Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Pastás Guaitarilla, Iván AndrésRivera Larrañaga, Johnny Esteban2023-08-092023-08-092023-06-08http://repositorio.uan.edu.co/handle/123456789/8406A brain-computer interface (BCI) is a system that establishes direct communication between the brain and a computer by recording the electrical activity of the brain. It makes use of Steady State Visual-Evoked Visual Evoked Potentials (SSVEP). The data obtained from the signals with respect to visual stimulation are filtered and used to train an artificial intelligence model, which identifies and classifies the user's activity intention, responsible for issuing control commands. The detection of brain neural activity is performed through OpenBCI, making use of the SSVEP protocol, the signals are stored and subsequently processed in Python interpreted programming language. For the acquisition of EEG signals, the user is instrumented by placing electrodes and the OpenBCIsystem, the impedance of the electrodes is determined and it is verified that they are in the required magnitude. They are recorded in 3 channels located in the occipital region: PO3, PO4, and OZ with a sampling frequency of 250 Hz and with a Notch filter to normalize response peaks that change with impedance. The visual stimuli are generated by an application using the Psychtoolbox-3 toolbox, running in the Matlab environment, where the EEG signal processing and command identification is performed by the method of filter bank. At the end of this project, it is expected to validate what has been done in a virtual environment in Unity 3D that simulates an apartment with the furniture where a wheelchair is located so that it can be guided by the user through the classification of EEG signals using the SSVEP mental strategy and the use of the OpenBCI system, As observed later on, where the user sees the stimulus on a screen to which the wheelchair is directed, it will move in that direction. It should be noted that the system due to some interference in the signal acquisition can identify movement towards another direction, such as towards the left and can randomly take it upwards, downwards or to the right. All this is due to errors that may occur when taking the subject’s signal, but in general it can be said that despite the fact that the interface may throw certain errors, it has a percentage of successes above the range considered adequate, thus correctly implementing the interface.Una interfaz cerebro-computadora BCI (del inglés, Brain Computer Interface), es un sistema que establece comunicación directa entre el cerebro y un ordenador registrando la actividad eléctrica del cerebro. Se hace uso de potenciales evocados visuales en estado estacionario SSVEP (del inglés, Steady State Visual-Evoked). Los datos obtenidos a partir de las señales EEG con respecto a la estimulación visual son filtrados y usados para entrenar un modelo de inteligencia artificial, que identifica y clasifica la intención de actividad del usuario, responsable de emitir comandos de control. La detección de la actividad neuronal cerebral se realiza a través de OpenBCI, haciendo uso del protocolo SSVEP, las señales son almacenadas y posteriormente procesadas en lenguaje de programación interpretado Python. Para la adquisición de las señales EEG se instrumenta el usuario ubicando electrodos y el sistema OpenBCI, se determina la impedancia de los electrodos y se verifica que se encuentran en la magnitud requerida. Se registran en 3 canales ubicados en la región occipital: PO3, PO4 y OZ con una frecuencia de muestreo de 250 Hz y con un filtro Notch para normalizar picos de respuesta que cambian con la impedancia. Los estímulos visuales se generan mediante una aplicación utilizando el Toolbox Psychtoolbox-3, que se ejecuta en el entorno de Matlab, donde posteriormente el procesamiento de las señales EEG y la identificación del comando se realiza mediante el método de banco de filtros. El proyecto ya finalizado valida lo realizado en un entorno virtual en Unity 3D que simula un apartamento con el mobiliario donde se encuentra una silla de ruedas para que pueda ser guiada por el usuario a través de la clasificación de las señales EEG utilizando la estrategia mental SSVEP y el uso del sistema OpenBCI, como se observa más adelante en donde el usuario al ver en una pantalla el estímulo al que se le direccione la silla de ruedas se moverá en esa dirección, cabe aclarar que el sistema por cuestión de alguna interferencia en la toma de las señales puede identificar el movimiento hacia otro lado, como puede ser que se haga con un estímulo hacia la izquierda y lo puede tomar aleatoriamente hacia arriba, abajo o derecha, todo esto debido a los errores que se puedan tener al momento de tomar la señal del sujeto, pero en general se puede decir que a pesar de que la interfaz puede arrojar ciertos errores tiene un porcentaje de aciertos por encima del rango que se considera adecuado siendo así de manera correcta la implementación de la interfaz.spaAcceso abiertoInterfaz cerebro computadorSilla de ruedas virtualInteligencia Artificial56.23 R621iTrabajo de grado (Pregrado y/o Especialización)Brain Computer InterfaceVirtual WheelchairArtificial Intelligenceinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2(4) (PDF) Evaluación de la carga de trabajo cognitiva basada en EEG para una máxima eficiencia. (n.d.). Retrieved April 15, 2023, from https://www.researchgate.net/publication/286371237_EEG_Based_Cognitive_Workload_A ssessment_for_Maximum_Efficiency/figures?lo=1Acharya, J. N., Hani, A., Cheek, J., Thirumala, P., & Tsuchida, T. N. (2016). American Clinical Neurophysiology Society Guideline 2: Guidelines for Standard Electrode Position Nomenclature. Journal of Clinical Neurophysiology : Official Publication of the American Electroencephalographic Society, 33(4), 308–311. https://doi.org/10.1097/WNP.0000000000000316Albanese, A., Bhatia, K., Bressman, S. B., Delong, M. R., Fahn, S., Fung, V. S. C., Hallett, M., Jankovic, J., Jinnah, H. A., Klein, C., Lang, A. E., Mink, J. W., & Teller, J. K. (2013). Phenomenology and classification of dystonia: A consensus update. Movement Disorders, 28(7), 863–873. https://doi.org/10.1002/MDS.25475Alexander, J., & Guerrero, R. (n.d.). Simulador para el guiado de una silla de ruedas virtual en Unity 3D a través de señales EMG mediante el brazalete gForceANALISIS DE SEÑALES TRIFASICAS MEDIANTE LENGUAJE LABVIEW | Guías, Proyectos, Investigaciones de Centrales Eléctricas | Docsity. (n.d.). Retrieved June 3, 2023, from https://www.docsity.com/es/analisis-de-senales-trifasicas-mediante-lenguajelabview/5419338/Barrett, & E., K. (2013). Ganong fisiología médica (24a. ed.). 752. https://books.google.com/books/about/Ganong_fisiolog%C3%ADa_m%C3%A9dica_24a_e d.html?hl=es&id=mDuEBgAAQBAJBlanco-Díaz, C. F., & Ruiz-Olaya, A. F. (2020a). Caracterización de señales de EEG relacionadas a potenciales evocados visuales en estado estacionario. Revista Ontare, 7, 11– 26. https://doi.org/10.21158/23823399.V7.N0.2019.2459Blanco-Díaz, C. F., & Ruiz-Olaya, A. F. (2020b). Caracterización de señales de EEG relacionadas a potenciales evocados visuales en estado estacionario. Revista Ontare, 7. https://doi.org/10.21158/23823399.v7.n0.2019.2459Brain Computer Interfaces: il cervello che si mette in moto. (n.d.). Retrieved May 8, 2023, from https://www.ingegneriabiomedica.org/news/biotech-support/brain-computer-interfacescervello-si-mette-moto/Cabañero Gómez, L. (2017). Análisis de señales de electroencefalografía (EEG) para evaluar actividad cognitiva durante el uso de videojuegos.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/