Decodificación de imaginación motora en la señal de electroencefalografía mediante mapas auto-organizados
View/ Open
Date
2016-06Author
Cariño Escobar, Rubén Isaac
Cantillo Negrete, Jessica
Gutiérrez Martínez, Josefina
Vázquez Espinoza de los Monteros, Roberto Antonio
Metadata
Show full item recordAbstract
La imaginación motora es un proceso cognitivo que consiste en la planeación de un movimiento sin ejecutarlo. En la señal de electroencefalografía, esta planeación puede decodificarse para usarse como método terapéutico para pacientes con enfermedad vascular cerebral. Los mapas auto-organizados son redes neuronales que podrían usarse como clasificadores de imaginación de movimiento. En este trabajo se evalúa el desempeño de los mapas auto-organizados para clasificar imaginación de movimiento en la señal de EEG. Se registraron las señales de electroencefalografía a 4 participantes, dos de ellos sanos y dos con enfermedad vascular cerebral mientras realizaban imaginación de movimiento de las manos. Se aplicó un filtrado espacial tipo Laplaciano en los canales centrales C3, Cz y C4, después se obtuvieron características espectrales en las bandas alfa y beta mediante un análisis tiempo-frecuencia. Se entrenaron mapas auto-organizados para cada participante con sus características espectrales en 3 condiciones distintas de imaginación de movimiento de mano y reposo. Se obtuvieron porcentajes de clasificación correcta superiores al nivel de aleatoriedad y de hasta 80%. Los clasificadores propuestos son prometedores para decodificar imaginación motora en el EEG y para diseñar sistemas de retroalimentación del desempeño del usuario. Motor imagery is a cognitive process which involves a planning of a movement without performing its execution. This planning can be decoded from the electroencephalography signal and be used for therapeutic purposes. Self-organized maps are artificial neural networks that have a potential to be used as motor imagery classifiers. In this work 11 channels were recorded from 2 healthy subjects and from 2 stroke patients. The data from the channels was pre-processed with a Laplacian type spatial filter applied to channels C3, Cz and C4, then power features where computed with a wavelet transform in the alpha and beta bands. Self-organized maps were trained and tested for each participant with the power features obtained from 3 different conditions. Correct classification accuracies above the chance level were achieved and even reached 80%. The proposed classifiers are promising for motor imagery decoding in the EEG signal, the performance of the proposed classifiers can be increased if a feedback system could be used to train the system’s users.