Análisis de Algoritmos para Detección de Pedaleo en Interfaces Cerebro-Máquina

M. Ortiz; M. Rodríguez-Ugarte; E. Iáñez; J.M. Azorín

doi:10.4995/riai.2018.9861

Autores/as

M. Ortiz Universidad Miguel Hernández https://orcid.org/0000-0002-4269-1554
M. Rodríguez-Ugarte Universidad Miguel Hernández https://orcid.org/0000-0001-5851-4897
E. Iáñez Universidad Miguel Hernández https://orcid.org/0000-0001-8057-5952
J.M. Azorín Universidad Miguel Hernández de Elche https://orcid.org/0000-0001-5548-9657

DOI:

https://doi.org/10.4995/riai.2018.9861

Palabras clave:

Análisis y tratamiento de señales, (De)sincronización relacionada a eventos, Intención motora, Interfaces Cerebro-Máquina, Máquinas de soporte vectorial, Offline, Rehabilitación, Transformada de Fourier, Transformada de Hilbert-Huang, Transformada de Stoc

Resumen

El uso de interfaces cerebro-máquina en personas que han sufrido un accidente cerebro-vascular puede ayudar en su proceso de rehabilitación mediante la implicación cognitiva del paciente. Dichas interfaces traducen las ondas cerebrales en comandos con el fin de controlar un dispositivo mecánico de movimiento asistido. No obstante, el control de estos dispositivos debería ser más robusto y tener una alta precisión. Este trabajo estudia si algoritmos basados en transformadas como las de Stockwell o Hilbert-Huang pueden mejorar el control de estos dispositivos aumentando su precisión, y si es recomendable llevar a cabo una personalización por sujeto y configuración de electrodos. Mediante el análisis de cinco voluntarios se comprueba además, que no es posible detectar con suficiente robustez la intención motora a partir de la desincronización/sincronización relacionada a eventos motores con únicamente los datos previos al movimiento. Por ello, es preciso extender el tiempo de análisis a los dos segundos posteriores al inicio del movimiento.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

M. Ortiz, Universidad Miguel Hernández

Título de Ingeniero Industrial en 2002, y título de Doctor en 2016 por la Universidad Politécnica de Cartagena (España). Actualmente, es profesor contratado doctor en el departamento de Ingeniería Mecánica y Energía de la Universidad Miguel Hernández de Elche y miembro investigador del Brain-Machine Interface Systems Lab también sito en la Universidad Miguel Hernánde de Elche (España).

M. Rodríguez-Ugarte, Universidad Miguel Hernández

Investigadora científica en el Laboratorio de Sistemas de Interfaz Cerebro-Máquina en la Universidad Miguel Hernández de Elche (España). Tiene un M.Sc en Ingeniería Biomédica del Imperial College de Londres en 2013. Ahora está haciendo un Ph.D. sobre Tecnologías Industriales y de Telecomunicación.

E. Iáñez, Universidad Miguel Hernández

Pertenece al grupo de investigación Brain-Machine Interface Systems Lab y es profesor Ayudante Doctor en la Univerisdad Miguel Hernández de Elche. Obtuvo su doctorado en Tecnologías Industriales y de Telecomunicación en 2012 y su título en Ingeniero de Telecomunicaciones en 2007, ambos en la Universidad Miguel Hernández de Elche
Sus actuales intereses se centran en las Interfaces Cerebro-Computador (BCI), en las interfaces multimodales (integrando información cerebral, ocular y háptica) así como en nuevas técnicas de tDCS.

J.M. Azorín, Universidad Miguel Hernández de Elche

Catedrático de Universidad del Área de Ingeniería de Sistemas y Automática y Director del Brain-Machine Interface Systems Lab de la Universidad Miguel Hernández de Elche. Ha sido profesor visitante en la Universidad de Houston (EEUU) y en el Imperial College London (Reino Unido). Su investigación se centra en las interfaces cerebro-máquina, la neuro-robótica y la robótica de rehabilitación, y ha sido financiada por diferentes agencias nacionales e internacionales, siendo investigador principal de más de 10 proyectos de investigación. Fruto de su labor investigadora, ha publicado más de 150 artículos en revistas y congresos. Actualmente, es ponente distinguido del IEEE Systems Council.

Citas

Amzica, F., Steriade, M., 1998. Electrophysiological correlates of sleep delta waves. Electroencephalography and clinical neurophysiology 107 (2), 69–83. https://doi.org/10.1016/s0013-4694(98)00051-0

Ang, K. K., Guan, C., 2013. Brain-computer interface in stroke rehabilitation. Journal of Computing Science and Engineering 7 (2), 139–146.

Go, A. S., Moza_arian, D., Roger, V. L., Benjamin, E. J., Berry, J. D., Blaha, M. J., Dai, S., Ford, E. S., Fox, C. S., Franco, S., et al., 2014. Executive summary: heart disease and stroke statistics–2014 update: a report from the american heart association. Circulation 129 (3), 399.

Hahn, S. L., 1996. Hilbert transforms in signal processing. Vol. 2. Artech House Boston.

He, Y., Eguren, D., Azorín, J. M., Grossman, R. G., Phat Luu, T., apr 2018. Brain-machine interfaces for controlling lower-limb powered robotic systems. Journal of Neural Engineering 15 (2), 021004. https://doi.org/10.1088/1741-2552/aaa8c0

Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N.-C., Tung, C. C., Liu, H. H., 1998. The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences 454 (1971), 903–995. https://doi.org/10.1098/rspa.1998.0193

Kilicarslan, A., Grossman, R. G., Contreras-Vidal, J. L., apr 2016. A robust adaptive denoising framework for real-time artifact removal in scalp EEG measurements. Journal of Neural Engineering 13 (2), 026013. https://doi.org/10.1088/1741-2560/13/2/026013

Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L., jul 2013. High accuracy decoding of user intentions using EEG to control a lowerbody exoskeleton. In: Conference proceedings : Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. Vol. 2013. IEEE, pp. 5606–5609. URL http://ieeexplore.ieee.org/document/6610821/ https://doi.org/10.1109/embc.2013.6610821

Kwak, N.-S., Müller, K.-R., Lee, S.-W., oct 2015. A lower limb exoskeleton control system based on steady state visual evoked potentials. Journal of Neural Engineering 12 (5), 056009. URL http://stacks.iop.org/1741-2552/12/i=5/a=056009?key=crossref.d574e38494295e53b491abb83540a57c , https://doi.org/10.1088/1741-2560/12/5/056009

Lopez-Gordo, M. A., Pelayo, F., Prieto, A., Fernandez, E., jun 2012. An Auditory Brain-Computer Interface with Accuracy Prediction. International Journal of Neural Systems 22 (03), 1250009. URL http://www.worldscientific.com/doi/abs/10.1142/S0129065712500098 , https://doi.org/10.1142/s0129065712500098

López-Larraz, E., Trincado-Alonso, F., Rajasekaran, V., Pérez-Nombela, S., Del-Ama, A. J., Aranda, J., Minguez, J., Gil-Agudo, A., Montesano, L.,aug 2016. Control of an ambulatory exoskeleton with a brain-machine interface for spinal cord injury gait rehabilitation. Frontiers in Neuroscience 10 (AUG), 359. URL http://journal.frontiersin.org/Article/10.3389/fnins.2016.00359/abstract , https://doi.org/10.3389/fnins.2016.00359

Ludwig, K. A., Miriani, R. M., Langhals, N. B., Joseph, M. D., Anderson, D. J., Kipke, D. R., 2009. Using a common average reference to improve cortical neuron recordings from microelectrode arrays. Journal of neurophysiology 101 (3), 1679–1689. https://doi.org/10.1152/jn.90989.2008

Nam, C. S., Jeon, Y., Kim, Y.-J., Lee, I., Park, K., 2011. Movement imagery related lateralization of event-related (de)synchronization (ERD/ERS): motor-imagery duration e_ects. Clinical Neurophysiology 122 (3), 567–577. https://doi.org/10.1016/j.clinph.2010.08.002

Pfurtscheller, G., Brunner, C., Schl¨ogl, A., Da Silva, F. L., 2006. Mu rhythm (de)synchronization and EEG single-trial classification of different motor imagery tasks. Neuroimage 31 (1), 153–159. https://doi.org/10.1016/j.neuroimage.2005.12.003

Planelles, D., Hortal, E., Costa, Á., Úbeda, A., Iáñez, E., Azorín, J. M., 2014. Evaluating classifiers to detect arm movement intention from EEG signals. Sensors 14 (10), 18172–18186. https://doi.org/10.3390/s141018172

Ramos-Murguialday, A., Broetz, D., Rea,M., Laër, L., Yilmaz, Ö., Brasil, F. L., Liberati, G., Curado, M. R., Garcia-Cossio, E., Vyziotis, A., et al., 2013. Brain–machine interface in chronic stroke rehabilitation: a controlled study. Annals of Neurology 74 (1), 100–108. https://doi.org/10.1002/ana.23879

Rao, R. P., 2013. Brain-computer interfacing: an introduction. Cambridge University Press.

Rilling, G., Flandrin, P., 2008. One or two frequencies? The empirical mode decomposition answers. IEEE transactions on signal processing 56 (1), 85–95. https://doi.org/10.1109/tsp.2007.906771

Rodríguez-Ugarte, M., Iáñez, E., Ortiz, M., Azorín, J. M., jul 2017. Personalized Offine and Pseudo-Online BCI Models to Detect Pedaling Intent. Frontiers in Neuroinformatics 11, 45. URL http://journal.frontiersin.org/article/10.3389/fninf.2017.00045/full , https://doi.org/10.3389/fninf.2017.00045

Shibasaki, H., Hallett, M., nov 2006. What is the Bereitschaftspotential? Clinical Neurophysiology 117 (11), 2341–2356. URL https://www.sciencedirect.com/science/article/pii/S138824570600229X?via{%}3Dihub , https://doi.org/10.1016/j.clinph.2006.04.025

Steinwart, I., Christmann, A., 2008. Support vector machines. Springer Science & Business Media.

Steriade, M., 2005. Cellular substrates of brain rhythms. Vol. 5. Lippincott Williams and Wilkins, Philadelphia, PA.

Stockwell, R. G., Mansinha, L., Lowe, R. P., Apr 1996. Localization of the complex spectrum: the s transform. IEEE Transactions on Signal Processing 44 (4), 998–1001. https://doi.org/10.1109/78.492555

Toffanin, P., Johnson, A., De Jong, R., Martens, S., 2007. Rethinking neural effciency: effects of controlling for strategy use. Behavioral neuroscience 121 (5), 854. https://doi.org/10.1037/0735-7044.121.5.854

Veneman, J. F., Kruidhof, R., Hekman, E. E., Ekkelenkamp, R., Van Asseldonk, E. H., Van Der Kooij, H., 2007. Design and evaluation of the lopes exoskeleton robot for interactive gait rehabilitation. IEEE Transactions on Neural Systems and Rehabilitation Engineering 15 (3), 379–386. https://doi.org/10.1109/tnsre.2007.903919

Yin, E., Zeyl, T., Saab, R., Hu, D., Zhou, Z., Chau, T., feb 2016. An Auditory-Tactile Visual Saccade-Independent P300 Brain?Computer Interface. International Journal of Neural Systems 26 (01), 1650001. URL http://www.worldscientific.com/doi/abs/10.1142/S0129065716500015 , https://doi.org/10.1142/s0129065716500015

Zhang, Y., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L., apr 2017. Multiple kernel based region importance learning for neural classification of gait states from EEG signals. Frontiers in Neuroscience 11 (APR), 170. URL http://journal.frontiersin.org/article/10.3389/fnins.2017.00170/full , https://doi.org/10.3389/fnins.2017.00170