Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Jutnico Alarcon, Andrés LeonardoMoreno Arévalo, Brayan Sneider2022-05-192022-05-192021-11-25http://repositorio.uan.edu.co/handle/123456789/6579The analysis of motor imagination and execution (MI-ME) is one of the main research challenges in the field of brain-computer interfaces (BCI) based on electroencephalography (EEG). EEG signals play an important role in the learning, rehabilitation, and assistance of complex motor skills. However, this type of signal presents a highly non-stationary nature and noise. Electroencephalography signals proper of sensory-motor activity, corresponding to execution defects and motor imagination, were analyzed. The present research aims to determine the differences that exist between motor imagination and motor execution from a proof of concept, in the movements of sitting and standing. A comparative study was carried out between a method based on desynchronization / synchronization (ERDs) and a new method based on autoregressive moving average models with exogenous input (ARMAX). In this research, the normalized root mean square error (NRMSE), the mean square error (RMSE) and the mean absolute error (MAE) are used as evaluation metrics, in addition to the classification percentages. The results found show that it is possible to estimate and classify the movements of standing and sitting for the tasks of execution and motor imagination from channels C3, Cz and C4 with a high % of precision. It is expected, in the long term, to contribute to improve the quality of life of people with motor functional diversity.El análisis de la imaginación y ejecución motora (MI-ME) es uno de los principales desafíos investigativos en el campo de las interfaces cerebro-computadora (BCI) basados en electroencefalografía (EEG). Las señales EEG juegan un papel importante en el aprendizaje, la rehabilitación y la asistencia de habilidades motoras complejas. Sin embargo, este tipo de señales presenta una naturaleza altamente no estacionaria y con elementos de ruido desconocido. Se analizaron las señales de electroencefalografía propias a la actividad sensorio-motora, correspondientes a las taras de ejecución e imaginación motora. El presente trabajo tiene como objetivo determinar las diferencias que existen entre la imaginaci´on motora y la ejecución motora a partir de una prueba de concepto, en los movimientos de ponerse de pie y sentarse. Se realizo un estudio comparativo entre un método basado en la desincronización / sincronización (ERDs) y un nuevo método basado en los modelos autorregresivos de media m´ovilcon entrada ex´ogena (ARMAX). En esta investigación son usadas como métricas de evaluación la Raíz normalizada del error cuadrático medio (NRMSE), el Error Cuadrático Medio (RMSE) y el Error absoluto medio (MAE), ademas de los porcentajes de clasificación. Los resultados encontrados muestran que es posible estimar y clasificar los movimientos ponerse de pie y sentarse para las tareas de ejecución e imaginación motora a partir de los canales C3, Cz y C4 con un alto % de precisión. Se espera, a largo plazo aportar para mejorar la calidad de vida de personas con diversidad funcional motora.spaAcceso abiertoImaginación motoraEjecución motoraInterfaces cerebro-computadoraElectroencefalografíaRehabilitaciónHabilidades motoras-complejasPonerse de pie y sentarse620Trabajo de grado (Pregrado y/o Especialización)Motor ImaginationMotor ExecutionBrain-Computer InterfacesElectroencephalographyRehabilitationComplex Motor SkillsSit to Standinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Javier de la Torre Abaitua. Procesado de se˜nales eeg para un interfaz cerebro-m´aquina (bci). Master’s thesis, 2012.Leonardo Jos´e G´omez Figueroa. An´alisis de se˜nales EEG para detecci´on de eventos oculares, musculares y cognitivos. PhD thesis, Industriales, 2016.Mikel P´erez Frutos. Adquisici´on y tratamiento de se˜nales eeg: caso de aplicaci´on en java. 2019.MATLAB. 9.9.0.1718557 (R2020b). The MathWorks Inc., Natick, Massachusetts, 2020.Dong Liu, Weihai Chen, Kyuhwa Lee, Ricardo Chavarriaga, Fumiaki Iwane, Mohamed Bouri, Zhongcai Pei, and Jos´e del R Mill´an. Eeg-based lower-limb movement onset decoding: Continuous classification and asynchronous detection. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(8):1626–1635, 2018.Suman Dutta, Mandeep Singh, and Amod Kumar. Automated classification of nonmotor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain. Biomedical Signal Processing and Control, 43:174–182, 2018.Andrea Noelia Berm´udez Cicchino. T´ecnicas de procesamiento de EEG para detecci´on de eventos. PhD thesis, Universidad Nacional de La Plata, 2013Teng Ma, Hui Li, Lili Deng, Hao Yang, Xulin Lv, Peiyang Li, Fali Li, Rui Zhang, Tiejun Liu, Dezhong Yao, et al. The hybrid bci system for movement control by combining motor imagery and moving onset visual evoked potential. Journal of neural engineering, 14(2):026015, 2017.Laxmi Shaw, G Chanakya Vamsi, and Aurobinda Routray. Study of Kalman filter based noise estimation in artifactual EEG and their quantification. pages 1–5, 2017.H. Shahabi, S. Moghimi, and H. Zamiri-Jafarian. EEG eye blink artifact removal by EOG modeling and Kalman filter. In 2012 5th International Conference on BioMedical Engineering and Informatics, pages 496–500, 2012.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/