1,720,994 research outputs found
Diseño e implementación de una interfaz cerebro-computadora para el movimiento de una silla de ruedas
Full text linkDiseño e Implementación de una Interfaz Cerebro-Computadora para cuatro movimientos principales de una silla de ruedas: avanzar, rotar a la derecha, rotar a la izquierda y detenerse. Haciendo uso de Matlab, se adquieren las señales electrofisiológicas (EEOG, EEG, EMG) , se filtra, extrae características, se realiza el entrenamiento y se clasifican para implementar en la interfaz y que el usuario controle el movimiento de la silla por medio de un juego con 3 niveles.Design and Implementation of a Brain-Computer Interface for four main movements of a wheelchair: move forward, rotate right, rotate left and stop. Using Matlab, the electrophysiological signals (EOG, EEG, EMG) are acquired, filteres, extracts characteristics, trained and classified to implement in the interface and that the user controls the movement of the chair through a game with 3 levels.Ingeniero (a) ElectrónicoPregrad
Clasificación de las fases y la calidad del sueño en señales de electroencefalografía (EEG)
Full text linkEl sueño es un proceso biológico de reposo, en el cual se llevan a cabo funciones importantes para el cuerpo como consolidación de la memoria, crecimiento y reparación. El monitoreo del sueño resulta de gran relevancia a nivel clínico, ya que la aparición de desórdenes del sueño ha aumentado drásticamente. En este proyecto se implementaron y compararon diferentes métodos de clasificación automática de etapas de sueño, a partir de las señales EEG. Además, se analizó la calidad del sueño obtenida a partir de las señales EEG y se comparó con respecto a aplicaciones en dispositivos móviles. Se obtuvieron resultados de la clasificación aceptables (~80\% de exactitud). Con esta información, fue posible analizar la calidad del sueño y compararla con aplicaciones móviles.Magíster en Ingeniería ElectrónicaMaestrí
Development of an Artificial Intelligence model for the cinematographic reconstruction of the hand using EEG and EMG signals
No full textEn este trabajo se propone el desarrollo de un sistema que iimplemente modelos de inteligencia artificial para la estimación de la cinemática de la mano humana, por medio de señales biológicas de electroencefalografía (EEG) y electromiografía (EMG). Debido a la naturaleza del problema se requiere desarrollar un sistema BCI con las siguientes etapas: adquisición de las señales biológicas, preprocesamiento y procesamiento de las señales, extracción de características (tiempo y frecuencia), modelos de regresión, bnasados en aprendizaje automático y profundo. Finalmente se tiene una etapa de modelamiento cinemático y visualización de la mano para validar los resultados de los modelos entrenados, siendo estos comparados con datos reales de prueba. Junto con las métricas de validación para un modelo de regresión, se cuenta también con la visualización que permite dar una perspectiva más interactiva de que tan ajustado se encuentran las predicciones con el movimiento real.This work proposes the development of a system that implements artificial intelligence models for the estimation of the kinematics of the human hand, through biological signals from electroencephalography (EEG) and electromyography (EMG). Due to the nature of the problem, it is necessary to develop a BCI system with the following stages: acquisition of biological signals, preprocessing and signal processing, feature extraction (time and frequency), regression models, based on machine and deep learning. Finally, there is a stage of kinematic modeling and visualization of the hand to validate the results of the trained models, these being compared with real test data. Along with the validation metrics for a regression model, there is also visualization that allows giving a more interactive perspective of how closely the predictions are with the real movement.Magíster en Inteligencia ArtificialMaestrí
Outofmind : sistema humano-computador para análisis de señales biomédicas en estado de meditación
Full text linkLa interfaz humano-computador adquiere y analiza señales biomédicas, como EEG, GSR y de pulsioximetría, y presenta índices cuantitativos de la práctica de meditación. La interfaz humano computador diseñada está compuesta por tres bloques principales. El primero es la adquisición y sincronización, en la cual las señales provenientes de ambos sensores son adquiridas y almacenadas en un mismo periodo de tiempo. Una vez las señales son adquiridas se procesan, mediante diferentes métodos de extracción de características y clasificación con SVM. El último bloque hace un despliegue gráfico al usuario de los resultados obtenidos mediante una interfaz gráfica.The human-machine interface acquires and analyzes biomedical signals, such as EEG, GSR and pulsioximeter s, and presents quantitative indices of meditation practice. The designed human-machine interface is composed of three principal blocks. The first one is the acquisition and synchronization in which the biosignals coming from both sensors are acquired and saved at the same time. Once the signals are acquired they are processing, consisting in feature extraction methods and classification with SVM. The last block shows the processing results in a Graphical User Interface.Ingeniero (a) ElectrónicoPregrad
Herramienta de apoyo para la evaluación fisiopatológica y cognitiva de pacientes con epilepsia
Full text linkEsta investigación consiste en una herramienta que permita explorar la relación entre epilepsia y trastornos cognitivos asociados a dicha enfermedad. Estos trastornos incluyen alteraciones en los procesos de consolidación de la memoria y aprendizaje, que pueden ser medidos a través de pruebas neuropsicológicas. A su vez, estos trastornos pueden ser el resultado de las alteraciones en los patrones normales del sueño fundamentales para la cognición. Por lo tanto, el objetivo principal de este proyecto es estudiar las relaciones entre los patrones epilépticos, los patrones de sueño y los trastornos cognitivos mediante procesamiento digital de señales cerebrales (EEG) y técnicas de reconocimiento de patrones. Los algoritmos y métodos implementados durante la investigación se validaron con las señales EEG de 29 pacientes epilépticos (2-15 años) de la Fondation Ophtalmologique Adolphe de Rothschild, Francia.
Los resultados de reconocimiento de patrones mostraron un desempeño aceptable en la detección de fases de sueño, husos de sueño, complejos k y puntas epilépticas. El estudio estadístico mostró que existe una correlación positiva entre el número de puntas interictales y la calidad del sueño de ondas lentas. No se encontró una relación entre el IQ y la cuantificación de puntas epilépticas como lo reportan otros estudios. Sin embargo, fue posible determinan una correlación negativa entre el IQ y la potencia promedio en la banda Gamma del lóbulo frontal a lo largo de la noche.This research consists of a tool that explores the relationship between epilepsy and cognitive impairments associated with the disease. These impairments include changes in memory consolidation and learning processes, which are diagnosed by neuropsychological tests. Also, these disorders could be a result of alterations in normal sleep patterns essential for cognition. Therefore, this project's main objective is to study the relationships between epileptic patterns, sleep patterns, and cognitive disorders using digital brain signal processing (EEG) and pattern recognition techniques. During this research, the algorithms and methods implemented were validated with the EEG signals of 29 epileptic patients (2-15 years) from the Fondation Ophtalmologique Adolphe de Rothschild, France.
The pattern recognition results showed an acceptable performance detecting sleep phases, sleep spindles, k complexes, and epileptic spikes. The statistical study showed a positive correlation between the number of interictal spikes and slow-wave sleep quality. No relationship was found between the IQ and the quantification of epileptic spikes, as reported in other studies. However, we found a negative correlation between the IQ and the average power in the Gamma band of the frontal lobe throughout the night.Magíster en BioingenieríaMaestrí
Pattern Recognition in Brain Networks to Characterize Preictal States
Full text linkLa epilepsia es uno de los trastornos neurológicos más comunes que afecta a más de 50 millones de personas
personas de todo el mundo. Se caracteriza por convulsiones recurrentes, que son el resultado de
descargas eléctricas que generan alteraciones en la actividad cerebral. En la mayoría de los pacientes epilépticos las convulsiones son poco frecuentes y son de ocurrencia impredecible, el uso de medicamentos anticonvulsivos
pueden reducir el número de incidencias de convulsiones en el paciente.
Desafortunadamente, para el 30% de los pacientes con epilepsia, las convulsiones persisten a pesar del uso de
este tratamiento, aumentando el riesgo de lesiones, muerte prematura y reduciendo su
calidad de vida. El objetivo del presente trabajo es desarrollar una herramienta de IA específica para cada paciente.
El pipeline desarrolado, integra análisis de conectividad funcional aplicado a las redes cerebrales epilépticas,
para identificar con precisión el período sin convulsiones (interictal) y el intervalo de tiempo inmediatamente
antes del inicio de la convulsión (estado preictal) y así, detectar un posible inicio de una convulsión.
En el presente estudio, se utilizó información de 17 pacientes con epilepsia, tomados del DB "EPILEPSIAE", con registros disponibles
de señal sEEG durante al menos 8-9 horas antes del inicio de la convulsión. Extracción de características, preprocesamiento de características, selección de características, aprendizaje automático y la Aplicación de Aprendizaje Profundo, y la Capacitación y Evaluación de Modelos, constituyen el
principales bloques de tuberías. Se seleccionaron cinco algoritmos de Machine Learning y Deep Learning
para la evaluación: Random Forest (RF), Support Vector Machines Classifier (SVC),
XGBoost (XGB), redes neuronales convolucionales (CNN) y memoria a largo plazo
(LSTM). Para mejorar el rendimiento de los algoritmos de clasificación a diferentes
contextos, se evaluaron tres ventanas preictales de 40, 60 y 80 minutos. Un F1
puntuación superior al 60% fue alcanzada por 11/17 pacientes, con un periodo preictal de 80 minutos.Epilepsy is one of the most common neurological disorders that affects over 50 million
people worldwide. It is characterized by recurrent seizures resulting from excessive
electrical discharges that generate disruptions in brain activity. In most epileptic
patients the seizures are infrequent and so they are of unpredictable occurrence. Therefore,
antiseizure medicines can reduce the number of seizure incidences in the patient.
Unfortunately, for 30% of people with epilepsy, seizures persist despite the use of
this treatment, increasing the risk of injuries, and premature death and reducing the patient’s
quality of life. The aim of the present work is to develop a patient-specific AI-based
pipeline integrating functional connectivity analysis applied to epileptic brain networks,
to accurately identify the non-seizure period (interictal) and the time interval immediately
preceding the seizure onset (preictal state), and therefore detect a potential seizure onset.
In the present study, 17 patients, from the EPILEPSIAE database, with recordings available
for at least 8-9 hours before the seizure onset were selected. The patient’s recordings
were sEEG. Feature Extraction, Feature Preprocessing, Feature Selection, Machine Learning
and Deep Learning Applications, and Model training and Evaluation, constitute the
main pipeline blocks. Five Machine Learning and Deep Learning algorithms were selected
for evaluation: Random Forest (RF), Support Vector Machines Classifier (SVC),
XGBoost (XGB), Convolutional Neural Networks (CNN), and Long Short-Term Memory
(LSTM). To enhance the performance of the classification algorithms to different temporal
contexts, three preictal windows of 40, 60, and 80 minutes were evaluated. An F1
score greater than 60% was achieved by 11/17 patients, and with the preferred preictal
window among subjects being the 80-minute interval.Ingeniero (a) ElectrónicoMagíster en BioingenieríaPregrado0009-0009-1480-902
Modelamiento dinámico de movimiento articular de una mano humana con fines de rehabilitación de movilidad articular
Full text linkEn este trabajo de grado, se desarrolló un modelo dinámico de movimiento articular de una mano que simula movimientos específicos en rehabilitación. En total, seis movimientos de rehabilitación realizados por la mano del usuario fueron detectados y clasificados automáticamente a partir de señales mioeléctricas del brazo (EMG, por sus siglas en inglés). La validación del modelo, se realizó mediante la correlación de posiciones con el sistema de captura de movimiento VICON.In this degree work, a dynamic model of joint movement of a hand that simulates specific movements in rehabilitation was developed. In total, six rehabilitation movements performed by the user’s hand were detected and classified automatically from myoelectric signals of the arm (EMG, for its acronym in English). The validation of the model was carried out through the correlation of positions with the VICON motion capture system.Ingeniero (a) ElectrónicoPregrad
Sistema digital de reconocimiento de patrones mediante redes neuronales convolucionales
Full text linkEn el presente trabajo de grado se muestra el desarrollo en FPGA de un sistema capaz de reconocer los símbolos de las vocales del lenguaje de señas colombiano y traducirlos a símbolos escritos mediante redes neuronales artificiales convolucionales. Se divide el sistema en una etapa de entrenamiento realizada en el software MATLAB y una etapa de prueba programada en la FPGA con una arquitectura simple y de operaciones repetitivas. Se organizan los resultados obtenidos, además, se hace un análisis de recursos hardware utilizados.In the present degree work shows the development of a FPGA system capable of recognizing and translating the vowels of the Colombian sign language to writing characters, using convolutional neural networks. The system is divided in a training stage using MATLAB software and a test stage programed in FPGA with a simple architecture and repetitive operations. The obtain results were organized and a hardware resources analysis was done.Ingeniero (a) ElectrónicoPregrad
Clasificación de palabras no pronunciadas mediante el procesamiento de señales electroencefalográficas
Full text linkEn este trabajo se mostrará el análisis de una interfaz cerebro computador (BCI por sus siglas en inglés), partiendo con la adquisición de señales EEG y concluyendo con un análisis estadístico de la clasificación de estas señales EEG de palabras no pronunciadas en cinco personas voluntarias. Se incluirán temas como el pre procesamiento y extracción de características de las señales. Dentro del procesamiento se abordaron temas como filtros digitales, transformada de Wavelet continua y discreta, PSD, transformada de Hilbert, clasificadores SVM, Redes Neuronales, Redes Convolucionales y Vecinos más cercanos. Adicionalmente, para el análisis estadístico se realizaron curvas ROC y matrices de confusión.In this paper we will show the analysis of a Computer brain interface (BCI), starting with the acquisition of EEG signals and concluding with a statistical analysis of the classification of these EEG signals of words not pronounced in five volunteers. Topics such as pre-processing and extraction of signal characteristics will be included. Within the process, topics such as digital filters, continuous and discrete Wavelet transform, PSD, Hilbert transform, SVM classifiers, Neural Networks, Convolutional Networks and Neighbors were approached. Additionally, for the statistical analysis, ROC curves and confusion matrices were made.Ingeniero (a) ElectrónicoPregrad
Sistema para el monitoreo de episodios de la apnea del sueño
Full text linkEl trabajo de grado propone el diseño y la implementación de un sistema hardware/software de
adquisición de señales a partir de los siguientes métodos: electrocardiografía, pulsioximetría y
movimientos respiratorios. La detección está compuesta por los bloques de adaptación,
acondicionamiento y procesamiento digital de las señales de interés con el fin de identificar
episodios de apnea del sueño. La actuación está compuesta por el sistema electromecánico, que
generará la vibración aplicada a la persona, para intentar restaurar su ciclo respiratorio. El diseño
e implementación de dicho prototipo, permitirá estudiar la posibilidad de restaurar la respiración
por medio de una alerta electromecánica, por ejemplo: la vibración generada por un motor.The degree work proposes the design and implementation of a hardware / software system to
acquire signals from the following methods: electrocardiography, pulse oximetry and respiratory
movements. The detection is composed of blocks of adaptation, conditioning and digital
processing of the signals of interest in order to identify episodes of sleep apnea. The action is
composed of the electromechanical system, which will generate the vibration applied to the
person, to try to restore their respiratory cycle. The design and implementation of this prototype
will allow us to study the possibility of restoring breathing by means of an electromechanical alert,
for example: the vibration generated by an engineIngeniero (a) ElectrónicoPregrad
- …
