Clasificación de señales de electroencefalografía para el control de movimientos de los miembros superiores
No Thumbnail Available
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Santiago de Cali
Abstract
The loss of upper limbs affects millions of people around the world, creating challenges in their daily lives and limiting their autonomy. New technologies, such as prostheses, are developed every year to improve communication between the user and their environment, contributing to a better quality of life. This study aims to create a system for classifying electroencephalography (EEG) signals of the opening, closing and resting movements of the right- and left-hand using machine learning techniques, seeking to improve the functionality of prostheses for amputees, with greater accuracy. For this purpose, EEG signals were collected using a real-time headset from 15 subjects, 13 typical without amputations and 2 atypical with amputations. Filtering methods, signal processing, time and frequency domain feature extraction were applied. The classifiers used were Random Forest and K-Nearest Neighbors (KNN). The results indicate that Random Forest obtaining the best accuracy, greater than 80%. This study contributes to the advancement in the classification of EEG signals suitable for movement control in the implementation of upper limb prostheses, improving the quality of life of individuals by reducing mental workload and physical effort.
Description
La pérdida de miembros superiores afecta a millones de personas en todo el mundo, generando desafíos en su vida diaria y limitando su autonomía. Nuevas tecnologías, como prótesis, se desarrollan cada año para mejorar la comunicación entre el usuario y su entorno, contribuyendo a una mejor calidad de vida. Este estudio tiene como objetivo crear un sistema de clasificación de señales de electroencefalografía (EEG) de los movimientos de apertura, cierre y reposo de la mano derecha e izquierda mediante técnicas de aprendizaje automático, buscando mejorar la funcionalidad de prótesis para personas con amputaciones, con mayor precisión. Para ello, se recolectaron señales EEG utilizando una diadema en tiempo real de 15 sujetos, 13 típicos sin amputaciones y 2 atípicos con amputaciones. Se aplicaron métodos de filtrado, procesamiento de señales, extracción de características en el dominio del tiempo y la frecuencia. Los clasificadores utilizados fueron Random Forest (RF) y K-Nearest Neighbors (KNN). Los resultados indican que Random Forest obtiene mejor precisión, mayor al 80%. Este estudio contribuye al avance en la clasificación de señales EEG adecuadas para el control de movimientos en la implementación de prótesis de miembros superiores, mejorando la calidad de vida de los individuos al reducir la carga mental y el esfuerzo físico.
Keywords
Señales De Electroencefalografía, Clasificación, Apertura Mano, Cierre Mano, BCI, Características