Uso de Machine Learning para detectar señales cerebrales de tipo P300 generando estímulos visuales y auditivos

Alejandro Jesús Perdomo Cely; Camilo Ernesto Pardo Beainy; Moshé Alonso Amarillo

doi:10.24054/rcta.v2i44.3069

Autores/as

Alejandro Jesús Perdomo Cely Universidad Santo Tomás https://orcid.org/0009-0006-0615-3659
Camilo Ernesto Pardo Beainy Universidad Santo Tomás https://orcid.org/0000-0003-0012-3679
Moshé Alonso Amarillo Universidad de Los Andes https://orcid.org/0000-0003-1062-1129

DOI:

https://doi.org/10.24054/rcta.v2i44.3069

Palabras clave:

Machine Learning, P300, electroencefalografía, aumento de datos

Resumen

La señal P300 es un potencial evocado que se produce en la región occipital del cerebro cuando se presenta un cambio visual o auditivo inesperado a un patrón lumínico o sonoro. Este pulso es comúnmente estudiado en el campo de la biomedicina, usado en recuperación parcial de movilidad de pacientes cuadripléjicos por medio de una pantalla con diferentes comandos, en el que el paciente mueve los ojos hacia el comando que desea, y generando la P300 se realiza el comando deseado. Es a partir de aquí, que se le da uso a modelos de aprendizaje de Machine Learning, siendo Regresión Logística, Árbol de Decisión, Máquina de Soporte Vectorial y K Vecinos Más Cercanos, para reconocer características de señales electroencefalográficas con presencia y ausencia de P300 y se les aplica un aumento de datos mejorando los entrenamientos, para así obtener el análisis de los mejores predicadores de la señal cerebral P300.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

B. Miner, Y. Pan, C. Burzynski, L. Iannone, M. Knauert, T. Gill and H. Yaggi, "0726 Agreement Between an Electroencephalography-Measuring Headband and Polysomnography in Older Adults with Sleep Disturbances," in Sleep, Oxford Academic, 2023, pp. A319-A320. DOI: https://doi.org/10.1093/sleep/zsad077.0726

O. A. Broggi Angulo, D. G. Koc Gonzáles y P. C. Martinez Esteban, «Guía de procedimiento de electroencefalografía y videoelectroencefalografía,» Ministerio de Salud de la República del Perú, San Borja, 2022.

Y. Zhang, H. Xu, Y. Zhao, L. Zhang y Y. Zhang, «Application of the P300 potential in cognitive impairment assessments after transient ischemic attack or minor stroke,» Neurological Research, vol. 43, nº 4, pp. 336-341, 2021. DOI: https://doi.org/10.1080/01616412.2020.1866245

J. M. Macías Macías, J. A. Ramirez Quintana, J. S. A. Méndez Aguirre, M. I. Chacón Murgia y A. D. Corral Sáenz, «Procesamiento Embebido de P300 Basado en Red Neuronal Convolucional para Interfaz Cerebro-Computadora Ubicua,» ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, vol. 9, núm. 2, pp. 1-24, 2020. DOI: https://doi.org/10.32870/recibe.v9i2.153

«Electroencefalografía (EEG),» 2018. [En línea]. Available: https://brainsigns.com/es/science/s2/technologies/eeg.

S. Silva Pereira, E. Ekin Özer and N. Sebastian-Galles, "Complexity of STG signals and linguistic rhythm: a methodological study for EEG data," Cerebral Cortex, vol. 34, no. 2, 2024. DOI: https://doi.org/10.1093/cercor/bhad549

L. E. Morillo, «ANÁLISIS VISUAL DEL ELECTROENCEFALOGRAMA,» pp. 145-153.

C. F. Blanco Díaz y A. F. Ruiz Olaya, «Caracterización de señales de EEG relacionadas a potenciales evocados visuales en estado estacionario,» Ontare, pp. 18-20, 2019. DOI: https://doi.org/10.21158/23823399.v7.n0.2019.2459

R. Chandra Poonia, V. Singh y S. Ranjan Nayak, Deep Learning for Sustainable Agriculture, A volume in Cognitive Data Science in Sustainable Computing, India: Elsevier, 2022.

M. Razavi, V. Janfaza, T. Yamauchi, A. Leontyev, S. Longmire-Monford and J. Orr, "OpenSync: An opensource platform for synchronizing multiple measures in neuroscience experiments," pp. 3-7, 2021. DOI: https://doi.org/10.1016/j.jneumeth.2021.109458

T. Mo, W. Huang, W. Sun, Y. Hu, L. Mcdonald, Z. Hu, L. Chen, J. Liao, B. Hermann, V. Prabhakaran y H. Zeng, «Activation Map Reveals Language Impairment in Children with Benign Epilepsy with Centrotemporal Spikes (BECTS),» Neuropsychiatric Disease and Treatment, vol. 19, p. 1949–1957, 2023. DOI: https://doi.org/10.2147/NDT.S419840

C. Biarnés Rabella, «Diseño, caracterización y evaluación de electrodos capacitivos para la medida de ECG y EEG,» Universitat Politécnica de Catalunya, pp. 12-15, 2018.

F. Wu, M. Gong, J. Ji, G. Peng, L. Yao, Y. Li and W. Zeng, "Interval and subinterval perturbation finite element-boundary element method for low-frequency uncertain analysis of structural-acoustic systems," Journal of Sound and Vibration, vol. 462, no. 114939, 2019. DOI: https://doi.org/10.1016/j.jsv.2019.114939

L. Bianchi, A. Antonietti, G. Bajwa, R. Ferrante, M. Mahmud y P. & Balachandran, «A functional BCI model by the IEEE P2731 working group: data storage and sharing,» Brain-Computer Interfaces, vol. 8, nº 3, p. 108–116, 2021. DOI: https://doi.org/10.1080/2326263X.2021.1968632

S. Gannouni, A. Aledaily, K. Belwafi and H. Aboalsamh, "Emotion detection using electroencephalography signals and a zero time windowing based epoch estimation and relevant electrode identifcation," Nature Portfolio, pp. 5-7, 2021. DOI: https://doi.org/10.1038/s41598-021-86345-5

I. M. Hojas, «Regresión Logística en Python,» [En línea]. Available: https://www.statdeveloper.com/regresion-logistica-en-python/.

R. Romo, «Árboles de Decisión / Decision Trees con python,» [En línea]. Available: https://rubenjromo.com/decision-trees/.

L. Gonzales, «K Vecinos más Cercanos – Teoría,» 19 Julio 2019. [En línea]. Available: https://aprendeia.com/algoritmo-k-vecinos-mas-cercanos-teoria-machine-learning/.

J. G. J. R. S. S. M. M. H. R. S. H. K. E. &. L. J. K. Peirce, «PsychoPy2: Experiments in behavior made easy.,» 2019. [En línea]. Available: https://doi.org/10.3758/s13428-018-01193-y. DOI: https://doi.org/10.3758/s13428-018-01193-y

Z. Zhang, X. Liang, W. Qin, S. Yu and Y. Xie, "matFR: a MATLAB toolbox for feature ranking," Bioinformatics, vol. 36, no. 19, p. 4968–4969, 2020. DOI: https://doi.org/10.1093/bioinformatics/btaa621