Clasificación de la intención de movimiento de la mano mediante señales electroencefalográficas: una aproximación basada en técnicas de aprendizaje automático
Palabras clave:
Interaccion humano maquina, aprendizaje de máquina, procesamiento digital de señales, EEGResumen
A nivel mundial, más de 40 millones de personas han perdido al menos un miembro superior debido a diversas causas. En 2020, en Colombia se registraron 170 casos de víctimas de explosiones que sufrieron amputaciones de extremidades superiores. La pérdida de un miembro superior genera limitaciones que afectan la calidad de vida. Como mecanismo para contribuir con la calidad de vida de quienes sufren esa limitación se han desarrollado interfaces cerebro-computadora que permiten el control de las prótesis mediante señales cerebrales. En resumen, las prótesis mecánicas y las interfaces cerebro-computadora son avances prometedores. Este documento analiza los avances en este campo y presenta los hallazgos y resultados obtenidos
Abstrac
Worldwide, more than 40 million people have lost at least one upper limb due to various causes. In 2020, 170 cases of explosion victims who sufferedupper limb amputations were recorded in Colombia. The loss of an upper limb generates limitations that affect the quality of life. As a mechanism to contribute to the quality of life of those who suffer from this limitation, brain-computer interfaces have been developed that allow the control of prostheses through brain signals. In summary,
mechanical prosthetics and brain-computer interfaces are promising developments. This document analyzes the advances in this field and presents the findings and results obtained.
Citas
Acción Integral Contra Minas Antipersonal – AICMA. (2020). Informe de gestión campaña colombiana contra minas.
Bedoya, A., Giraldo, J., Pardo, I.-D., y Becerra, M. (2013). Interfaz cerebro computador basado en señales EEG para el control de movimiento de una prótesis de mano usando ANFIS. -
Brito, J., Quinde, M.., Cusco, D., y Calle, J. (2013). Estudio del estado del arte de las prótesis de mano. Revista Ingenius, 9, 57-64.
Cho, J.., Jeong, J., Shim, K., Kim, D.., y Lee, S. W. (2019). Classification of Hand Motions within EEG Signals for Non-Invasive BCI-Based Robot Hand Control.
Delgado, J. (2011). Clasificación de Señales Cerebrales Durante la Ejecución de Actividad Motora Imaginaria. [Documento Word].
Ferrin, C., Loaiza, H., Pierre, J., y Vélez, P. (2019). Evaluación del aporte de la covarianza de las señales electroencefalográficas a las interfaces cerebro-computador de imaginación motora para pacientes con lesiones de médula espinal. TecnoLógicas, 22(46), 213–231. Hakonen, M., Piitulainen, H, and Visala, H. (2015). Current state of digital signal processing in myoelectric interfaces and related applications. Biomed. Signal Process. Control, 18, 334–359
Henao-Lema Perez-Parra. (2010). Lesiones medulares y discapacidad: revisión bibliográfica.
Liu, J., Yang, X., Jiang, L., Wang, C., & Yang, M. (2012). Neural plasticity after spinal cord injury. Neural Regeneration Research, 7(5), 386. https://doi.org/10.3969/J.ISSN.1673-5374.2012.05.010
López, E., Montesano, L., Gil, Á. y Minguez, J. (2014). Continuous decoding of movement intention of upper limb self-initiated analytic movements from pre-movement EEG correlates. Journal of NeuroEngineering and Rehabilitation, 11(1), 1–15. https://doi.org/10.1186/1743-0003-11-153/TABLES/5
Montes, L., Isaza, G., & Castillo, L. F. (2017). Präna: Una aplicación de la Inteligencia Computacional para el procesamiento de datos EEG en la clasificación de un estado mental comparative genomics of methano-massiliicoccus luminyensis of diverging buffaloes for methane emissions View project Application of Convolutional Neural Networks for Steganalysis View project. https://www.researchgate. net/publication/320700987
OMS. (2021). Discapacidad y salud. https://www.who.int/es/news-room/fact-sheets/detail/disability-and-health
Subha, D.., Joseph, P., Acharya U., y Lim, C.. (2010). EEG signal analysis: a survey. Journal of Medical Systems, 34(2), 195–212. https://doi.org/10.1007/s10916-008-9231-z
Sharma, N., Classen, J., y Cohen, L. G. (2013). Neural plasticity and its contribution to functional recovery. Handbook of Clinical Neurology, 110, 3–12. https://doi.org/10.1016/B978-0-444-52901-5.00001-0
Torres, F., Sánchez, C., & Palacio-Baus, K. (2014). Adquisición y análisis de señales cerebrales utilizando el dispositivo MindWave | Maskana. https://publicaciones.ucuenca.edu.ec/ojs/index.php/maskana/article/view/540
Van Dokkum, L. E. H., Ward, T., & Laffont, I. (2015). Brain computer interfaces for neurorehabilitation – its current status as a rehabilitation strategy post-stroke. Annals of Physical and Rehabilitation Medicine, 58(1), 3–8. https://doi.org/10.1016/J. REHAB.2014.09.01
