Identification of motor imagery tasks using power-based connectivity descriptors from EEG signals

Simple item page
dc.contributor.advisorRuiz Olaya, Andrés Felipespa
dc.contributor.authorGuerrero Méndez, Cristian Davidspa
dc.creator.cedula10561823553spa
dc.date.accessioned2022-05-19T19:09:26Z
dc.date.available2022-05-19T19:09:26Z
dc.date.issued2021-11-12spa
dc.description.abstractIn recent years, functional connectivity has been studied through electroencephalography signals to analyze the patterns generated by the electrical conductions of the brain. In BCI systems, the paradigm of motor imagery has been used to generate patterns to identify the user’s intention. However, the study of techniques that allow the correct identification and classification of such intention is still a challenge due to the low performance of algorithms for rehabilitation engineering applications. This study addresses the problem of binary identification of left and right-hand opening and closing motor imagery tasks. A method called Power-Based Connectivity (PBC) is proposed that correlates two reference channels in the central cortex (C3 and C4) with other channels located in the central area of the brain. The methods were evaluated using an EEG dataset of six subjects with no previous experience in BCI systems built at the Antonio Narino University. The method was compared ˜ with a standard feature extraction method based on Power Spectral Density (PSD). It was used for evaluation accuracy and cohen’s Kappa coefficients metrics. Maximum accuracy and cohen’s Kappa coefficient of 0.7733 and 0.5488, respectively, were obtained using the Linear Discriminant Analysis (LDA) classifier. Finally, the proposed method was superior in performance and presents significant results in the alpha (α) frequency band and the combination of alpha (α) and beta (β). This leads to the conclusion that the proposed method is adequate for user intent identification in a motor imagery-based BCI system of users with no prior experience.eng
dc.description.abstractEn los últimos años, la conectividad funcional ha sido estudiado a través de señales de electroencefalografía para analizar la patrones generados por las conducciones eléctricas del cerebro. En los sistemas BCI, se ha utilizado el paradigma de la imaginería motora generar patrones para identificar la intención del usuario. Sin embargo, el estudio de técnicas que permitan la correcta identificación y clasificación de tal intención sigue siendo un desafío debido a la baja rendimiento de algoritmos para aplicaciones de ingeniería de rehabilitación. Este estudio aborda el problema de la identificación binaria. de tareas de imágenes motoras de apertura y cierre de mano izquierda y derecha. Se propone un método llamado Conectividad basada en energía (PBC) que correlaciona dos canales de referencia en la corteza central (C3 y C4) con otros canales ubicados en la zona central del cerebro. Los métodos se evaluaron utilizando un conjunto de datos de EEG de seis sujetos sin experiencia previa en sistemas BCI construidos en la Universidad Antonio Nariño. Se comparó el método ˜ con un método de extracción de características estándar basado en Power Densidad espectral (PSD). Se utilizó para evaluar la precisión. y las métricas de los coeficientes Kappa de Cohen. Máxima precisión y coeficiente Kappa de Cohen de 0,7733 y 0,5488, respectivamente, fueron obtenidos mediante el clasificador Análisis Discriminante Lineal (LDA). Finalmente, el método propuesto fue superior en rendimiento y presenta resultados significativos en la banda de frecuencia alfa (α) y la combinación de alfa (α) y beta (β). Esto lleva a la conclusión de que el método propuesto es adecuado para la intención del usuario identificación en un sistema BCI basado en imágenes motoras de usuarios sin experiencia previa.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Biomédico(a)spa
dc.description.degreetypeInvestigaciónspa
dc.description.notesPresencialspa
dc.identifier.bibliographicCitationG. Pfurtscheller and C. Neuper, “Motor imagery and direct braincomputer communication,” Proceedings of the IEEE, vol. 89, no. 7, pp. 1123–1134, 2001.spa
dc.identifier.bibliographicCitationJ. Becedas, “Brain–machine interfaces: Basis and advances,” IEEE Transactions on Systems, Man and Cybernetics-Part C: Applications and Reviews, vol. 42, no. 6, pp. 825–836, 2012spa
dc.identifier.bibliographicCitationD. McFarland and J. Wolpaw, “Brain-computer interfaces for communication and control.” Communications of the ACM, vol. 5, pp. 60–66, 2011.spa
dc.identifier.bibliographicCitationU. Chaudary, N. Birbaumer, and A. Ramos, “Brain-computer interfaces for communication and rehabilitation.” Nature Reviews Neurology, vol. 12, pp. 513–525, 2016spa
dc.identifier.bibliographicCitationA. Rezeika, M. Benda, P. Stawicki, F. Gembler, F. Saboor, and I. Volosyak, “Brain-computerinterface spellers: A review.” Brain Sciences, vol. 8, pp. 1–38, 2018.spa
dc.identifier.bibliographicCitationI. Gaudet, A. Husser, P. Vannasing, and A. Gallagher, “Functional brain ¨ connectivity of language functions in children revealed by eeg and meg: A systematic review,” Frontiers in human neuroscience, vol. 14, p. 62, 2020spa
dc.identifier.bibliographicCitationV. Sakkalis, “Review of advanced techniques for the estimation of brain connectivity measured with eeg/meg,” Computers in biology and medicine, vol. 41, no. 12, pp. 1110–1117, 2011.spa
dc.identifier.bibliographicCitationD. Krusienski, D. McFarland, and J. Wolpaw, “Value of amplitude, phase, and coherence features for a sensorimotor rhythm-based braincomputer interface,” Brain Research Bulletin, vol. 87, p. 130–134, 2012spa
dc.identifier.bibliographicCitationC. Kim, J. Sun, D. Liu, and Q. Wang, “An effective feature extraction method by power spectral density of eeg signal for 2-class motor imagery-based bci,” Medical Biological Engineering Computing, vol. 56, pp. 1–14, 2018.spa
dc.identifier.bibliographicCitationX. Qiao, Y. Wang, D. Li, and L. Tian, “Feature extraction and classifier evaluation of eeg for imaginary hand movements,” in 2010 Sixth International Conference on Natural Computation, vol. 4. IEEE, 2010, pp. 2112–2116.spa
dc.identifier.instnameinstname:Universidad Antonio Nariñospa
dc.identifier.reponamereponame:Repositorio Institucional UANspa
dc.identifier.repourlrepourl:https://repositorio.uan.edu.co/spa
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/6578
dc.language.isoengspa
dc.publisherUniversidad Antonio Nariñospa
dc.publisher.campusBogotá - Surspa
dc.publisher.facultyFacultad de Ingeniería Mecánica, Electrónica y Biomédicaspa
dc.publisher.programIngeniería Biomédicaspa
dc.rightsAcceso a solo metadatos
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_14cbspa
dc.rights.licenseAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subjectElectroencefalografía (EEG)es_ES
dc.subjectCerebro- Interfaz de computadoraes_ES
dc.subjectConectividad basada en energíaes_ES
dc.subjectConectividad funcionales_ES
dc.subject.ddc621.7es_ES
dc.subject.keywordElectroencephalography (EEG)es_ES
dc.subject.keywordBrain- Computer Interface (BCI)es_ES
dc.subject.keywordPower-Based Connectivityes_ES
dc.subject.keywordFunctional Connectivityes_ES
dc.titleIdentification of motor imagery tasks using power-based connectivity descriptors from EEG signalses_ES
dc.typeTrabajo de grado (Pregrado y/o Especialización)spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audienceEspecializadaspa
Files
Original bundle
Now showing 1 - 3 of 3
thumbnail.default.alt
Name:
2021_CristianDavidGuerreroMéndez_Acta.pdf
Size:
284.63 KB
Format:
Adobe Portable Document Format
Description:
Acta Guerrero
thumbnail.default.alt
Name:
2021_CristianDavidGuerreroMéndez.pdf
Size:
1.13 MB
Format:
Adobe Portable Document Format
Description:
Trabajo de grado
Download
thumbnail.default.alt
Name:
2021_CristianDavidGuerreroMéndez_Autorización.pdf
Size:
1.3 MB
Format:
Adobe Portable Document Format
Description:
Autorización de autores
Collections
Ingeniería biomédica