroEncefaloGráfica como Patrones a partir de Memorias Asociativas...

Documents

Transcript of Análisis de Señal ElectroEncefaloGráfica como Patrones a partir de Memorias Asociativas...