Análisis longitudinal de sistemas Brain-Computer Interface (BCI) no invasivos basados en potenciales evocados modulados por código (c-VEP) con electrodos secos y húmedos

UNIVERSIDAD)DE)VALLADOLID E.T.S.I.&TELECOMUNICACIO* N+ TRABAJO(FIN(DE(GRADO GRADO+EN+INGENIERI*A+DE+TECNOLOGI*AS+DE+TELECOMUNICACIO* N+ Análisis'longitudinal'de'sistemas'Brain-Computer' Interface'(BCI)'no'invasivos'basados'en' potenciales'evocados'modulados'por'código''''''' (c-VEP)'con'electrodos'secos'y'húmedos' Autora: Dña.%Lucía%Alonso-Miñón%Muñoz Tutores:+ Dr.%D.%Víctor%Martínez%Cagigal% Dr.%D.%Roberto%Hornero%Sánchez% % Valladolid,+18+de+septiembre+de+2024+ + + + + TI"TULO:+++ +Análisis% longitudinal% de% sistemas% Brain-Computer% Interface%(BCI)%no%invasivos%basados%en%potenciales% evocados% modulados% por% código% (c-VEP)% con% electrodos%secos%y%húmedos' + AUTOR:++ + Dña.%Lucía%Alonso-Miñón%Muñoz' + TUTORES:+++ + Dr.%D.%Víctor%Martínez%Cagigal% Dr.%D%Roberto%Hornero%Sánchez%% + DEPARTAMENTO:++Teoría% de% la% Señal% y% Comunicaciones% e% Ingeniería% Telemática% + % % TRIBUNAL( PRESIDENTE:+++ Dr.%D.%Roberto%Hornero%Sánchez( VOCAL:+++ + Dr.%D.%Jesús%Poza%Crespo+ SECRETARIO:111 Dr.%D.%Javier%Gómez%Pilar1 SUPLENTE11:11 1 Dra.%Dña.%María%García%Gadañón1 SUPLENTE12:11 1 Dr.%D.%Carlos%Gómez%Peña% % FECHA:+% CALIFICACIO" N:++ Resumen El electroencefalograma (EEG) es una herramienta fundamental en el campo de la neurofisiología, utilizada principalmente para registrar la actividad eléctrica del cerebro. Su historia se remonta a principios del siglo XX cuando Hans Berger, un psiquiatra alemán, realizó las primeras mediciones exitosas de las ondas cerebrales, descubriendo que las señales eléctricas podían ser detectadas a través del cuero cabelludo y registradas a través del mismo mediante el uso de electrodos. El EEG se utiliza en la práctica clínica para diagnosticar diversas patologías como la epilepsia, el coma, trastornos del sueño, migrañas, accidentes isquémicos cerebrales, entre otros. Gracias a los avances en la investigación y al desarrollo de nuevos dispositivos, las aplicaciones del EEG se han extendido más allá del ámbito clínico, incorporándose a la vida cotidiana mediante el uso de dispositivos como ordenadores y sistemas de interfaz cerebro-ordenador (BCI). En este Trabajo de Fin de Grado, se ha llevado a cabo un estudio exhaustivo sobre la precisión y la tasa de transferencia de información (ITR) utilizando un speller BCI basado en c-VEP y tres configuraciones diferentes de equipos de electroencefalografía: electrodos secos con el equipo Enobio (Neuroelectrics), electrodos húmedos con el equipo Enobio (Neuroelectrics) y electrodos húmedos con el equipo g.USBamp (g.Tec). Se han realizado experimentos con ocho sujetos, y se ha evaluado la precisión en la selección de comandos y la ITR en diferentes sesiones. Los resultados muestran que los electrodos húmedos ofrecen una mayor precisión y una mejor ITR en comparación con los electrodos secos. Además, se observaron variaciones individuales en la respuesta de los sujetos, lo que indica la influencia de factores fisiológicos y anatómicos en la captación de señales EEG. El estudio se ha llevado a cabo a lo largo de un período prolongado, con cuatro sesiones espaciadas en intervalos de un mes. Los resultados de este estudio longitudinal han mostrado una mejora continua en los parámetros analizados (ITR, precisión), subrayando la importancia de la evaluación a largo plazo de los sistemas BCI. Se demostró que los sujetos podían mantener el control del sistema incluso después de un tiempo prolongado, con una precisión media de 95.70% para los electrodos activos húmedos y de 65.23% para los pasivos en la sesión realizada tras un mes desde la calibración, lo que es esencial para la viabilidad práctica de los sistemas BCI. Palabras clave Brain-Computer Interface, electroencefalograma (EEG), potencial evocado visual (VEP), potenciales evocados visuales modulados por código (c-VEP), procesado de señal. Abstract The electroencephalogram (EEG) is a fundamental tool in the field of neurophysiology, primarily used to record the brain's electrical activity. Its history dates back to the early 20th century when Hans Berger, a German psychiatrist, made the first successful measurements of brain waves, discovering that electrical signals could be detected through the scalp and recorded using electrodes. EEG is used in clinical practice to diagnose various pathologies such as epilepsy, coma, sleep disorders, migraines, ischemic strokes, among others. Thanks to advances in research and the development of new devices, EEG applications have extended beyond the clinical setting, becoming part of daily life through the use of devices like computers and brain-computer interface (BCI) systems. In this Bachelor's Thesis, a comprehensive study on accuracy and information transfer rate (ITR) was conducted using a c-VEP-based BCI speller and three different electroencephalography equipment configurations: dry electrodes with the Enobio system (Neuroelectrics), wet electrodes with the Enobio system (Neuroelectrics), and wet electrodes with the g.USBamp system (g.Tec). Experiments were conducted with eight subjects, and accuracy in command selection and ITR were evaluated across different sessions. The results show that wet electrodes provide higher accuracy and better ITR compared to dry electrodes. Additionally, individual variations in subject responses were observed, indicating the influence of physiological and anatomical factors on EEG signal acquisition. The study was conducted over an extended period, with four sessions spaced at onemonth intervals. The results of this longitudinal study showed continuous improvement in the analyzed parameters (ITR, accuracy), highlighting the importance of long-term evaluation of BCI systems. It was demonstrated that subjects could maintain control of the system even after a prolonged period, with an average accuracy of 95.70% for the active wet electrodes and 65.23% for the passive ones in the session conducted one month after calibration, which is essential for the practical viability of BCI systems. Keywords Brain-Computer Interface (BCI), electroencephalogram (EEG), visual evoked potential (VEP), code-modulated visual evoked potentials (c-VEP), signal processing. Agradecimientos En primer lugar, quiero expresar mi más sincero agradecimiento a Roberto Hornero Sánchez por brindarme la oportunidad de participar en el grupo de investigación de Ingeniería Biomédica, por abrirme las puertas de este mundo y enseñarme a lo que quiero dedicarme en un futuro. A Víctor Martínez, por su orientación, paciencia y consejos en todo momento. A mis padres y hermanos, ya que sin su apoyo incondicional, amor y comprensión este logro no habría sido posible. Finalmente, a todas las personas que han estado siempre conmigo y me han acompañado durante este camino. Gracias por creer en mí y por animarme a seguir adelante incluso en los momentos más difíciles. Figura 2-18. Densidad espectral de potencia 32 Figura 2-19. Flujo de procesamiento de referencia para BCIs basados en c-VEP. La etapa de calibración se enfoca en calcular las planVllas para cada comando según sus retrasos. Durante las sesiones en línea, la fase de prueba proyecta las épocas de los ensayos y determina el comando seleccionado mediante un análisis de correlación. 34 Figura 2-20. Montaje del experimento. 35 Figura 2-21. Arquitectura del sistema BCI. En primer lugar, adquisición de la señal de los dos jugadores, después, etapa de procesamiento de las señales de EEG, y, por úlVmo, aplicación del videojuego. 36 CAPÍTULO 3. ESTADO DE LA TÉCNICA Figura 3-1. Módulos interconectados de los que constaba el estudio. 38 Figura 3-2. Ruta predefinida para la sesión de navegación en línea. Los sujetos debían conducir el coche siguiendo la ruta de la línea negra hasta la x negra, y después llegar a la x roja. 39 Figura 3-3. Matriz de 32 caracteres uVlizada en el estudio de M.Spüler [28]. 40 Figura 3-4. Forma de onda media de c-VEP del electrodo individual donde el c-VEP era más intenso. La media de los sujetos se muestra con línea negra, y sujetos individuales en líneas de color. A: sujetos con rendimiento más alto. B: sujetos con rendimiento más bajo. 41 Figura 3-5. Matriz de comandos uVlizada en el estudio. 42 Figura 3-6. Resultados de precision e ITR en el estudio offline a lo largo de las dos sesiones. 43 CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI Figura 4-1. Sujeto S2 con equipo Enobio 8 de Neuroelectrics. 47 Figura 4-2. Electrodos secos (izquierda) y electrodos húmedos (derecha) uVlizados en el estudio con el equipo Enobio 8. 48 Figura 4-3. Interfaz de la plataforma NIC. 48 Figura 4-4. A la izquierda, equipo g.USBamp , a la derecha Electro-Gel de Bionic y pinza de referencia. 49 Figura 4-5.!Visión general de la plataforma MEDUSA©. Las señales EEG, ECG y EMG se adquieren mediante el protocolo LSL y se visualizan en Vempo real o en aplicaciones BCI. En este ejemplo, se representa una aplicación con el paradigma de fila-columna (RCP), y el Kernel se uVliza para procesar señales y detectar ERP en Vempo real. 51 Figura 4-6. Interfaz principal de la plataforma MEDUSA©. 51 Figura 4-7. Matriz de comandos de la aplicación c-VEP Keyboard presentada a los sujetos. 52 Figura 4-8. Pestañas de configuración de parámetros y botones de acción de la aplicación c-VEP Keyboard. 52 Figura 4-9. Pestaña “Run serngs” de la aplicación c-VEP Keyboard para la configuración de parámetros. 53 Figura 4-10. Pestaña “Timings” de la aplicación c-VEP Keyboard para la configuración de parámetros. 55 Figura 4-11. Pestaña “Colors” de la aplicación c-VEP Keyboard para la configuración de parámetros. 56 Figura 4-12. Pestaña “Encoding and matrix” de la aplicación c-VEP Keyboard para la configuración de parámetros. 57 Figura 4-13. Configuración de codificación y correlación en la aplicación c-VEP Keyboard. 58 Figura 4-14. Pestaña “Train model” de la aplicación c-VEP Keyboard para la configuración de parámetros. 60 CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN Figura 5-1. Posición de los electrodos para adquirir la señal de EEG. 63 Figura 5-2. Tiempos de iluminación para los 5 trials de un train. 64 Figura 5-3. Iluminación de la letra P durante la fase de entrenamiento. 64 Figura 5-4. Tiempos de iluminación para la selección de un comando en la fase de test. 65 CAPÍTULO 6. RESULTADOS Figura 6-1. Template canal Oz del Sujeto 1 con electrodos pasivos secos. 71 Figura 6-2. Template canal Oz del Sujeto 1 con electrodos pasivos húmedos. 72 Figura 6-3. Template canal Oz del Sujeto 1 con electrodos acVvos húmedos de g.USBamp. 73 Figura 6-4. Template canal Oz del Sujeto 2 con electrodos pasivos secos. 74 Figura 6-5. Template canal Oz del Sujeto 2 con electrodos pasivos húmedos. 75 Figura 6-6. Template canal Oz del Sujeto 2 con electrodos acVvos húmedos de g.USBamp. 76 Figura 6-7. Template canal Oz del Sujeto 3 con electrodos pasivos secos. 77 Figura 6-8. Template canal Oz del Sujeto 3 con electrodos pasivos húmedos. 78 Figura 6-9. Template canal Oz del Sujeto 3 con electrodos acVvos húmedos de g.USBamp . 79 Figura 6-10. Template canal Oz del Sujeto 4 con electrodos pasivos secos. 80 Figura 6-11. Template canal Oz del Sujeto 4 con electrodos pasivos húmedos. 81 Figura 6-12. Template canal Oz del Sujeto 4 con electrodos acVvos húmedos de g.USBamp. 82 Figura 6-13. Template canal Oz del Sujeto 5 con electrodos pasivos secos. 83 Figura 6-14. Template canal Oz del Sujeto 5 con electrodos pasivos húmedos. 84 Figura 6-15. Template canal Oz del Sujeto 5 con electrodos acVvos húmedos de g.USBamp. 85 Figura 6-16. Template canal Oz del Sujeto 6 con electrodos pasivos secos. 86 Figura 6-17. Template canal Oz del Sujeto 6 con electrodos pasivos húmedos. 87 Figura 6-18. Template canal Oz del Sujeto 6 con electrodos acVvos húmedos de g.USBamp. 88 Figura 6-19. Template canal Oz del Sujeto 7 con electrodos pasivos secos. 89 Figura 6-20. Template canal Oz del Sujeto 7 con electrodos pasivos húmedos. 91 Figura 6-21. Template canal Oz del Sujeto 7 con electrodos acVvos húmedos de g.USBamp. 92 Figura 6-22. Template canal Oz del Sujeto 8 con electrodos pasivos secos. 93 Figura 6-23. Template canal Oz del Sujeto 8 con electrodos pasivos húmedos. 94 Figura 6-24. Template canal Oz del Sujeto 8 con electrodos acVvos húmedos de g.USBamp. 95 Figura 6-25. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 1. 96 Figura 6-26. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 1. 96 Figura 6-27. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 2. 97 Figura 6-28. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 2. 97 Figura 6-29. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 3. 98 Figura 6-30. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 3. 98 Figura 6-31. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 4. 99 Figura 6-32 Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 4. 99 Figura 6-33. Templates del canal Oz de todos los sujetos y promedio de todas ellas con electrodos pasivos secos. 100 Figura 6-34. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 1. 101 Figura 6-35. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 1. 101 Figura 6-36. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 2. 102 Figura 6-37. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 2. 102 Figura 6-38. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 3. 103 Figura 6-39. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 3. 103 Figura 6-40. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 4. 104 Figura 6-41. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos húmedos en la sesión 4. 104 Figura 6-42. Templates del canal Oz de todos los sujetos y promedio de todas ellas con electrodos pasivos húmedos. 105 Figura 6-43. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos acVvos húmedos de g.USBamp. 106 Figura 6-44. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos acVvos húmedos de g.USBamp. 106 Figura 6-45. Templates del canal Oz de todos los sujetos y promedio de todas ellas con electrodos acVvos húmedos de g.USBamp. 107 CAPÍTULO 7. DISCUSIÓN DE RESULTADOS Figura 7-1. Templates de todos los canales del Sujeto 4 con electrodos secos. 114 Figura 7-2. Templates de todos los canales del Sujeto 4 con electrodos húmedos. 115 Figura 7-3. Templates de todos los canales del Sujeto 4 con g.USBamp. 115 ÍNDICE DE TABLAS CAPÍTULO 2. MARCO TEÓRICO Tabla 2-1. Resumen de las señales de control vistas 21 Tabla 2-2. Ventajas de los sistemas BCI exógenos y endógenos. 21 Tabla 2-3. Métodos de extracción de caracterísVcas usados en BCI 25 Tabla 2-4. Clasificadores de traducción de caracterísVcas en sistemas BCI 26 CAPÍTULO 3. ESTADO DE LA TÉCNICA Tabla 3-1. ComparaVvas de estudios anteriores 41 Tabla 3-2. Resultados en línea del estudio 43 Tabla 3-3. Resultados del estudio 44 CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN Tabla 5-1. Datos de los parVcipantes del estudio 62 CAPÍTULO 6. RESULTADOS Tabla 6-1. Tiempos de selección por comando para realizar análisis offline 70 Tabla 6-2. Resultados de precisión e ITR para el sujeto 1 con electrodos secos variando el número de ciclos 71 Tabla 6-3. Resultados de precisión e ITR para el sujeto 1 con electrodos húmedos variando el número de ciclos 72 Tabla 6-4. Resultados de precisión e ITR para el sujeto 1 con g.USBamp variando el número de ciclos 73 Tabla 6-5. Resultados de precisión e ITR para el sujeto 2 con electrodos secos variando el número de ciclos 74 Tabla 6-6. Resultados de precisión e ITR para el sujeto 2 con electrodos húmedos variando el número de ciclos 75 Tabla 6-7. Resultados de precisión e ITR para el sujeto 2 con g.USBamp variando el número de ciclos 76 Tabla 6-8. Resultados de precisión e ITR para el sujeto 3 con electrodos secos variando el número de ciclos 77 Tabla 6-9. Resultados de precisión e ITR para el sujeto 3 con electrodos húmedos variando el número de ciclos 78 Tabla 6-10. Resultados de precisión e ITR para el sujeto 3 con g.USBamp variando el número de ciclos 79 Tabla 6-11. Resultados de precisión e ITR para el sujeto 4 con electrodos secos variando el número de ciclos 80 Tabla 6-12. Resultados de precisión e ITR para el sujeto 4 con electrodos húmedos variando el número de ciclos 81 Tabla 6-13. Resultados de precisión e ITR para el sujeto 4 con G.USBamp variando el número de ciclos 82 Tabla 6-14. Resultados de precisión e ITR para el sujeto 5 con electrodos secos variando el número de ciclos 83 Tabla 6-15. Resultados de precisión e ITR para el sujeto 5 con electrodos húmedos variando el número de ciclos 84 Tabla 6-16. Resultados de precisión e ITR para el sujeto 5 con g.USBamp variando el número de ciclos 85 Tabla 6-17. Resultados de precisión e ITR para el sujeto 6 con electrodos secos variando el número de ciclos 86 Tabla 6-18. Resultados de precisión e ITR para el sujeto 6 con electrodos húmedos variando el número de ciclos 87 Tabla 6-19. Resultados de precisión e ITR para el sujeto 6 con g.USBamp variando el número de ciclos 88 Tabla 6-20. Resultados de precisión e ITR para el sujeto 7 con electrodos secos variando el número de ciclos 89 Tabla 6-21. Resultados de precisión e ITR para el sujeto 7 con electrodos húmedos variando el número de ciclos 90 Tabla 6-22. Resultados de precisión e ITR para el sujeto 7 con G.USBamp variando el número de ciclos 91 Tabla 6-23. Resultados de precisión e ITR para el sujeto 8 con electrodos secos variando el número de ciclos 92 Tabla 6-24. Resultados de precisión e ITR para el sujeto 8 con electrodos secos variando el número de ciclos 93 Tabla 6-25. Resultados de precisión e ITR para el sujeto 8 con g.USBamp variando el número de ciclos 95 Tabla 6-26. Precisión e ITR medias de todos los sujetos para la sesión 1 con electrodos secos 96 Tabla 6-27. Precisión e ITR medias de todos los sujetos para la sesión 2 con electrodos secos 97 Tabla 6-28. Precisión e ITR medias de todos los sujetos para la sesión 3 con electrodos secos 98 Tabla 6-29. Precisión e ITR medias de todos los sujetos para la sesión 4 con electrodos secos 99 Tabla 6-30. Precisión e ITR medias de todos los sujetos para la sesión 1 con electrodos húmedos 100 Tabla 6-31. Precisión e ITR medias de todos los sujetos para la sesión 2 con electrodos húmedos 102 Tabla 6-32. Precisión e ITR medias de todos los sujetos para la sesión 3 con electrodos húmedos 103 Tabla 6-33. Precisión e ITR medias de todos los sujetos para la sesión 4 con electrodos húmedos 104 Tabla 6-34. Resultados de precisión e ITR medias de todos los sujetos con g.USBamp variando el número de ciclos 105 Tabla 6-35. Resultados medios de cada sujeto y media final del cuesVonario de saVsfacción realizado después de cada sesión 108 Tabla 6-36. Resultados de cada sujeto y media del cuesVonario de saVsfacción final 108 CAPÍTULO 7. DISCUSIÓN DE RESULTADOS Tabla 7-1.Comparación de sistemas BCI basados en electrodos secos y húmedos 118 Tabla 7-2. Comparación de sistemas BCI basados en un estudio longitudinal 119 1 CAPÍTULO 1. INTRODUCCIÓN En este capítulo se presenta una introducción a la ingeniería biomédica. Se explora su evolución desde su enfoque inicial en el desarrollo de instrumentación médica hacia varias áreas. Se ofrece una visión general acerca de los dpos de señales biomédicas, y se profundiza en el electroencefalograma (EEG). A condnuación, se hace una breve introducción a los sistemas BCI. Finalmente, se concluye el capítulo con los objedvos del TFG, así como con la estructura del mismo. 1.1 Ingeniería biomédica La ingeniería biomédica aplica los principios de la ingeniería y los conceptos de diseño a la medicina y a la biología con la intención de mejorar la atención sanitaria general de la sociedad, especialmente la vida de las personas con discapacidades motoras [1]. En la actualidad, el campo de acción de la ingeniería biomédica se encuentra en constante crecimiento. A pardr de los años 50 y 60 pasó de dedicarse exclusivamente al desarrollo de instrumentación médica a abarcar un amplio conjunto de áreas profesionales. Algunas de estas áreas incluyen: • Creación de materiales para su uso en el organismo (biomateriales). • Análisis informádco de datos vinculados a los pacientes y la toma de decisiones clínicas (informádca médica e inteligencia ardficial). • Técnicas y aparatos udlizados para tratamientos y rehabilitación (ingeniería de rehabilitación), para diseñar soluciones tecnológicas que ayuden a las personas con discapacidad en áreas funcionales. • Instrumentación biomédica para desarrollar disposidvos udlizados en el diagnósdco y tratamiento de enfermedades, así como para la monitorización de señales fisiológicas. • Disposidvos que reemplazan o aumentan las funciones corporales (órganos ardficiales, prótesis o implantes). • Imagen médica. • Ingeniería celular, la cual se enfoca en la creación de nuevos productos biológicos mediante la manipulación y control de células. • Udlización de técnicas de procesamiento de señales de datos bioeléctricos para realizar interpretaciones diagnósdcas [2]. Por tanto, la ingeniería biomédica es una rama interdisciplinar de la ingeniería que abarca desde las empresas teóricas y no experimentales hasta las aplicaciones más avanzadas. Puede incluir la invesdgación, el desarrollo, la aplicación y el funcionamiento [2], y emplea conocimientos de diversas ramas de la ingeniería, como la química, eléctrica y mecánica, para abordar problemas relacionados con la biología y la salud. Tal es su alcance, que muchos de sus líderes se han incorporado a este campo, aun teniendo formación en otras ramas de la ingeniería [1]. CAPÍTULO 1. INTRODUCCIÓN 2 1.2 Tipos de señales biomédicas Las señales biomédicas son aquellas señales que se originan de alguna manera en el cuerpo y son usadas para diagnósdco o invesdgación. Dependiendo de su origen pueden clasificarse según: • Señales bioacúsdcas: los sonidos producidos naturalmente por el cuerpo, como pueden ser los laddos del corazón, el flujo sanguíneo o incluso movimientos musculares pueden ser capturados desde la superficie del cuerpo, y pueden ayudar al diagnósdco médico de alguna situación [3]. • Señales bioquímicas: condenen información de la concentración de agentes químicos en el organismo. Estas señales se originan principalmente a pardr de mediciones químicas realizadas en tejidos vivos o en muestras analizadas en laboratorio. Un ejemplo puede ser la medición de glucosa en la sangre para el diagnósdco de diabetes, realizando un análisis de sangre [3]. • Señales de bioimpedancia: estas señales proporcionan información importante sobre la composición, volumen y distribución sanguínea de los tejidos. Los equipos encargados de medir estas señales introducen en el cuerpo una señal eléctrica pequeña a través de electrodos metálicos, y esta señal pasa a través del tejido muscular, encontrando resistencia cuando choca con el tejido graso. Esta resistencia, conocida como impedancia, se mide y permite esdmar la composición corporal [3]. • Señales biomecánicas: son aquellas originadas por procesos mecánicos del cuerpo, como el movimiento, la locomoción o la presión. Debido a su naturaleza, estas señales no se propagan fácilmente por todo el cuerpo, por lo que su medición se realiza en el lugar que se origina [3]. • Señales bioeléctricas: estas señales predominan en el campo del análisis de señales biomédicas dadas sus muchas aplicaciones, y son de las que trataremos en este TFG. Consisten en corrientes eléctricas generadas por procesos biológicos dentro del cuerpo humano. Se generan gracias al potencial de transmembrana, el cual ante ciertas condiciones puede variar para generar una diferencia de potencial [3]. Varios ejemplos de ellas son: o Electrocardiograma (ECG): se trata de una representación visual de la acdvidad eléctrica del corazón en función del dempo. Proporciona información detallada sobre el ritmo cardiaco, la conducción eléctrica a través del corazón y la presencia de cualquier anomalía cardíaca [3]. o Electromiograma (EMG): consiste en una prueba médica que sirve para medir la acdvidad eléctrica de los músculos y nervios. Éstos envían señales eléctricas para que los músculos reaccionen, provocando su contracción, y cuando responden, emiten señales que pueden medirse [3]. CAPÍTULO 1. INTRODUCCIÓN 3 Figura 1-1. De arriba abajo, ejemplos de un electroencefalograma, electrocardiograma y electromiograma [4]. o Electroencefalograma (EEG): se trata de una técnica de registro que recoge la acdvidad eléctrica cerebral. Consiste en la colocación de electrodos sobre el cuero cabelludo del paciente. Posteriormente, estas señales son amplificadas, filtradas y registradas para su posterior análisis o incluso para su análisis en dempo real [3]. 1.3 Electroencefalograma El EEG es una técnica muy údl a la hora de diagnosdcar patologías clínicas al registrar la acdvidad eléctrica cerebral mediante la colocación de electrodos sobre el cuero cabelludo. A finales del siglo XIX, ciennficos como Richard Caton y Adolf Beck descubrieron que el cerebro humano era capaz de generar corrientes eléctricas [5], y no fue hasta 1924 cuando Hans Berger, un neurólogo y psiquiatra alemán, realizó el primer registro exitoso de la acdvidad eléctrica del cerebro humano udlizando un encefalógrafo creado por él mismo, siendo el primero en describir las ondas cerebrales, y marcando su trabajo el comienzo de la encefalograpa moderna. A pardr de ese momento se han ido realizando avances significadvos en la técnica del EEG hasta nuestros días. La figura 1-2 representa el primer EEG humano registrado por Berger en 1924. La línea inferior representa una onda sinusoidal de 10 Hz udlizada como marcador temporal, y la línea superior representa el EEG registrado en la posición central-parietal [5], Los potenciales cerebrales denen su origen en el funcionamiento intrínseco del sistema nervioso. Todos ellos representan la acdvidad eléctrica producida por por billones de neuronas simultáneamente. Esta acdvidad cerebral se crea cuando las cargas eléctricas se mueven dentro del sistema nervioso central, y para permidr su amplificación y visualización, se requiere una duración y magnitud suficientes de estas corrientes de acdvidad cerebral [6]. CAPÍTULO 1. INTRODUCCIÓN 10 11 CAPÍTULO 2. MARCO TEÓRICO En este capítulo se explorará el desarrollo y evolución de los sistemas BCI, desde los primeros descubrimientos sobre la acdvidad eléctrica cerebral hasta las aplicaciones actuales. Se abordarán las diferentes técnicas de obtención de señales cerebrales, tanto invasivas como no invasivas, y se explicarán las señales de control, incluyendo los c-VEP. Además, se discudrán las diversas aplicaciones de los BCI en la mejora de la calidad de vida y la rehabilitación. 2.1 Sistemas BCI 2.1.1 Introducción A raíz del descubrimiento de Hans Berger en 1929, en el que se demostró que el cerebro humano es capaz de generar corrientes eléctricas que pueden ser captadas, Herbert Jasper le envió a Berger en 1938 el dibujo mostrado en la figura 2-1. Con este, Jasper quería mostrar que las señales registradas del cerebro mediante el EEG pueden ser udlizadas para la comunicación [10]. Este descubrimiento despertó el interés popular y ciennfico, pero no ha sido hasta los úldmos 25 años cuando se ha empezado a realizar una invesdgación sostenida, dando lugar a campos reconocibles de invesdgación y desarrollo de las BCI. Este término fue udlizado por primera vez en 1970 cuando Jaques Vidal udlizó un sistema basado en potenciales evocados visuales (VEP) para registrar las señales cerebrales en el cuero cabelludo para seguir la dirección de la mirada y conseguir determinar la posición en la que un usuario quería desplazar un cursor. En ese momento, Vidal dio una posible definición para el término BCI, definiéndolo como cualquier sistema informádco que refleja información detallada sobre la función cerebral [10]. Actualmente, este nuevo campo de invesdgación está formado por cientos de grupos de invesdgación distribuidos por todo el mundo, y sigue en constante crecimiento. A su vez, Wolpaw define el término BCI de la siguiente manera: “Una interfaz BCI es un sistema que mide la ac7vidad del sistema nervioso central (SNC) y la convierte en una salida ar7ficial que sus7tuye, restaura, aumenta, complementa o mejora la salida natural del SNC y, por lo tanto, cambia las interacciones en curso entre el SNC y su entorno externo o interno” [10]. Figura 2-1. Dibujo enviado por Jasper a Berger donde se muestra que las señales cerebrales pueden ser usadas para la comunicación.Un sistema BCI Uene la función de registrar estas señales, procesarlas para detectar las intenciones del usuario y converUr dichas intenciones en comandos que controlan aplicaciones o disposiUvos externos. De esta manera, se proporciona al SNC una nueva vía de salida que no es ni neuromuscular ni hormonal [10]. CAPÍTULO 2. MARCO TEÓRICO 12 Figura 2-2. De arriba a abajo, cinco aplicaciones de los sistemas BCI: susUtución, restauración, aumento, complementación y mejora. Para entender mejor esta definición, es necesario comprender el funcionamiento del Sistema Nervioso Central (SNC). El SNC está compuesto por el cerebro y la médula espinal, y se puede considerar como el centro de procesamiento y control del cuerpo humano. Se encarga de interpretar la información proveniente de los senddos, coordinar nuestros movimientos, y regular procesos cognidvos y emocionales. Su acdvidad se caracteriza por la generación de señales eléctricas, las cuales consdtuyen la base de la comunicación neuronal y reflejan la acdvidad funcional del cerebro en disdntos estados y tareas. Su función principal es responder a los esnmulos tanto externos como internos del cuerpo, generando respuestas que sadsfacen las necesidades del organismo, ya sean neuromusculares u hormonales. En la figura 2-2 podemos observar cinco aplicaciones que una salida BCI puede controlar. De arriba abajo, estas aplicaciones pueden: (1) reemplazar funciones naturales perdidas debido a lesiones o enfermedades, como es el caso de una persona que ha perdido el control de sus extremidades y udliza una silla de ruedas eléctrica mediante un sistema BCI; (2) restaurar una función neuronal perdida, por ejemplo, una persona con parálisis en brazos y manos puede emplear un sistema BCI con electrodos implantados para generar neuroplasdcidad y favorecer la rehabilitación del movimiento de los músculos afectados; (3) mejorar la producción natural del SNC, como en el caso de una persona realizando una tarea que requiere atención constante, como conducir, donde el BCI idendfica la acdvidad cerebral previa a las distracciones y emite una señal, como un sonido, para alertar al usuario y recuperar su concentración; (4) complementar la salida natural del SNC, permidendo, por ejemplo, el control de un brazo o mano robódca; y (5) mejorar la función natural del SNC, como en el caso de una persona cuyos movimientos de los brazos han sido afectados por un accidente cerebrovascular que daña la corteza sensoriomotora, udlizando un BCI para detectar señales de áreas cerebrales dañadas y luego esdmular los músculos o controlar un disposidvo ortopédico para mejorar la movilidad del brazo [10]. CAPÍTULO 2. MARCO TEÓRICO 13 Figura 2-3. A la izquierda, craneotomía para la inserción de electrodos para electrocorUcogra]a, a la derecha, localización de los electrodos según el Upo de técnica de registro de acUvidad cerebral [15]. 2.1.2 Métodos para registrar la señal cerebral Como hemos visto, a la hora de la detección de ondas cerebrales se pueden disdnguir dos dpos de métodos de registro de la acdvidad cerebral, invasivos y no invasivos. 2.1.2.1 Métodos invasivos Estas técnicas registran la acdvidad cerebral mediante sensores situados sobre o dentro del córtex, capaces de capturar las señales cerebrales. Estos métodos se realizan a través de cirugía. Aunque ofrecen una relación señal a ruido superior a la obtenida en los métodos no invasivos, su implementación conlleva riesgos para la salud, por lo que es importante destacar que la inserción de estos sensores es un proceso delicado y pueden surgir problemas de rechazo por parte del organismo del sujeto [14]. A condnuación, se describen los dos principales métodos: • Electrocor:cogra<a (electrocor:cography, ECoG): se trata de una técnica invasiva que monitorea la acdvidad cerebral mediante electrodos situados directamente sobre la superficie del cerebro. Este método proporciona una gran precisión tanto en el dempo como en el espacio (la resolución espacial está en la escala de milímetros), además de generar señales con mayor amplitud (e.g: máximo de 50100 μV) y menos suscepdbles a interferencias como parpadeos y movimientos oculares. El inconveniente es que este método requiere una craneotomía para colocar una rejilla de electrodos [14]. • Registro de neuronas intracor:cales (intracor:cal neuron recording): se trata de una técnica invasiva que mide la acdvidad eléctrica dentro de la materia gris del cerebro, y, al igual que el ECoG, es necesario una intervención quirúrgica. Proporciona una resolución espacial y temporal muy alta, lo que hace que las señales obtenidas directamente de la corteza cerebral sean extremadamente údles. No obstante, la calidad de la señal puede deteriorarse debido a la respuesta del tejido cerebral al microelectrodo de registro implantado, así como a posibles CAPÍTULO 2. MARCO TEÓRICO 14 cambios en la sensibilidad de este a lo largo del dempo, lo que puede provocar daños progresivos con el paso de los días y años [14]. 2.1.2.2 Métodos no invasivos Estos métodos, en contraste con los enfoques invasivos, se caracterizan por no requerir un contacto psico directo con el cerebro o el sistema nervioso. En su lugar, están basados en la detección y análisis de las variaciones en las señales emiddas por el cerebro [13]. Destacan las cuatro siguientes técnicas: • Resonancia magné:ca funcional (func:onal magne:c resonance imaging, fMRI): se trata de una técnica no invasiva de neuroimagen que mide la acdvidad cerebral detectando cambios en el flujo sanguíneo cerebral. Cuando una región del cerebro se acdva durante una tarea o respuesta a un esnmulo, hay un aumento del flujo sanguíneo en esa área concreta [13]. Udliza campos magnédcos para detectar esos cambios en el flujo sanguíneo y mapear las áreas del cerebro involucradas en funciones cognidvas, emocionales y sensoriales [14]. Su principal ventaja es que dene una alta resolución espacial, sin embargo, dene baja resolución temporal y es muy propenso a verse afectado por los movimientos de la cabeza, por lo que resulta un método inadecuado para la comunicación en sistemas BCI [14]. • Espectroscopía funcional de infrarrojo cercano (func:onal near infrared spectroscopy, fNIRs): se trata de una técnica no invasiva empleada para cuandficar la acdvidad cerebral mediante la evaluación de alteraciones en la concentración de oxígeno en la sangre causados por cambios en la acdvidad neuronal [13]. Se emplea luz en el rango del infrarrojo para penetrar los tejidos del cuero cabelludo y llegar al cerebro. La luz es absorbida de manera diferencial por la hemoglobina oxigenada y desoxigenada, lo que permite determinar los niveles de oxígeno en la sangre. Posteriormente, la luz emergente se cuandfica para evaluar la canddad de luz infrarroja absorbida en disdntas longitudes de onda [13]. Aunque es un método menos complejo que la fMRI, ofrece una menor resolución espacial y está más expuesto a ruido. Su uso es frecuente en sistemas BCI. • Electroencefalogra<a (electroencephalography, EEG): se trata de una técnica no invasiva que detecta la acdvidad eléctrica cerebral mediante electrodos colocados sobre el cuero cabelludo, lo que la convierte en el procedimiento más ampliamente udlizado. Sin embargo, las señales que proporciona suelen ser de baja calidad debido al recorrido que deben realizar a través del cuero cabelludo, el cráneo y capas adicionales, lo que resulta en señales débiles y complicadas de obtener. Además, este método se ve significadvamente afectado por ruido electromagnédco externo y por señales fisiológicas no neuronales, como la acdvidad de los músculos de la mandíbula, los ojos y otras áreas [14]. Es la técnica más udlizada para el registro de acdvidad cerebral, ya que consiste en un proceso sencillo, portádl y de bajo coste. Mas adelante se hablará sobre las señales de control que encontramos en el registro de EEG, así como los procesos implicados en la obtención de dicha señal. CAPÍTULO 2. MARCO TEÓRICO 15 Figura 2-4. A la izquierda diferentes modalidades de registro BCI y ubicación de los electrodos para el registro. A la derecha resoluciones de las diferentes técnicas de imagen cerebral. • Magnetoencefalogra<a (magnetoencephalography, MEG): se trata de una técnica de neuroimagen no invasiva udlizada para medir la acdvidad cerebral. A diferencia del EEG, la MEG detecta los campos magnédcos generados por la acdvidad eléctrica de las neuronas en el cerebro. En MEG, se capta principalmente la acdvidad de los surcos del cerebro, mientras que en el EEG se registra mayormente la acdvidad de los giros. Este método proporciona una mayor resolución espacial debido al mayor número de canales disponibles, pero la resolución temporal es similar a la del EEG. Sin embargo, su uso no es adecuado en sistemas BCI debido a la tecnología que requiere superconductores y habitaciones aisladas magnédcamente, además de que su mantenimiento es costoso [14]. 2.1.3 Señales de control El propósito de un sistema BCI es realizar una detección precisa y en dempo real de las señales neurofisiológicas que reflejan las intenciones de un usuario. Las señales cerebrales involucran una gran canddad de fenómenos simultáneos vinculados a procesos cognidvos, muchos de los cuales aún no se comprenden completamente y cuyo origen sigue siendo desconocido. No obstante, ciertos fenómenos fisiológicos asociados con señales cerebrales han sido decodificados de tal manera que las personas pueden aprender a regularlos. Esto hace posible que los sistemas BCI interpreten las intenciones del usuario, idendficándose estas señales como señales de control en las BCI [14]. Las señales de control pueden dividirse según su naturaleza, pudiendo ser endógenas o exógenas. Las exógenas se corresponden con respuestas natulares del cerebro ante disdntos esnmulos externos (visuales, audidvos, etc) [16]. En cambio, las señales endógenas se fundamentan en la capacidad del usuario para auto-regular los ritmos y potencias cerebrales sin depender de esnmulos externos. A través del proceso de entrenamiento en neurofeedback (NF), los usuarios adquieren la habilidad de generar patrones cerebrales específicos que pueden ser interpretados por el sistema BCI [16]. A CAPÍTULO 2. MARCO TEÓRICO 16 condnuación, vemos las principales señales pertenecientes a los sistemas endógenos y exógenos. 2.1.3.1 Señales de control exógenas • VEPs Un potencial relacionado con eventos (ERP) es un cambio en el voltaje registrado en el cerebro en respuesta a un evento externo. Un potencial evocado visual (VEP) se refiere a los cambios en la acdvidad eléctrica cerebral que ocurren en la corteza visual cuando el evento externo es un esnmulo visual. Los VEPs son fácilmente detectables porque la amplitud de la respuesta aumenta significadvamente cuando el esnmulo se presenta en el centro del campo visual [14]. Sin embargo, los ERPs de un solo ensayo pueden verse afectados por la acdvidad de fondo del EEG, que no está relacionada con el evento de interés. Por lo tanto, se udliza el promediado a lo largo de múldples ensayos para resaltar las respuestas cerebrales específicas a eventos (ERPs) en los datos de EEG, reduciendo la influencia de la acdvidad de fondo. Esto permite una mejor idendficación y análisis de los patrones de respuesta cerebral relacionados con eventos específicos [16]. Los VEPs se pueden clasificar en función de la frecuencia de la esdmulación visual, que puede ser transitoria o estacionaria. En el caso de los VEPs transitorios (tVEPs), estos ocurren cuando la frecuencia de la esdmulación visual es inferior a 6 Hz, es decir, cuando el esnmulo visual se presenta de manera lenta o única. Los tVEPs pueden ser provocados por cualquier cambio en el campo visual, y las respuestas evocadas dependen del dpo de esnmulo presentado. Tres de los dpos más comunes son: (1) flashing VEPs: inducidos por luces que parpadean o destellan; (2) mo7on VEPs: causados por el inicio o desplazamiento de un patrón visual sobre un fondo difuso; y (3) paKern reversal VEPs: provocados por la inversión de fase de un patrón visual. Los tVEPs no se udlizan frecuentemente en interfaces cerebro-computador (BCI), ya que requieren múldples repedciones del mismo esnmulo para obtener respuestas claras y significadvas [14]. Por otro lado, los VEPs estacionarios (SSVEPs) se generan cuando la esdmulación visual dene una frecuencia superior a 6 Hz, lo que produce una oscilación constante en el EEG a la misma frecuencia que el esnmulo visual, registrándose en el córtex visual primario, ubicado en el lóbulo occipital [16]. Si el esnmulo es un destello luminoso, el SSVEP exhibe una forma de onda sinusoidal cuya frecuencia coincide con la frecuencia de parpadeo del esnmulo. En caso de que el esnmulo sea un patrón visual, la SSVEP ocurre en la frecuencia de inversión de dicho patrón y en sus armónicos. Sin embargo, estas señales no son menos suscepdbles a los artefactos causados por el parpadeo o los movimientos oculares, ni al ruido electromiográfico, lo cual puede complicar su análisis [14]. Los BCI basadas en SSVEP permiten a los usuarios seleccionar objedvos mediante la atención visual. En una configuración npica, se crea una disposición de comandos o caracteres que parpadean a diferentes frecuencias. Cuando el usuario fija su atención en un comando específico, aparece un SSVEP a la misma frecuencia en el espectro del EEG, lo que puede ser detectado por el sistema. CAPÍTULO 2. MARCO TEÓRICO 17 Figura 2-5. Tipos de señales de control basadas en VEP: SSVEP, t-VEP y c-VEP [10]. Existen tres dpos principales de señales de control en BCI basadas en VEPs: o tVEP (transient VEP): estas señales se generan por esnmulos visuales breves y de baja frecuencia (menores a 6 Hz). o SSVEP (steady-state VEP): se producen por esnmulos visuales repeddvos y rápidos, con frecuencias mayores a 6 Hz. También llamados como fVEP (frequency VEP), ya que cada objedvo parpadea a una frecuencia única. o c-VEP (code-modulated VEP): se generan mediante secuencias de esnmulos visuales pseudoaleatorias, donde la duración de acdvación y desacdvación de cada destello está determinada por dicha secuencia [14]. • Potenciales evocados P300 Los potenciales evocados P300 son un dpo de respuesta cerebral que presenta caracterísdcas tanto exógenas como endógenas, lo que les permite ser ubicados en ambas categorías. Por un lado, se generan en respuesta a un esnmulo externo, lo que podría clasificarlos como exógenos. Sin embargo, su aparición y amplitud dependen en gran medida de procesos internos del usuario, como la atención y el reconocimiento consciente del esnmulo, lo que los relaciona también con señales endógenas Los potenciales evocados P300 se tratan de un dpo de respuesta cerebral que se observa en el EEG como una deflexión posidva de voltaje en respuesta a un esnmulo aproximadamente 300 ms después de que el sujeto sea expuesto a dicho esnmulo. No obstante, su duración puede fluctuar dentro de un rango amplio, normalmente entre 250 y 750 ms, aunque esta variabilidad puede venir influenciada por diversos factores (como el filtrado especial udlizado en el análisis de la señal, caracterísdcas individuales de los usuarios, así como la complejidad o dificultad de la tarea cognidva). Estas ondas denden a exhibir mayor amplitud y prominencia en regiones centrales o parietales del cuero cabelludo, y su intensidad se va disipando gradualmente en otras áreas circundantes [16]. CAPÍTULO 2. MARCO TEÓRICO 18 Figura 2-6. Potencial P300 registrado como respuesta a un esamulo poco frecuente aproximadamente 300 ms después del esamulo (línea gruesa). La línea fina corresponde a la respuesta al esamulo frecuente [17]. La técnica para inducir ondas P300 se denomina paradigma oddball. Este paradigma se fundamenta en la presentación de esnmulos objedvo poco frecuentes que requieren atención, los cuales desencadenarán una respuesta P300, junto con otros esnmulos de fondo que deben ser ignorados, los cuales no generarán ningún dpo de respuesta [16]. Invesdgaciones realizadas han evidenciado que la amplitud del pico de respuesta aumenta conforme disminuye la probabilidad de ocurrencia del esnmulo, así, los sistemas BCI basados en este paradigma udlizan los potenciales P300 para discernir el comando que el usuario desea seleccionar de entre un conjunto de opciones [14]. Estos potenciales son usados en aplicaciones de selección, donde se presenta una matriz de comandos (letras, números, etc), donde las filas o columnas parpadean de forma aleatoria mientras el EEG es monitorizado. Como el usuario está dirigiendo su atención hacia el símbolo deseado, el potencial P300 se producirá el número de veces que dicho símbolo parpadee [14]. Normalmente, el sistema udliza adaptaciones del paradigma visual oddball para relacionar la respuesta P300 del sujeto con los comandos presentados, determinando el comando deseado tras múldples repedciones de esnmulos [16]. Un inconveniente de este paradigma es que la eficacia puede disminuir debido a la habituación del usuario al esnmulo menos común, resultando en una disminución de la amplitud del P300 [14]. 2.1.3.2 Sistemas endógenos • Potenciales cor:cales lentos Los potenciales cordcales lentos (SCPs) se tratan de cambios lentos en el voltaje del EEG asociados a cambios en el nivel de la acdvidad cordcal, los cuales duran unos segundos. Su lendtud caracterísdca hace que tengan lugar en bandas delta bajas (inferiores a 1Hz). Los SCP negadvos están relacionados con la acdvación cordcal asociada a la realización de movimientos, mientras que los SCP posidvos están relacionados con la reducción de la acdvidad cordcal [14]. CAPÍTULO 2. MARCO TEÓRICO 19 Figura 2-7. Aumento y reducción de la acUvidad corUcal [18]. Estas señales cerebrales pueden ser autorreguladas tanto por usuarios sanos como por pacientes con parálisis para dirigir disposidvos externos a través de un sistema BCI. Las personas pueden ser entrenadas para generar cambios voluntarios en los SCPs mediante un sistema de entrenamiento que presenta esnmulos visuales y audidvos. Este sistema permite al usuario aprender a modificar los SCPs de manera voluntaria. La eficacia de este entrenamiento se ve afectada por varios factores, incluyendo el estado del paciente o su modvación. Los resultados del entrenamiento pueden variar entre los pacientes, lo que subraya la necesidad condnua de invesdgación para establecer pautas generales en este ámbito [14]. La autorregulación de los SCPs ha sido extensamente invesdgada en pacientes con esclerosis lateral amiotrófica (ELA). Si bien las tasas de precisión son aceptables, oscilando entre el 70% y el 80%, la tasa de información requiere un periodo de entrenamiento más prolongado, y es probable que los usuarios necesiten una prácdca condnua durante varios meses para alcanzar niveles ópdmos [14]. • Ritmos sensoriomotores Como se describió en la sección 1.3, la acdvidad cerebral en el EEG ocurre en varias regiones del cerebro y se clasifica en varias bandas o ritmos, cambiando sus caracterísdcas de acuerdo con el estado del sujeto. Los ritmos sensoriomotores (SMR) son patrones de la acdvidad cerebral registrados en el córtex sensoriomotor que involucran los ritmos mu (8-13 Hz) y beta (13-30 Hz). Se caracterizan por ser oscilaciones de la acdvidad neuronal cuya amplitud varía de manera sincronizada con un evento sensoriomotor real o imaginario, como puede ser el movimiento de un brazo o la imaginación de dicho movimiento. Estas modulaciones se pueden manifestar de dos maneras, como una desincronización relacionada con eventos (ERD), la cual se caracteriza por una disminución en la potencia de los SMR que comienza a pronunciarse segundos antes de que se ejecute el movimiento, o como una sincronización relacionada con eventos (ERS), que se refiere a un aumento en su potencia una vez que se ha ejecutado el movimiento [16]. CAPÍTULO 2. MARCO TEÓRICO 26 Tabla 2-4. Clasificadores de traducción de caracterísUcas en sistemas BCI Clasificadores lineales Clasificadores no lineales Estructura fija Estructura modificable Análisis Discriminante Lineal (LDA) Perceptrón Muldcapa (MLP) Regresión, regularización y adaptación Análisis Cuadrádco Discriminante (QDA) Máquinas de Soporte Vectorial (SVM) Mínimos Cuadrados Parciales (PLS) Redes Neuronales Ardficiales (ANN) Árbol de decisión Modelo de mezclas gaussianas Modelos ocultos de Markov (HMM) dependiendo del número de dimensiones, que separe las diferentes clases de datos. Estos clasificadores son más simples y menos computacionalmente intensivos [31]. Los clasificadores no lineales emplean transformaciones no lineales para proyectar los datos originales a un espacio de mayor dimensión, donde un hiperplano lineal puede separar las clases de manera efecdva. Por ejemplo, se pueden usar funciones cuadrádcas para realizar esta proyección. Estos métodos denden a ser más precisos porque permiten el ajuste de un mayor número de parámetros, proporcionando una mayor flexibilidad en la modelización. Sin embargo, esta precisión adicional implica un mayor coste computacional debido a la complejidad de las operaciones necesarias [31]. En la siguiente tabla se recogen los clasificadores más empleados en sistemas BCI. 2.1.4.3 Aplicaciones La etapa final del tratamiento de la señal es la etapa de aplicación. Una vez que hemos adquirido la señal, extraído las principales caracterísdcas y han sido traducidas en comandos, es necesario una aplicación que con dichos comandos realice una acción. En la siguiente sección se detallan algunas de las aplicaciones más comunes en los sistemas BCI. CAPÍTULO 2. MARCO TEÓRICO 27 2.1.5 Aplicaciones de los sistemas BCI Los sistemas BCI ofrecen a los usuarios nuevos canales de comunicación y control sin requerir la intervención de los nervios o músculos periféricos. Esta tecnología ha despertado un interés significadvo entre los invesdgadores, quienes están enfocados en desarrollar aplicaciones BCI con la esperanza de que esta tecnología pueda ser údl para las personas con graves discapacidades motoras. Las poblaciones principales a quienes se dirigen estas aplicaciones se dividen en tres categorías. El primer grupo abarca los pacientes en estado de bloqueo completo (Complete Locked-In State, CLIS), quienes han perdido toda la capacidad de control motor. El segundo grupo comprende pacientes en Estado de Bloqueo Parcial (Locked-In State, LIS), que se encuentran casi completamente paralizados, pero aún conservan movimientos voluntarios como el movimiento de los ojos o movimientos con los labios. El úldmo grupo incluye individuos con discapacidades significadvas, pero conservan cierto grado de control sobre sus habilidades motoras [14]. Actualmente, existe una amplia variedad de aplicaciones BCI, como pueden ser procesadores de texto, navegadores web, control de una silla de ruedas, y juegos, entre otras. En las siguientes subsecciones describen algunas aplicaciones BCI. 2.1.5.1 Comunicación Este dpo de aplicación probablemente sea de las más estudiadas e invesdgadas en el campo de los BCI, ya que la comunicación es algo esencial para los seres humanos. Las aplicaciones para la comunicación suelen mostrar un teclado virtual en la pantalla, donde el usuario debe seleccionar un comando a través del sistema BCI. El elemento fundamental de cada aplicación es el sistema BCI empleado, así como el dpo de señal de control. • SCPs Para la selección de letras se puede udlizar un control voluntario de los SCPs. Con un entrenamiento intensivo, los pacientes completamente paralizados son capaces de producir cambios posidvos y negadvos en su SCP para dirigir el movimiento verdcal de un cursor. Basado en este dpo de señal de control, Birbaumer et al. (1999) [23] desarrollaron un disposidvo de deletreo BCI con visualización en pantalla que udlizaba un cursor para seleccionar las letras del alfabeto. Para el programa de ortograpa de nivel 1, el alfabeto se dividió en dos mitades (bancos de letras) que se presentaron sucesivamente en la pantalla durante unos segundos. Cuando el sujeto seleccionaba el banco de letras generando un SCP, se dividía en dos nuevas mitades, y así sucesivamente hasta que uno de los bancos de letras solo contenía una letra. Cuando se seleccionó una de esas dos letras finales, se mostraba en el campo de texto superior de la pantalla y la selección comenzaba de nuevo en el nivel 1 para realizar el mismo proceso con la siguiente letra. • P300 En 1988, Farwell y Donchin [21] desarrollaron una aplicación de comunicación basada en P300 en la que esperaban que los paralídcos pudieran udlizarla para comunicar mensajes sencillos. El diseño consisna en presentar al sujeto una matriz 6x6 de letras y comandos CAPÍTULO 2. MARCO TEÓRICO 28 Figura 2-12. Matriz de comandos uUlizada en el estudio de Farwell y Donchin (1988) [21] (figura 2-12). Los esnmulos visuales son destellos de una fila o columna completa, presentados a una velocidad de hasta 8 destellos por segundo. El sujeto debía prestar atención a una letra especifica en la matriz y contar mentalmente el número de veces que esa letra parpadea. El esnmulo inesperado (destello de la letra objedvo) genera una respuesta P300 y se idendfica la intención del sujeto. • VEPs Otra manera de mejorar la comunicación de personas con discapacidades es usando la selección de letras empleando como señal de control los VEPs. La interfaz de la aplicación trata de una matriz de comandos, donde las celdas se iluminan a disdntas frecuencias de manera condnua y el usuario debe fijar su mirada en la celda que condene el comando objedvo, generando un aumento de potencia en la frecuencia de iluminación correspondiente y en sus armónicos. El sistema detectará estos picos de frecuencia, y, por lo tanto, el comando que el usuario quiere seleccionar. En la figura 2-13 se puede ver un ejemplo donde el sujeto se encuentra observando un comando que parpadea a una frecuencia de 8 Hz, y se puede observar un aumento de potencia en dicha frecuencia y en sus correspondientes armónicos. 2.1.5.2 Neurorrehabilitación Las lesiones medulares u otras enfermedades neurológicas que conllevan una pérdida de funciones sensoriales y motoras denen un impacto significadvo en la calidad de vida del paciente. Para ayudar a la recuperación de ciertos movimientos, como puede ser el agarre, se puede conseguir en sujetos tetrapléjicos mediante neuroprótesis guiadas por esdmulación eléctrica funcional (FES) [14]. La FES funciona como un método para compensar la pérdida de funciones voluntarias induciendo contracciones musculares mediante la aplicación de corrientes eléctricas. CAPÍTULO 2. MARCO TEÓRICO 29 Figura 2-13. Funcionamiento de un sistema BCI basado en SSVEP. Trazo azul: acUvidad EEG del comando que el sujeto está mirando y en sus correspondientes armónicos. Trazo rojo: acUvidad EEG cuando el usuario no está mirando a ningún comando [10]. Figura 2-14. Sistema BCI basado en EEG que permite a un paciente con la mano paralizada agarrar un objeto cuando se acUva el FES [19]. Los sistemas BCI basados en EEG se pueden emplear para generar una señal de control que regule el funcionamiento de la FES. Por ejemplo, gracias a la fusión de BCI y FES, Pfurtscheller et al. (2003) [19], lograron desarrollar una aplicación en la que un paciente tetrapléjico con una lesión traumádca en la médula espinal pudo controlar el movimiento de unas manos paralizadas para agarrar un cilindro. En la figura 2-14 se puede visualizar el esquema del sistema udlizado. CAPÍTULO 2. MARCO TEÓRICO 30 Figura 2-15. Prótesis uUlizada en el estudio de Muller et al. (2008) [20]. Recientemente, los ERPs también se han empleado para restaurar la función motora. En un estudio, Muller et al. (2008) [20], se presentó un disposidvo neuroprotésico diseñado para restaurar la capacidad de agarre en sujetos con lesiones medulares. Dicho disposidvo constaba de una prótesis de mano eléctrica de dos ejes, la cual era controlada a través de un sistema BCI basado en SSVEPs de cuatro clases. Mediante este sistema, los usuarios podían seleccionar entre cuatro movimientos diferentes (movimiento de la mano en supinación, pronación, apertura y cierre) dependiendo de la esdmulación visual de cuatro LED con frecuencias disdntas. Para seleccionar un movimiento especifico, el usuario debía mirar hacia el LED correspondiente. 2.1.5.3 Entretenimiento El interés en las aplicaciones de entretenimiento se ha ido desarrollando en los úldmos años gracias a los avances en esta tecnología. Estas mejoras en sus prestaciones han permiddo el uso de los sistemas BCI incluso en personas sin discapacidades, ya que introducen una nueva forma de interacción que puede potenciar la experiencia de los videojuegos, haciéndolos más desafiantes y atracdvos. Además, estos sistemas pueden proporcionar información sobre las experiencias del usuario a través del registro de la acdvidad cerebral, lo que puede mejorar los juegos al permidr una adaptación más precisa a las necesidades del jugador, incluyendo la capacidad de detectar estados emocionales como el aburrimiento, la ansiedad o la frustración del sujeto con el fin de udlizar esta información en el diseño de futuros videojuegos [14]. Un ejemplo de esta aplicación es el videojuego diseñado por Lalor et al. (2005) [22], donde los sujetos debían udlizar un sistema BCI basado en SSVEPs para ayudar a un avatar a caminar por una cuerda floja. En el juego, el personaje camina hacia el sujeto y tropieza cada 1,5 – 5,0 segundos hacia un lado elegido al azar. El sujeto debe intervenir para cambiar el equilibrio de modo que permanezca estable, y para ello debía dirigir su mirada al tablero situado en el lado opuesto de la pantalla para la que el personaje pierde el equilibrio (hacia donde quiere desplazar el avatar). CAPÍTULO 2. MARCO TEÓRICO 31 Figura 2-16. Videojuego diseñado por Lalor et al. (2005) [22], a la izquierda avatar en modo de entrenamiento. A la derecha avatar perdiendo el equilibrio. 2.2 Potenciales evocados visuales modulados por código (c-VEP) 2.2.1 Principio de funcionamiento de los c-VEP A lo largo de los úldmos años, los invesdgadores han explorado diversos métodos para mejorar los sistemas BCI no invasivos, como conseguir un dempo de calibración reducido, sistemas adaptadvos o variaciones en los paradigmas ya conocidos. En la búsqueda de estas innovaciones, ha surgido un interés creciente en la señal de control basada en c-VEP debido a su capacidad para lograr altos niveles de rendimiento y su reducción en los dempos de calibración. En este enfoque, los comandos parpadean siguiendo secuencias pseudoaleatorias, lo que genera respuestas de EEG más fuertemente asociadas con el comando al que el usuario se encuentra prestando atención que con el resto [24]. El concepto fundamental de los sistemas c-VEP fue inicialmente propuesto por Su•er [25] en 1984 mediante un sistema invasivo de ECoG para medir las respuestas cerebrales, demostrando la capacidad de un paciente con ELA para comunicarse con una velocidad de 10-12 palabras por minuto. Este enfoque fue innovador, pero no recibió mucha atención hasta que en 2009, Bin y su equipo [26] demostró que el sistema c-VEP podía ser implementado de manera no invasiva udlizando EEG. Este avance permidó una mayor accesibilidad y adaptación del método, demostrando que estos sistemas podían ser udlizados eficazmente en BCI no invasivas con alta precisión y tasas de transferencia de información. Aunque fuese posible asignar a cada comando un código pseudoaleatorio diferente, encontrar un conjunto de códigos con propiedades de correlación cruzada adecuadas resulta complicado. La baja correlación cruzada es importante porque asegura que las señales de EEG correspondientes a diferentes comandos no interfieran entre sí. Si las correlaciones cruzadas entre los códigos son altas, las señales pueden solaparse y dificultar la idendficación precisa del comando que el usuario está tratando de comunicar. Por ello, se prefiere udlizar una sola secuencia pseudoaleatoria y codificar cada comando con una versión temporalmente desplazada de esta secuencia, ya que es más sencillo garandzar que estas versiones desplazadas tengan propiedades de correlación adecuadas. El sistema BCI calcula la correlación entre el EEG y una plandlla calculada para cada esnmulo. Normalmente, la respuesta EEG generada estará más correlacionada con el CAPÍTULO 2. MARCO TEÓRICO 32 Figura 2-17. (a) Secuencia m-binaria de 63 bits. (b) Codificación de 5 comandos, cuyos retardos aumentan con un paso de 4. (c) Respuesta c-VEP en un registro de EEG. Figura 2-18. Densidad espectral de potencia comando que se pretende seleccionar que con el resto, permidendo al sistema determinar la atención del usuario mediante un análisis de correlación entre la respuesta EEG y todos los desplazamientos posibles de la secuencia [24]. La secuencia principal se genera mediante un registro de desplazamiento de retroalimentación lineal (LFSR), debido a sus buenas propiedades de autocorrelación, de tal manera que si se udliza un si se udliza un LFSR de longitud 𝑚, (es decir, con mm elementos en su estado o equivalente al orden del polinomio a emplear), se genera una secuencia de longitud 2!−1 bits. Cada bit de la secuencia representa un estado del esnmulo visual, por ejemplo, un bit ‘1’ puede indicar un estado encendido (esnmulo blanco, se ilumina de color blanco), y un bit ‘0’ un estado apagado (esnmulo negro, se ilumina de color negro). En la figura 2-17 se ilustra una secuencia m-binaria de 63 bits, generada mediante un filtro LFSR de longitud𝑚 = 6. En este caso, la frecuencia del monitor es de 60 Hz, por lo que la duración de un ciclo completo es de T+ = +1,05s+(63/60).+Esta secuencia se puede ver en la figura 2-17 (a). En la figura (b) se muestra la codificación de 5 comandos, los cuales parpadearían udlizando versiones retardadas de la secuencia generada. Cada vez que se actualice la pantalla, cada comando se ilumina si su código actual es 1, y se atenúa en caso contrario. En la figura (c) se ve la respuesta del EEG a un comando en pardcular. Finalmente, la figura 2-18 se muestra la densidad espectral de potencia de las respuestas de EEG udlizadas para construir la plandlla. Se puede ver que los picos del espectro corresponden con los armónicos del período de secuencia m (es decir, 1/T+ = +0,952+Hz). CAPÍTULO 2. MARCO TEÓRICO 33 2.2.2 Procesamiento de señal c-VEP El procesamiento de señales en c-VEP comienza con la adquisición de datos mediante un sistema de EEG muldcanal. La señal capturada se procesa en varias etapas para extraer caracterísdcas relevantes que permitan la decodificación de comandos. Procesado de referencia A lo largo del dempo, sean desarrollado numerosos métodos con el objedvo de opdmizar el rendimiento de los sistemas BCI basados en c-VEP. Estas estrategias abordan diversas fases del sistema, abarcando aspectos como las modificaciones en los paradigmas udlizados, la presentación de los esnmulos, las técnicas de extracción y clasificación de caracterísdcas, el manejo de la asincronía, entre otros. Asimismo, se ha establecido un proceso de señal de referencia, que se ilustra en la figura 2-19. En este procesado de referencia se emplea un sistema EEG muldcanal (55/77) en el que las señales del comando de codifican mediante versiones retardadas de una m-secuencia de 63 bits (35/70). El intervalo de retardo puede ser 𝜏 = 2+(20/70) o 𝜏 = 4+(61/70), dependiendo del número de comandos disponibles, que generalmente son 32 o 16, respecdvamente. Durante la fase de entrenamiento, se solicita al usuario que se concentre en un objedvo de referencia (generalmente un comando sin retardo por simplicidad) durante 𝑘" ciclos de calibración. Posteriormente, se realiza una remodelación de las épocas de EEG con dimensiones 𝑋#∈+ℝ$!,&",&!, donde 𝑁' es el número de muestras de un ciclo completo y 𝑁" es el número de canales de EEG. Se calcula una respuesta muldcanal promediando los 𝑘" ciclos, obteniendo 𝑋 =(# ∈+ℝ&",&!. A condnuación, se aplica en análisis de CCA para maximizar la correlación entre las épocas individuales y la respuesta EEG promediada. El CCA encuentra proyecciones lineales de dos señales A y B que maximizan la correlación entre ellas. En este caso, 𝐴 ∈+ℝ$!∙&",&! serían las 𝑥# épocas concatenadas; y 𝐵 ∈+ℝ$!∙&",&! las 𝑥A(# replicadas 𝑘" veces para igualar las dimensiones. Tras la opdmización: 𝑚𝑎𝑥!",!$ !! "%"&!# '!! "%"%!!∙!# "&"&!# Ecuación 1 Se han obtenido los filtros espaciales 𝑊*∈+ℝ&!,&! y 𝑊+∈+ℝ&!,&! Para los BCI basados en c-VEP, sólo se requieren los filtros 𝑤* y 𝑤++que maximizan el coeficiente de correlación entre las épocas proyectadas (es decir, 𝐴𝑤*) y la plandlla (es decir, 𝐵𝑤+); es decir, los primeros componentes (columnas) de 𝑊* y 𝑊+, respecdvamente. A condnuación, se proyecta la respuesta muldcanal para obtener la plandlla de referencia 𝑥(# =+𝑋 =(# ∙𝑤+, donde 𝑥(# ∈+ℝ&",,. Las plandllas para el resto de los componentes (𝑥(,+,𝑥(-+,...,𝑥(!) se calculan desplazando circularmente 𝑥(# según sus retardos. En el modo de test (es decir, en línea), las épocas de EEG se promedian y se proyectan con 𝑤+ para obtener una época filtrada espacialmente; es decir 𝑥E(.'( =+𝑋 =(.'( ∙𝑤+, con 𝑥E(.'( ∈ +ℝ&",,. Posteriormente, se calculan los coeficientes de correlación de Pearson 𝜌 entre el vector resultante y todas las plandllas, idendficando el comando seleccionado como aquel que alcanza el máximo valor de correlación; es decir, 𝑦+ =+𝑎𝑟𝑔𝑚𝑎𝑥/𝜌(𝑥E(.'(𝑡+,𝑥(/). Otra posibilidad equivalente para evitar el sería concatenar las 𝑘( épocas de EEG de prueba y udlizar 𝑤* para obtener un vector filtrado espacialmente, es decir, 𝑥E´(.'( =+𝑋 =´(.'( ∙𝑤+, CAPÍTULO 2. MARCO TEÓRICO 34 Figura 2-19. Flujo de procesamiento de referencia para BCIs basados en c-VEP. La etapa de calibración se enfoca en calcular las planUllas para cada comando según sus retrasos. Durante las sesiones en línea, la fase de prueba proyecta las épocas de los ensayos y determina el comando seleccionado mediante un análisis de correlación. donde 𝑥E´(.'( ∈+ℝ$#∙&",&!0y 𝑥E´(.'( ∈+ℝ$#∙&",,0 A condnuación, se calcularía la correlación entre este vector resultante y la versión replicada de cada plandlla 𝑘(+veces (es decir, 𝑥(/ ∈ +ℝ$#∙&",,0). 2.3 Aplicaciones basadas en c-VEP Los c-VEP han encontrado aplicaciones en diversos campos debido a su alta eficiencia y precisión. Una de las aplicaciones más destacadas es en los BCI para pacientes con discapacidades severas. Estas interfaces permiten a los usuarios controlar disposidvos externos, como sillas de ruedas o sistemas de comunicación, simplemente mediante la atención visual a diferentes esnmulos. • Control de disposi:vos externos. Los sistemas c-VEP permiten a los usuarios controlar disposidvos externos de manera eficiente y precisa. Por ejemplo, pueden ser udlizados para operar sillas de ruedas, manipuladores robódcos y otros disposidvos de asistencia, mejorando significadvamente la calidad de vida de las personas con discapacidades severas [26]. El arnculo "A brain-computer interface for robust wheelchair control applica7on based on pseudorandom code modulated Visual Evoked Poten7al" describe un experimento en el que 12 sujetos sanos udlizaron un BCI basado en C-VEP para controlar un robot que simula una silla de ruedas. Los pardcipantes debían dirigir el robot a través de un circuito en forma de "8" usando solo comandos cerebrales para moverse en cuatro direcciones (adelante, atrás, izquierda y derecha). Los resultados mostraron una precisión promedio del 97.14%, con un dempo por idendficación de comando (TPI) de 2.52 segundos. El dempo total para completar el recorrido fue de 134.8 segundos usando este BCI [33]. CAPÍTULO 2. MARCO TEÓRICO 35 Figura 2-20. Montaje del experimento. • Neurorrehabilitación. Los sistemas c-VEP son udlizados en programas de neurorrehabilitación para ayudar a los pacientes a recuperar funciones motoras y cognidvas después de una lesión cerebral. Estos sistemas proporcionan retroalimentación en dempo real, lo que facilita la rehabilitación [24]. • Realidad virtual (VR) y realidad aumentada (AR). Mejora de la Interacción en Entornos Virtuales: Los c-VEP se están explorando en aplicaciones de realidad virtual y aumentada para mejorar la interacción del usuario con entornos digitales. Al proporcionar un método de control basado en la atención visual, se pueden crear experiencias más inmersivas y accesibles para usuarios con limitaciones psicas [26]. El arnculo "Combining brain-computer interfaces and mul7player video games: an applica7on based on c-VEPs" analiza cómo los BCIs que udlizan c-VEPs pueden aplicarse en videojuegos muldjugador. El estudio desarrolló una versión del juego Connect 4, donde los jugadores controlan las acciones udlizando señales cerebrales. Los invesdgadores diseñaron un sistema que detecta las respuestas cerebrales a esnmulos visuales mediante señales de EEG, que luego se convierten en movimientos del juego. Este sistema fue probado en 22 pardcipantes sanos, logrando una precisión del 93.74% en la traducción de las señales cerebrales en movimientos del juego. Los usuarios también informaron que el sistema era intuidvo y fácil de usar, lo que demuestra su potencial para aplicaciones de entretenimiento [32]. CAPÍTULO 3. ESTADO DE LA TÉCNICA 42 Figura 3-5. Matriz de comandos uUlizada en el estudio. 3.2.1 F. Gembler, P. Stawicki, A. Rezeika, M. Benda, and I. Volosyak, “Exploring Session-to-Session Transfer for Brain-Computer Interfaces based on Code-Modulated Visual Evoked PotenNals” [29] Para llevar a cabo un estudio longitudinal en este trabajo, se realizaron dos sesiones. En la primera sesión, se llevaron a cabo ensayos de calibración y entrenamiento del modelo, además de su uso en modo en línea. En la segunda sesión, el sistema se udlizó directamente en modalidad en línea, empleando el modelo calibrado en la primera sesión, sin necesidad de un nuevo entrenamiento. El estudio incluyó dos experimentos de deletreo en línea, realizados con un intervalo de 7 a 16 días entre ellos, involucrando a 10 pardcipantes. Se udlizó un deletreador compuesto por 32 caracteres: 26 letras, 4 signos de puntuación, un guion bajo y una opción de corrección (figura 3-5). Para el patrón de parpadeo, se emplearon K=32 m-secuencias de 63 bits desplazadas circularmente. Durante la primera sesión, dedicada al entrenamiento, cada objedvo se fijó 6 veces, acumulando un total de 192 trials. El entrenamiento se estructuró en seis bloques de 32 ensayos cada uno. Cada ensayo tuvo una duración de 2.10 segundos, con un intervalo de 1 segundo entre ensayos. Un marco verde señalaba al usuario el objedvo en el que debía concentrarse. Los ensayos grabados en esta fase se udlizaron para generar plandllas para los experimentos en línea de la primera y segunda sesión. En la fase de prueba, los pardcipantes debían deletrear la frase “PACK MY BOX WITH FIVE DOZEN LIQUOR JUGS”. El rendimiento de cada pardcipante en ambas sesiones se evaluó mediante la precisión de clasificación y la tasa de transferencia de información (ITR), tanto en modalidad online como offline. En la figura 3-6 se presentan los resultados del análisis offline, los cuales indican que el entrenamiento en cada sesión condujo a mayores precisiones. Todos los pardcipantes, excepto uno (S4), lograron una mayor precisión en la primera sesión. Los resultados del análisis online se detallan en la tabla 3-2, donde se observa que en la primera sesión todos los pardcipantes completaron la tarea, mientras que en la segunda sesión, 8 de los 10 pardcipantes lograron completarla. CAPÍTULO 3. ESTADO DE LA TÉCNICA 43 Figura 3-6. Resultados de precision e ITR en el estudio offline a lo largo de las dos sesiones. Tabla 3-2. Resultados en línea del estudio. El estudio demostró que, para la mayoría de los pardcipantes, fue posible controlar el BCI c-VEP udlizando los datos de una sesión anterior, lo que sugiere que no es necesario recalibrar el sistema en cada sesión. Ocho de los diez pardcipantes lograron resultados comparables en la segunda sesión sin necesidad de un nuevo entrenamiento, alcanzando una precisión media del 97.1%. Sin embargo, dos pardcipantes no pudieron controlar el sistema con las plandllas de la sesión anterior, lo que indica que en algunos casos podría ser necesario un recalibrado. En general, los resultados sugieren que el BCI basado en cVEP puede ser udlizado en sesiones posteriores sin la necesidad de entrenamientos adicionales, lo cual reduce significadvamente el dempo de preparación y mejora la pracdcidad del sistema para uso condnuo. A condnuación, se presenta una tabla que recoge los resultados obtenidos de este estudio. CAPÍTULO 3. ESTADO DE LA TÉCNICA 44 Tabla 3-3. Resultados del estudio. Estudio Nº de sujetos Primera sesión Segunda sesión (entre 7 y 16 días después) Precisión (%) ITR (bit/min) Precisión (%) ITR (bit/min) Gembler et al. (2020) [29] 10 98.50 113.00 97.10 85.70 CAPÍTULO 3. ESTADO DE LA TÉCNICA 45 46 CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI En este capítulo se desarrolla el proceso llevado a cabo para evaluar el rendimiento del sistema BCI basado en c-VEP de manera longitudinal y en función de las caracterísdcas de registro. En primer lugar, se expondrán los materiales y equipos udlizados para ello. A condnuación, se explicará en detalle la plataforma MEDUSA©, incluyendo su arquitectura y funcionamiento. Finalmente, se abordará la aplicación c-VEP Keyboard, la cual es la empleada para alcanzar los objedvos de este TFG. 4.1 Materiales y equipos uGlizados Para la adquisición de la señal de EEG, se han udlizado dos equipos de electroencefalograpa: el Enobio 8 de Neuroelectrics y el g.USBamp de g.Tec. • Enobio 8 de Neuroelectrics. El equipo de Neuroelectrics, mostrado en la figura 4-1, es un disposidvo avanzado de registro EEG diseñado para aplicaciones tanto de invesdgación como clínicas. Este sistema inalámbrico de EEG dispone de 8 canales, ofreciendo una solución integral para la monitorización de la acdvidad cerebral. Este disposidvo es compadble con diversos dpos de electrodos, incluyendo electrodos secos y húmedos, lo que proporciona una gran versadlidad y adaptabilidad a diferentes necesidades experimentales. La conecdvidad inalámbrica del sistema permite la libertad de movimiento del sujeto durante los experimentos, mejorando así la comodidad y la naturalidad de las condiciones de prueba. Por lo tanto, este equipo ofrece la flexibilidad necesaria para alternar entre ambos dpos de electrodos, permidendo una comparación exhausdva de su rendimiento. El sistema de este equipo consta de los siguientes componentes: - Necbox: se trata del componente central del sistema Enobio de Neuroelectrics. Actúa como la unidad de control y procesamiento de datos EEG, gesdonando la recolección y transmisión de las señales cerebrales registradas. Opera con una batería recargable, lo que proporciona movilidad y facilidad de uso en diversos entornos clínicos y de invesdgación. La conecdvidad inalámbrica del Necbox mediante el so†ware Neurolecetrics Instrument Controller (NIC), permite la transmisión de datos en dempo real. - Electrodos pasivos secos: este dpo de electrodos no requiere ningún dpo de preparación especial ni aplicación de gel conductor, lo que facilita su uso y reduce el dempo de preparación en comparación con los electrodos húmedos. - Electrodos pasivos húmedos: estos electrodos necesitan la aplicación de un gel conductor que asegura una baja impedancia y una mejor calidad de la señal EEG. La preparación de estos electrodos, que implica la aplicación de gel en la CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 47 - Figura 4-1. Sujeto S2 con equipo Enobio 8 de Neuroelectrics. superficie de contacto del electrodo, puede incrementar ligeramente el dempo de preparación en comparación con los electrodos secos. En nuestro caso, el gel conductor que hemos udlizado es el Gel Conductor Electro-Gel de Bionic, que se ve en la figura 4-4. - Earclip: se trata de un electrodo de referencia dual, donde un disco de metal es la referencia (con respecto a la cual se mide la diferencia de voltaje de cada electrodo), mientras que el otro actúa como derra. Se coloca en el lóbulo de la oreja y se recomienda la aplicación de gel conductor. Esta pinza se puede ver también en la figura 4-4, junto al gel. - Plataforma NIC: se trata de una herramienta de so†ware que facilita el control y gesdón de disposidvos EEG como el sistema Enobio. NIC permite la configuración y calibración de los electrodos, la selección de canales, y la configuración de parámetros de grabación. Proporciona monitoreo en dempo real y herramientas para la detección de artefactos y la mejora de la calidad de las señales. En la figura 4-3 se puede ver la interfaz de esta plataforma. Las señales EEG captadas por los electrodos del casco se transmiten al Necbox, que las digitaliza y envía al ordenador mediante conexión USB o WiFi. La plataforma NIC recibe estas señales y las muestra en dempo real. Posteriormente, las señales procesadas en NIC se transmiten a la plataforma MEDUSA©, de la cual hablaremos más adelante, mediante el protocolo LSL (Lab Streaming Layer). • g.USBamp de g.Tec. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 48 Para udlizar este equipo se emplea el amplificador g.USBamp, desarrollado por la empresa g.Tec. A diferencia de otros sistemas inalámbricos, este equipo está cableado, lo que permite evitar las latencias asociadas a las conexiones por Wi-Fi, ofreciendo una Figura 4-2. Electrodos secos (izquierda) y electrodos húmedos (derecha) uUlizados en el estudio con el equipo Enobio 8. Figura 4-3. Interfaz de la plataforma NIC. transmisión de datos más rápida y fiable. Además, udliza electrodos acdvos, los cuales cuentan con un pequeño preamplificador en cada electrodo para reducir el ruido que puede introducirse a través de los cables, mejorando así la calidad de la señal. El procedimiento de colocación de los electrodos es el mismo que el empleado con el equipo de Neuroelectrics, salvo que el electrodo de referencia en este equipo se ha colocado en la nasión y es un electrodo individual, no una pinza. En la figura 4-4, a la izquierda, se puede dicho equipo. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 49 Figura 4-4. A la izquierda, equipo g.USBamp , a la derecha Electro-Gel de Bionic y pinza de referencia. 4.2 Plataforma MEDUSA© La plataforma MEDUSA© (h•ps://www.medusabci.com), se trata de una innovadora herramienta de so†ware desarrollada por el Grupo de Ingeniería Biomédica (GIB) de la Universidad de Valladolid, diseñada para la implementación de sistemas BCI. Udlizando el lenguaje de programación Python, esta plataforma facilita el desarrollo y la invesdgación en BCI, destacándose por su diseño modular, versadlidad y capacidad para ser fácilmente extendida con sus métodos y paradigmas [30]. Componentes de MEDUSA©: - MEDUSA Kernel: es un paquete independiente PyPI de Python que integra métodos avanzados para el análisis de señales cerebrales, incluyendo procesamiento de señales, aprendizaje automádco y profundo, y análisis de alto nivel. Esta librería permite manejar diversas bioseñales como EEG y MEG, y crear tuberías de procesamiento independientes. MEDUSA Kernel ofrece soporte para una variedad de paradigmas BCI, tales como c-VEP, P300, Neurofeedback e imaginación motora (MI) [30]. - MEDUSA Plaform: es una aplicación de escritorio programada en Python que ofrece funcionalidades de alto nivel para realizar experimentos. Incluye una interfaz gráfica de usuario moderna, funciones avanzadas de adquisición de señales y gráficos en dempo real. La plataforma permite la instalación y creación de aplicaciones [30]. MEDUSA se diseñó siguiendo los siguientes principios clave: - Modularidad: los componentes de MEDUSA están organizados en niveles de abstracción conectados por protocolos de comunicación simples. Esto permite CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 50 arreglar o actualizar funcionalidades rápidamente sin interferir con el resto del sistema. - Flexibilidad: está diseñado como una herramienta de invesdgación que permite probar nuevos métodos de procesamiento de señales y paradigmas de retroalimentación. Incluye una documentación extensa y ejemplos para facilitar la creación de nuevas aplicaciones. - Escalabilidad: el so†ware está diseñado para actualizar sus capacidades con el dempo sin modificar partes de código no relacionadas, permidendo mantener el ritmo con los úldmos desarrollos en el campo de BCI. 4.2.1 Procesamiento de señales: El procesamiento de señales es una parte fundamental en el desarrollo y la implementación de sistemas BCI, ya que permite la extracción de información significadva de las bioseñales obtenidas. En el contexto de MEDUSA, el procesamiento de señales abarca varias etapas cruciales que garandzan la calidad y la udlidad de los datos para las aplicaciones BCI. A condnuación, se detallan los componentes principales involucrados en el procesamiento de señales dentro de esta plataforma: - Adquisición de señales: este módulo se encarga de recibir las señales de EEG. Es compadble con cualquier sistema de adquisición de señales soportado con el protocolo LSL, incluyendo la posibilidad de registrar múldples señales simultáneamente. - Preprocesado de la señal: mejora la calidad de la señal EEG eliminando ruido y artefactos, y seleccionando bandas de frecuencia de interés mediante filtros espaciales y frecuenciales. - Extracción y selección de caracterís:cas: Implementa métodos para extraer y seleccionar las caracterísdcas más significadvas de la señal EEG, udlizando algoritmos avanzados como submuestreo y métodos dpo wrapper. - Clasificación y paradigmas de es:mulación: Udliza algoritmos como el Regularized Linear Discriminant Analysis (RLDA) para idendficar la presencia de P300 en la señal y generar comandos para la aplicación controlada mediante el paradigma Row Column Paradigm (RCP) [30]. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 51 Figura 4-5.!Visión general de la plataforma MEDUSA©. Las señales EEG, ECG y EMG se adquieren mediante el protocolo LSL y se visualizan en Uempo real o en aplicaciones BCI. En este ejemplo, se representa una aplicación con el paradigma de fila-columna (RCP), y el Kernel se uUliza para procesar señales y detectar ERP en Uempo real. Figura 4-6. Interfaz principal de la plataforma MEDUSA©. 4.3 Aplicación c-VEP Keyboard Dado que en este estudio se udliza la aplicación c-VEP Keyboard, a condnuación se explicarán sus componentes y configuraciones. La interfaz principal de la aplicación es el teclado, que se muestra en la figura 4-7. Para acceder a la aplicación, se puede observar en la figura 4-6, a la izquierda, una lista con todas las aplicaciones descargadas. Se debe seleccionar esta aplicación, y una vez seleccionada, es necesario configurar los parámetros correspondientes. Para ello, se debe hacer clic en el icono de la rueda amarilla, lo que desplegará las pestañas de configuración que se ven en la figura 4-8. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 58 Figura 4-13. Configuración de codificación y correlación en la aplicación c-VEP Keyboard. - Idendficadores: cada elemento de comando está idendficado con un idendficador único, por ejemplo, ‘i33 (35)’, donde ‘i33’ es el idendficador de comando y ‘35’ es el valor del lag. - Valores de lag: los valores de lag asociados con cada comando se udlizan para ajustar el retardo en las muestras del esnmulo visual. • Sección Current encoding: En esta sección se presenta una visualización gráfica de la codificación de los comandos en forma de una matriz binaria. - Eje Y (Commands): representa los diferentes comandos que pueden ser seleccionados por el usuario. Cada fila corresponde a un comando específico. - Eje X (Sequence (Samples)): representa las muestras de la secuencia. Cada columna corresponde a una muestra en el dempo. La matriz muestra la secuencia binaria udlizada para codificar cada comando, donde los colores (negro y blanco) indican los valores binarios (0 y 1). • Sección correla:on values of each command with the original sequence: En esta sección se presenta una tabla de correlaciones que muestra los valores de correlación entre cada comando y la secuencia original. Los detalles específicos son: - Valores de correlación: los valores numéricos representan la correlación entre la secuencia generada para cada comando y la secuencia original. Un valor de ‘1.00’ indica una correlación perfecta, mientras que valores cercanos a ‘0.00’ indican baja o nula correlación. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 59 - Average tau: se trata del valor promedio de retardo (tau) aplicado a todas las secuencias de comandos. Esto proporciona una medida general de cuánto se han desplazado las secuencias respecto a la original. - Best step limit without local correladons: se trata del máximo número de desplazamientos que se puede aplicar a las secuencias de comandos sin que haya correlaciones locales significadvas entre ellas. Indicadores y validación: Encoding is correct!: se trata de un mensaje que indica si la codificación actual es correcta o no basada en las correlaciones y parámetros configurados. 4.3.1.5 Pestaña “Train model" Esta pestaña permite ajustar parámetros para el preprocesamiento y clasificación de las señales. El objedvo principal de esta configuración es opdmizar la calidad de las señales y mejorar la precisión en la detección de c-VEPs. A condnuación, se describen las opciones disponibles: • Pre-processing: Band-pass IIRs: filtros IIR paso banda que permiten aislar las componentes frecuenciales de interés. - Cutoff 1: frecuencia de corte inferior del filtro. - Cutoff 2: frecuencia de corte superior del filtro. - Order: orden del filtro. - Type: dpo de filtro. Notch filter: desdnado a eliminar el ruido generado por la corriente eléctrica. • Classifier: permite definir el dpo de clasificador. La configuración permite seleccionar entre tres dpos de clasificadores: - Circular Shi†ing: udliza un método de desplazamiento circular para alinear y comparar las señales EEG preprocesadas con los patrones de referencia. se emplea un procesamiento de referencia basado en CCA para opdmizar la comparación entre las señales y los patrones de referencia. - BWR rLDA (Bilinear Weighted Regularized Linear Discriminant Analysis): este método de procesamiento se basa en el "bit-wise decoding", cuyo objedvo es predecir la secuencia de esdmulación (ceros y unos) a pardr de la respuesta del VEP del usuario, udlizando un clasificador rLDA. A diferencia de otros métodos, no se basa en el desplazamiento circular de templates. - BWR EEG-Incepdon: al igual que el método anterior, este clasificador se basa en el "bit-wise decoding" para predecir la secuencia de esdmulación (ceros y unos) a pardr de la respuesta del VEP del usuario. En este caso, emplea una red neuronal de deep learning basada en la arquitectura Incepdon, adaptada para señales EEG, con el objedvo de mejorar la precisión en la detección de c-VEPs. Operación Train model: este botón inicia el proceso de entrenamiento del modelo udlizando las configuraciones establecidas. Permite cargar las runs de calibración realizadas y generar el modelo correspondiente. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 60 Figura 4-14. Pestaña “Train model” de la aplicación c-VEP Keyboard para la configuración de parámetros. CAPÍTULO 4. DISEÑO Y DESARROLLO DEL SISTEMA BCI 61 62 CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN En este capítulo se expondrán las tareas del protocolo de evaluación que se deben llevar a cabo para realizarlo, la población de estudio y las pruebas realizadas. Al final, se presentará un cuesdonario de sadsfacción presentado a los sujetos. 5.1 Población de estudio y procedimiento Este estudio se ha realizado con 8 sujetos sanos, 7 mujeres y 1 hombre, con edades comprendidas entre 22 y 32 años (edad media: 24 años, desviación estándar: 3.42 años). En la tabla 5-1 se muestran las caracterísdcas de los sujetos. Tabla 5-1. Datos de los parUcipantes del estudio. Edad Sexo Experiencia en estudios BCI S1 24 Mujer No S2 23 Mujer No S3 32 Hombre Sí S4 22 Mujer No S5 22 Mujer Si S6 23 Mujer No S7 22 Mujer No S8 22 Mujer No Para evaluar el rendimiento del sistema BCI se han llevado a cabo cuatro sesiones con cada sujeto en un intervalo de 1 mes, todas ellas con electrodos secos y húmedos. En la primera sesión, se realizó tanto una fase de entrenamiento como de test. Los datos obtenidos durante la fase de entrenamiento se emplearon como base para las sesiones siguientes, permidendo así un análisis longitudinal del rendimiento. La segunda sesión se llevó a cabo una semana después de la primera, la tercera sesión dos semanas después, y la úldma tuvo lugar un mes después. Mas adelante, se explica en qué han consisddo ambas sesiones, la de entrenamiento y la de test. CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN 63 5.1.1 Montaje Figura 5-1. Posición de los electrodos para adquirir la señal de EEG. Para adquirir la señal de EEG se emplea un casco equipado con 8 electrodos, posicionándolo sobre el cuero cabelludo del sujeto. Además, se coloca una pinza en el lóbulo derecho para su uso como referencia. La disposición de estos electrodos sigue el Sistema de Referencia 10-20 explicado en la sección 1.3. Los electrodos udlizados en este estudio son Fz, Cz, Pz, P3, P4, PO7, PO8 y Oz. Para el caso de los electrodos secos basta con colocar los electrodos en las posiciones correspondientes. En cambio, con los electrodos húmedos es necesario añadir un gel conductor entre el cuero cabelludo y los electrodos para reducir la impedancia. 5.1.2 Fase de calibración En esta fase únicamente se ilumina el comando de la letra P. Se ha elegido este comando porque está codificado con la m-secuencia original, sin retardo a la hora de generarse la secuencia de c-VEP. El usuario deberá mantener su mirada fija durante 5 trials de 10 ciclos/trial. Antes de comenzar la secuencia de iluminación, el comando se ilumina de color rosa durante aproximadamente 2 segundos señalando al sujeto que debe fijar su vista en ese punto. Cada ciclo consta de una secuencia completa de iluminación de 127 bits, con una duración de 1,0583 L segundos. Por lo tanto, dado que un trial comprende 10 ciclos, la duración total de cada trial será de 10,583 L segundos. Entre cada trial, para permidr que el sujeto descanse o parpadee, el comando se ilumina de color blanco durante 1 segundo, y nuevamente de color rosa unos segundos antes de iniciar el siguiente trial. Este procedimiento se repedrá cinco veces. CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN 64 Figura 5-2. Tiempos de iluminación para los 5 trials de un train. Figura 5-3. Iluminación de la letra P durante la fase de entrenamiento. Como la duración de cada entrenamiento completo es de 1.10s, la duración aproximada de esta fase completa es de 5 minutos. Una vez completadas las cuatro series de 5 trials cada una, se procederá a la generación del modelo correspondiente. En la figura 5-2 se muestra una representación de los dempos de iluminación para los 5 trials, es decir, un entramiento completo. 5.1.3 Fase de test Una vez realizada la fase de entrenamiento, se pasa a probar el funcionamiento de la aplicación. En esta fase los sujetos deben tratar de seleccionar varios comandos para comprobar si la aplicación es capaz de traducir las intenciones del sujeto, seleccionando los comandos objedvo por parte del sujeto. A diferencia del modo de entrenamiento, en este modo de funcionamiento cada comando se ilumina siguiendo su secuencia c-VEP generada. En el caso de este estudio, los sujetos debían ser capaces de escribir la frase “EXPLORA NUEVOS MUNDOS USANDO BCI”, la cual consta de 32 comandos. Para realizar la selección, cada comando se iluminará durante 10 ciclos. Después, los resultados obtenidos se clasifican, y desde la aplicación MEDUSA© se envía la selección del comando, iluminándose éste en verde durante aproximadamente 2 segundos. Como en la fase de calibración, se realiza una pausa de aproximadamente un segundo para que el sujeto descanse. P P P P P CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN 65 Figura 5-4. Tiempos de iluminación para la selección de un comando en la fase de test. En la figura 5-4 se puede ver la como sería la secuencia de iluminación para la selección de 4 comandos. En cuanto a los parámetros de aplicación udlizados, se ha configurado la pantalla a una frecuencia de 120 Hz. No se acdvó la opción de early stopping, ni se habilitó el uso del fotodiodo. Además, se acdvó la opción de midpoint, que coloca un punto en el centro de la pantalla, visible para los usuarios, con un tamaño de 4 píxeles. 5.2 CuesGonario de saGsfacción Al acabar cada sesión, se entregó a los pardcipantes un pequeño cuesdonario evaluando la comodidad de los electrodos y, al acabar todas las sesiones, se les entregó un cuesdonario final de sadsfacción para evaluar la comodidad y facilidad del programa udlizado, cuyas respuestas servirán para tener condiciones de mejora. Las respuestas de valoran en una escala del 1 al 5, donde 1 significa muy en desacuerdo, y 5 significa completamente de acuerdo, conocido como escala Likert de 5 puntos. Además, al final del cuesdonario hay un apartado en el que los pardcipantes podían aportar una realimentación con alguna sugerencia. A condnuación, se muestra el cuesdonario proporcionado a los sujetos después de cada sesión, y a condnuación, el cuesdonario final. CUESTIONARIO DESPUÉS DE CADA SESIÓN Evaluar del 1 al 5, donde 1 es “muy incómodo” y 5 es “muy cómodo” 1. Cómo calificaría la comodidad de los electrodos secos udlizados durante el estudio 1 2 3 4 5 2. Cómo calificaría la comodidad de los electrodos húmedos udlizados durante el estudio 1 2 3 4 5 A Z 3 R CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN 66 CUESTIONARIO DE SATISFACCIÓN 1. El sistema es intuidvo y fácil de udlizar 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 2. Dificultad para mantener la concentración durante la sesión 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 3. En algún momento el sistema (plataforma MEDUSA©) no ha respondido correctamente a mis intenciones 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 4. La duración de cada sesión ha sido demasiado larga 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 5. Fadga visual originada durante las sesiones 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo CAPÍTULO 5. PROTOCOLO DE EVALUACIÓN 67 6. Las sesiones requieren demasiada concentración, lo que me ha terminado cansando 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 7. El sistema respondía correctamente a mis intenciones con los electrodos secos 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 8. El sistema respondía correctamente a mis intenciones con los electrodos húmedos 1 2 3 4 5 Muy en desacuerdo Totalmente de acuerdo 9. ¿Tienes alguna recomendación o sugerencia específica para mejorar la experiencia en futuras sesiones? CAPÍTULO 6. RESULTADOS 74 6.3 Sujeto 2 6.3.1 Electrodos pasivos secos con Enobio Para este dpo de electrodos, el sujeto 2 obtuvo una precisión media de todas las sesiones de 14.84% tras 10 ciclos de selección, y una ITR media de 1.80 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-5. Resultados de precisión e ITR para el sujeto 2 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 15.62 0.00 15.62 6.25 9.37 12.38 0.00 12.38 1.37 6.53 2 15.62 3.12 25.00 3.12 11.72 6.19 0.01 14.62 0.009 5.21 3 12.50 3.12 18.75 3.12 9.37 2.63 0.01 5.83 0.006 2.12 4 15.62 0.00 28.12 3.12 11.72 3.10 0.00 8.94 0.004 3.01 5 25.00 3.12 21.88 3.12 13.28 5.85 0.003 4.63 0.003 2.62 6 25.00 0.00 21.88 6.25 13.28 4.87 0.00 3.86 0.228 2.24 7 21.88 0.00 34.38 3.12 14.85 3.31 0.00 7.15 0.002 2.61 8 21.88 0.00 31.25 3.12 14.06 2.89 0.00 5.34 0.002 2.06 9 25.00 0.00 28.12 3.12 14.06 3.25 0.00 3.97 0.002 1.81 10 25.00 0.00 31.25 3.12 14.84 2.92 0.00 4.27 0.002 1.80 En la figura 6-4 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 2 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-4. Template canal Oz del Sujeto 2 con electrodos pasivos secos. CAPÍTULO 6. RESULTADOS 75 6.3.2 Electrodos pasivos húmedos con Enobio Para este dpo de electrodos, el sujeto 2 obtuvo una precisión media de todas las sesiones de 86.82% tras 10 ciclos de selección, y una ITR media de 22.65 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-6. Resultados de precisión e ITR para el sujeto 2 con electrodos pasivos húmedos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 12.50 56.25 40.62 56.25 41.41 7.90 110.7 65.70 110.7 73.75 2 21.88 71.88 75.00 78.12 61.72 11.57 82.01 87.90 93.99 68.87 3 31.25 75.00 81.25 93.75 70.31 14.24 58.60 66.89 85.94 56.42 4 43.75 78.12 90.62 93.75 76.56 18.51 47.00 60.57 64.46 47.64 5 34.38 81.25 90.62 93.75 75.00 10.01 40.14 48.45 51.57 37.54 6 40.62 81.25 93.75 96.88 78.13 10.95 33.45 42.97 45.80 33.29 7 56.25 81.25 93.75 90.62 80.47 15.81 28.67 36.83 34.61 28.98 8 71.88 81.25 93.75 90.62 84.38 20.50 25.09 32.23 30.28 27.03 9 71.88 81.25 93.75 93.75 85.16 18.23 22.30 28.65 28.65 24.46 10 78.52 81.25 93.75 93.75 86.82 18.96 20.07 25.78 25.78 22.65 En la figura 6-5 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 2 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos húmedos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-5. Template canal Oz del Sujeto 2 con electrodos pasivos húmedos. CAPÍTULO 6. RESULTADOS 76 6.3.3 Electrodos acOvos húmedos con g.USBamp Para este equipo, el sujeto 2 obtuvo una precisión del 100% tras 10 ciclos de selección, y con esta precisión se obdene una ITR de 29.54 bits/min. Al igual que en todos los sujetos, se calculan los resultados que se obtendrían para un número inferior de ciclos. Se puede observar en la tabla 6-7 que a pardr de 4 ciclos el sujeto logra una precisión del 100%, lo que significa que reduciendo el dempo de trial a 4.20 s/comando el sujeto obdene la misma precisión que con 10.5 s/comando (10 ciclos). Tabla 6-7. Resultados de precisión e ITR para el sujeto 2 con electrodos acUvos húmedos de g.USBamp variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 81.25 200.68 2 87.50 113.86 3 96.88 91.61 4 100.00 73.86 5 100.00 59.08 6 100.00 49.24 7 100.00 42.20 8 100.00 36.93 9 100.00 32.82 10 100.00 29.54 En la figura 6-6 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 2 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) en el caso del equipo g.USBamp de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-6. Template canal Oz del Sujeto 2 con electrodos acUvos húmedos de g.USBamp. CAPÍTULO 6. RESULTADOS 77 6.4 Sujeto 3 6.4.1 Electrodos pasivos secos con Enobio Para este dpo de electrodos, el sujeto 3 obtuvo una precisión media de todas las sesiones de 20.31% tras 10 ciclos de selección, y una ITR media de 3.02 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-8. Resultados de precisión e ITR para el sujeto 3 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 28.12 6.25 0.00 6.25 10.16 35.77 1.37 0.00 1.37 9.63 2 37.50 9.38 0.00 0.00 11.72 28.85 2.08 0.00 0.00 7.73 3 34.38 15.62 0.00 0.00 12.50 16.68 4.13 0.00 0.00 5.20 4 43.75 15.62 0.00 0.00 14.84 18.51 3.10 0.00 0.00 5.40 5 40.62 21.88 0.00 0.00 15.63 13.14 4.63 0.00 0.00 4.44 6 46.88 25.00 3.12 0.00 18.75 13.79 4.87 0.003 0.00 4.67 7 43.75 21.88 3.12 3.12 17.97 10.58 3.31 0.002 0.002 3.47 8 43.75 21.88 3.12 3.12 17.97 9.26 2.90 0.002 0.002 3.04 9 50.00 21.88 3.12 6.25 20.31 10.19 2.57 0.002 0.15 3.23 10 50.00 25.00 3.12 3.12 20.31 9.17 2.92 0.002 0.002 3.02 En la figura 6-7 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 3 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-7. Template canal Oz del Sujeto 3 con electrodos pasivos secos. CAPÍTULO 6. RESULTADOS 78 6.4.2 Electrodos pasivos húmedos con Enobio Para este dpo de electrodos, el sujeto 3 obtuvo una precisión media de todas las sesiones de 96.88% tras 10 ciclos de selección, y una ITR media de 27.66 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-9. Resultados de precisión e ITR para el sujeto 3 con electrodos pasivos húmedos variando el número de ciclos N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 75.00 71.88 56.25 56.25 64.85 175.8 164.0 110.7 110.7 140.31 2 93.75 90.62 78.12 71.88 83.59 128.9 121.1 93.99 82.01 106.52 3 93.75 100.0 93.75 84.38 92.97 85.94 98.47 85.94 71.31 85.42 4 93.75 100.0 93.75 87.50 93.75 64.46 73.86 64.46 56.93 64.93 5 93.75 100.0 93.75 96.88 96.10 51.57 59.08 51.57 54.97 54.30 6 93.75 100.0 96.88 96.88 96.88 42.97 49.24 45.80 45.80 45.95 7 93.75 100.0 90.62 96.88 95.31 36.83 42.20 34.61 39.26 38.23 8 93.75 100.0 90.62 100.0 96.09 32.22 36.93 30.28 36.93 34.09 9 93.75 100.0 93.75 96.88 96.10 28.65 32.82 28.65 30.54 30.17 10 93.75 100.0 93.75 100.0 96.88 25.78 29.54 25.78 29.54 27.66 En la figura 6-8 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 3 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos húmedos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-8. Template canal Oz del Sujeto 3 con electrodos pasivos húmedos. CAPÍTULO 6. RESULTADOS 79 6.4.3 Electrodos acOvos húmedos de g.USBamp Para este equipo, el sujeto 3 obtuvo una precisión del 100% tras 10 ciclos de selección, y con esta precisión se obdene una ITR de 29.54 bits/min. Al igual que en todos los sujetos, se calculan los resultados que se obtendrían para un número inferior de ciclos. Se puede observar en la tabla 6-10 que a pardr de 2 ciclos el sujeto logra una precisión del 100%, lo que significa que reduciendo el dempo de trial a 2.10 s/comando el sujeto obdene la misma precisión que con 10.5 s/comando (10 ciclos). Tabla 6-10. Resultados de precisión e ITR para el sujeto 3 con electrodos acUvos húmedos de g.USBamp variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 96.88 274.83 2 100.00 147.71 3 100.00 98.47 4 100.00 73.86 5 100.00 59.08 6 100.00 49.24 7 100.00 42.20 8 100.00 36.93 9 100.00 32.83 10 100.00 29.54 En la figura 6-9 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 3 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) en el caso del equipo g.USBamp de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-9. Template canal Oz del Sujeto 3 con electrodos acUvos húmedos de g.USBamp . CAPÍTULO 6. RESULTADOS 80 6.5 Sujeto 4 6.5.1 Electrodos pasivos secos con Enobio Para este dpo de electrodos, el sujeto 4 obtuvo una precisión media de todas las sesiones de 28.91 tras 10 ciclos de selección, y una ITR media de 5.16 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-11. Resultados de precisión e ITR para el sujeto 4 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 28.12 3.12 0.00 18.75 12.50 35.77 0.02 0.00 17.50 13.32 2 37.50 6.25 0.00 31.25 18.75 28.85 0.68 0.00 21.36 12.72 3 34.38 3.12 0.00 46.88 21.10 16.68 0.01 0.00 27.58 11.07 4 43.75 6.25 0.00 46.88 24.22 18.51 0.34 0.00 20.69 9.89 5 40.62 3.12 0.00 56.25 25.00 13.14 0.00 0.00 22.14 8.82 6 46.88 12.50 0.00 53.12 28.13 13.79 1.32 0.00 16.84 7.99 7 43.75 9.38 0.00 53.12 26.56 10.58 0.59 0.00 14.43 6.40 8 43.75 12.50 0.00 56.25 28.13 9.26 0.99 0.00 13.84 6.02 9 50.00 6.25 0.00 56.25 28.13 10.19 0.15 0.00 12.30 5.66 10 50.00 9.38 0.00 56.25 28.91 9.17 0.42 0.00 11.07 5.16 En la figura 6-10 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 4 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-10. Template canal Oz del Sujeto 4 con electrodos pasivos secos. CAPÍTULO 6. RESULTADOS 81 6.5.2 Electrodos pasivos húmedos con Enobio Para este dpo de electrodos, el sujeto 4 obtuvo una precisión media de todas las sesiones del 100% tras 10 ciclos de selección, y una ITR media de 29.54 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-12. Resultados de precisión e ITR para el sujeto 4 con electrodos pasivos húmedos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 93.75 93.75 84.38 84.38 89.07 257.8 257.8 213.9 213.9 235.88 2 100.0 100.0 96.88 100.0 99.22 147.7 147.7 137.4 147.7 145.14 3 100.0 100.0 100.0 100.0 100.0 98.47 98.47 98.47 98.47 98.47 4 100.0 100.0 100.0 100.0 100.0 73.86 73.86 73.86 73.86 73.86 5 100.0 100.0 100.0 100.0 100.0 59.08 59.08 59.08 59.08 59.08 6 100.0 100.0 100.0 100.0 100.0 49.24 49.24 49.24 49.24 49.24 7 100.0 100.0 100.0 100.0 100.0 42.20 42.20 42.20 42.20 42.20 8 100.0 100.0 100.0 100.0 100.0 36.93 36.93 36.93 36.93 36.93 9 100.0 100.0 100.0 100.0 100.0 32.82 32.82 32.82 32.82 32.82 10 100.0 100.0 100.0 100.0 100.0 29.54 29.54 29.54 29.54 29.54 En la figura 6-11 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 4 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos húmedos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-11. Template canal Oz del Sujeto 4 con electrodos pasivos húmedos. CAPÍTULO 6. RESULTADOS 82 6.5.3 Electrodos acOvos húmedos de g.USBamp Para este equipo, el sujeto 4 obtuvo una precisión del 100% tras 10 ciclos de selección, y con esta precisión se obdene una ITR de 29.54 bits/min. Al igual que en todos los sujetos, se calculan los resultados que se obtendrían para un número inferior de ciclos. Se puede observar en la tabla 6-13 que a pardr de 2 ciclos el sujeto logra una precisión del 100%, lo que significa que reduciendo el dempo de trial a 2.10 s/comando el sujeto obdene la misma precisión que con 10.5 s/comando (10 ciclos). Tabla 6-13. Resultados de precisión e ITR para el sujeto 4 con electrodos acUvos húmedos de g.USBamp variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 96.88 274.83 2 100.00 147.71 3 100.00 98.47 4 100.00 73.86 5 100.00 59.08 6 100.00 49.24 7 100.00 42.20 8 100.00 36.93 9 100.00 32.83 10 100.00 29.54 En la figura 6-12 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 4 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) en el caso del equipo g.USBamp de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-12. Template canal Oz del Sujeto 4 con electrodos acUvos húmedos de g.USBamp. CAPÍTULO 6. RESULTADOS 83 6.6 Sujeto 5 6.6.1 Electrodos pasivos secos con Enobio Para este dpo de electrodos, el quinto sujeto obtuvo una precisión media de todas las sesiones de 12.50 tras 10 ciclos de selección, y una ITR media de 1.38 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-14. Resultados de precisión e ITR para el sujeto 5 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 0.00 6.25 3.12 3.12 3.12 0.00 1.37 0.017 0.017 0.35 2 0.00 9.38 3.12 0.00 3.13 0.00 2.08 0.009 0.00 0.52 3 3.12 9.38 3.12 6.25 5.47 0.006 1.39 0.006 0.46 0.46 4 3.12 6.25 3.12 6.25 4.69 0.004 0.34 0.004 0.34 0.17 5 3.12 18.75 12.50 0.00 8.59 0.003 3.50 1.58 0.00 1.27 6 3.12 6.25 12.50 3.12 6.25 0.003 0.23 1.32 0.003 0.39 7 3.12 12.50 25.00 3.12 10.94 0.002 1.13 4.18 0.002 1.33 8 3.12 15.62 31.25 6.25 14.06 0.002 1.55 5.34 0.17 1.77 9 0.00 28.12 28.12 6.25 15.62 0.00 3.97 3.97 0.15 2.03 10 0.00 15.62 31.25 3.12 12.50 0.00 1.24 4.27 0.002 1.38 En la figura 6-13 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 5 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. Figura 6-13. Template canal Oz del Sujeto 5 con electrodos pasivos secos. CAPÍTULO 6. RESULTADOS 90 6.8.2 Electrodos pasivos húmedos con Enobio Para este dpo de electrodos, el sujeto 7 obtuvo una precisión media de todas las sesiones de 61.72% tras 10 ciclos de selección, y una ITR media de 15.04 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-21. Resultados de precisión e ITR para el sujeto 7 con electrodos pasivos húmedos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 65.62 68.75 34.38 6.25 43.75 141.6 152.6 50.04 1.37 86.41 2 81.25 100.0 37.50 18.75 59.38 100.3 147.7 28.85 8.75 71.41 3 78.12 100.0 40.62 25.00 60.94 62.66 98.47 21.90 9.75 48.20 4 75.00 100.0 37.50 31.25 60.94 43.95 73.86 14.42 10.68 35.73 5 78.12 100.0 37.50 21.88 59.38 37.60 59.08 11.54 4.63 28.21 6 78.12 100.0 34.38 28.12 60.16 31.33 49.24 8.34 5.96 23.72 7 81.25 100.0 31.25 25.00 59.38 28.67 42.20 6.10 4.18 20.29 8 84.38 100.0 34.38 34.38 63.29 26.74 36.93 6.25 6.25 19.04 9 84.38 100.0 31.25 40.62 64.06 23.77 32.82 4.75 7.30 17.16 10 87.50 100.0 31.25 28.12 61.72 22.77 29.54 4.27 3.58 15.04 En base a los resultados de esta tabla, se observa que para este sujeto la precisión del sistema disminuye a medida que avanzan las sesiones. Esto indica que el transcurso del dempo provoca un deterioro en el sistema, y el entrenamiento realizado en la primera sesión no es eficaz para mantener un rendimiento consistente en las siguientes sesiones. En la figura 6-20 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 7 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. CAPÍTULO 6. RESULTADOS 91 Figura 6-20. Template canal Oz del Sujeto 7 con electrodos pasivos húmedos. 6.8.3 Electrodos acOvos húmedos de g.USBamp Para este equipo, el sujeto 7 obtuvo una precisión del 100% tras 10 ciclos de selección, y con esta precisión se obdene una ITR de 29.54 bits/min. Al igual que en todos los sujetos, se calculan los resultados que se obtendrían para un número inferior de ciclos. Analizando los resultados se puede observar que con 7 ciclos se obdene también una precisión del 100%, y posteriormente, para los ciclos 8 y 9 se obdenen precisiones inferiores, esto es debido a que no siempre un número mayor de ciclos corresponde con una mayor precisión, y esto puede ser debido a causas externas como el ruido. Tabla 6-22. Resultados de precisión e ITR para el sujeto 7 con electrodos acUvos húmedos de g.USBamp variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 60.00 122.70 2 81.25 100.34 3 96.88 91.61 4 93.75 64.46 5 90.62 48.46 6 96.88 45.80 7 100.00 42.20 8 96.88 34.35 9 93.75 28.65 10 100.00 29.54 En la figura 6-21 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 7 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) en el caso del equipo g.USBamp de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. CAPÍTULO 6. RESULTADOS 92 Figura 6-21. Template canal Oz del Sujeto 7 con electrodos acUvos húmedos de g.USBamp. 6.9 Sujeto 8 6.9.1 Electrodos pasivos secos con Enobio Para este dpo de electrodos, el octavo sujeto obtuvo una precisión media de todas las sesiones de 2.34 tras 10 ciclos de selección, y una ITR media de 0.03 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-23. Resultados de precisión e ITR para el sujeto 8 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 3.12 0.00 6.25 0.00 2.34 0.02 0.00 1.37 0.00 0.35 2 3.12 0.00 3.12 0.00 1.56 0.009 0.00 0.009 0.00 0.00 3 3.12 0.00 0.00 0.00 0.78 0.006 0.00 0.00 0.00 0.00 4 3.12 0.00 0.00 0.00 0.78 0.004 0.00 0.00 0.00 0.00 5 3.12 0.00 6.25 0.00 2.34 0.003 0.00 0.27 0.00 0.07 6 6.25 0.00 6.25 0.00 3.13 0.23 0.00 0.23 0.00 0.11 7 3.12 0.00 3.12 0.00 1.56 0.002 0.00 0.002 0.00 0.00 8 3.12 0.00 0.00 0.00 0.78 0.002 0.00 0.00 0.00 0.00 9 9.38 0.00 3.12 3.12 3.91 0.46 0.00 0.002 0.002 0.12 10 6.25 0.00 3.12 0.00 2.34 0.14 0.00 0.002 0.00 0.03 En la figura 6-22 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 7 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag CAPÍTULO 6. RESULTADOS 93 Figura 6-22. Template canal Oz del Sujeto 8 con electrodos pasivos secos. 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. 6.9.2 Electrodos pasivos húmedos con Enobio Para este dpo de electrodos, el octavo sujeto obtuvo una precisión media de todas las sesiones de 28.12% tras 10 ciclos de selección, y una ITR media de 5.34 bits/min. En la siguiente tabla se recogen todos los resultados que se hubieran obtenido para un número inferior de ciclos por selección, así como los resultados para todas las sesiones realizadas. Tabla 6-24. Resultados de precisión e ITR para el sujeto 8 con electrodos pasivos secos variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) S1 S2 S3 S4 Media S1 S2 S3 S4 Media 1 6.25 12.50 3.12 6.25 7.03 1.37 7.90 0.02 1.37 2.66 2 28.12 18.75 6.25 0.00 13.28 17.88 8.75 0.68 0.00 6.83 3 40.62 37.50 15.62 0.00 23.44 21.90 19.23 4.13 0.00 11.31 4 43.75 50.00 9.38 0.00 25.78 18.51 22.93 1.04 0.00 10.62 5 46.88 46.88 9.38 0.00 25.79 16.55 16.55 0.83 0.00 8.48 6 43.75 43.75 6.25 0.00 23.44 12.34 12.34 0.23 0.00 6.23 7 46.88 53.12 3.12 0.00 25.78 11.82 14.43 0.00 0.00 6.56 8 40.62 50.00 6.25 0.00 24.22 8.21 11.47 0.17 0.00 4.96 9 46.88 56.25 3.12 0.00 26.56 9.19 12.30 0.00 0.00 5.37 10 46.88 62.50 3.12 0.00 28.13 8.27 13.10 0.00 0.00 5.34 CAPÍTULO 6. RESULTADOS 94 Figura 6-23. Template canal Oz del Sujeto 8 con electrodos pasivos húmedos. En esta tabla se puede ver que, al igual que pasó con el sujeto 1, en la úldma sesión se ha producido un error a la hora de transmidr la señal, lo que reduce significadvamente los resultados. Además, similar a lo observado con el sujeto 7, este sujeto presenta una disminución en la precisión del sistema a lo largo del dempo entre sesiones. No obstante, cabe señalar que este sujeto manifestó reiteradamente que presentaba molesdas con el casco, y salvo en la segunda sesión, el sistema no logró interpretar correctamente más de la mitad de los comandos que el sujeto quería transmidr. En la figura 6-23 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 8 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) con electrodos secos de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. 6.9.3 Electrodos acOvos húmedos de g.USBamp Para este eqiupo, el octavo sujeto obtuvo una precisión del 87.50% tras 10 ciclos de selección, y con esta precisión se obdene una ITR de 22.77 bits/min. Al igual que en todos los sujetos, se calculan los resultados que se obtendrían para un número inferior de ciclos. En este sujeto observamos que al igual que en el sujeto 5 o 6, no hay ningún valor para el cual se obtenga una precisión máxima. Como ya se ha explicado, no sería muy viable una reducción del dempo de selección, ya que empeoraría los valores de precisión. CAPÍTULO 6. RESULTADOS 95 Tabla 6-25. Resultados de precisión e ITR para el sujeto 8 con electrodos acUvos húmedos de g.USBamp variando el número de ciclos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 18.75 17.50 2 25.00 14.62 3 31.25 14.24 4 56.25 27.67 5 50.00 18.35 6 68.75 25.44 7 65.62 20.23 8 78.12 23.50 9 81.25 22.30 10 87.50 22.77 En la figura 6-24 se puede ver la template media de los 4 trains realizados del canal Oz del sujeto 8 en respuesta a la presentación del esnmulo de la letra P (comando que dene lag 0) en el caso del equipo g.USBamp de la señal c-VEP. Esta plandlla es la que udliza el programa MEDUSA© cuando se observa ese comando específico, y para el resto de comandos se udliza la misma plandlla pero desplazada según el lag de la secuencia de iluminación. 6.10 Media de los resultados En esta úldma parte del capítulo de resultados, se ha calculado una media de todos los resultados. 6.10.1 Electrodos pasivos secos con Enobio 6.10.1.1 Sesión 1 Figura 6-24. Template canal Oz del Sujeto 8 con electrodos acUvos húmedos de g.USBamp. CAPÍTULO 6. RESULTADOS 96 En esta tabla se muestran la precisión e ITR medias para todos los sujetos en la primera sesión, y a condnuación, se representan estos resultados gráficamente. Tabla 6-26. Precisión e ITR medias de todos los sujetos para la sesión 1 con electrodos pasivos secos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 12.11 11.54 2 17.58 10.57 3 15.63 5.79 4 17.97 5.81 5 20.83 5.36 6 21.49 4.95 7 20.31 3.85 8 21.09 3.53 9 23.05 3.70 10 22.66 3.30 Figura 6-25. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 1. Figura 6-26. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 1. CAPÍTULO 6. RESULTADOS 97 6.10.1.2 Sesión 2 En esta tabla se muestran la precisión e ITR medias para todos los sujetos en la segunda sesión, y a condnuación, se representan estos resultados gráficamente. Tabla 6-27. Precisión e ITR medias de todos los sujetos para la sesión 2 con electrodos pasivos secos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 3.12 0.52 2 4.69 0.69 3 7.42 1.71 4 5.86 1.02 5 10.55 2.46 6 10.94 1.86 7 10.94 1.68 8 12.89 1.90 9 13.67 1.86 10 14.45 1.93 Figura 6-27. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 2. Figura 6-28. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 2. CAPÍTULO 6. RESULTADOS 98 6.10.1.3 Sesión 3 En esta tabla se muestran la precisión e ITR medias para todos los sujetos en la tercera sesión, y a condnuación, se representan estos resultados gráficamente. Tabla 6-28. Precisión e ITR medias de todos los sujetos para la sesión 3 con electrodos pasivos secos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 3.51 1.72 2 4.30 1.83 3 3.51 0.73 4 5.08 1.12 5 6.25 0.84 6 6.25 0.68 7 9.37 1.44 8 9.37 1.36 9 8.59 1.01 10 9.77 1.12 Figura 6-29. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 3. Figura 6-30. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 3. CAPÍTULO 6. RESULTADOS 99 6.10.1.4 Sesión 4 En esta tabla se muestran la precisión e ITR medias para todos los sujetos en la cuarta y úldma sesión, y a condnuación, se representan estos resultados gráficamente. Tabla 6-29. Precisión e ITR medias de todos los sujetos para la sesión 4 con electrodos pasivos secos. N.º ciclos por selección Precisión (%) ITR (bit/min) 1 6.25 3.06 2 6.64 2.93 3 9.77 3.85 4 9.38 2.89 5 8.98 2.84 6 10.16 2.31 7 10.54 2.05 8 11.72 1.97 9 12.50 1.82 10 11.33 1.60 Figura 6-31. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 4. Figura 6-32 Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos pasivos secos en la sesión 4. CAPÍTULO 6. RESULTADOS 106 Figura 6-43. Representación gráfica de la variación de la precisión de todos los sujetos en función del número de ciclos con electrodos acUvos húmedos de g.USBamp. Los resultados de ITR que se exponen en la tabla se muestran también gráficamente en la figura 6-44. En esta figura se puede ver que a medida que aumenta el número de ciclos por selección, disminuye el valor de ITR, llegando al valor más bajo de 20.07 bits/min. Figura 6-44. Representación gráfica de la variación de la ITR de todos los sujetos en función del número de ciclos con electrodos acUvos húmedos de g.USBamp. Finalmente, se muestran las templates medias de los 4 trains en respuesta al comando con lag 0 de cada sujeto en la figura 6-45. CAPÍTULO 6. RESULTADOS 107 Figura 6-45. Templates del canal Oz de todos los sujetos y promedio de todas ellas con electrodos acUvos húmedos de g.USBamp. En esta figura se puede observar que las respuestas cerebrales de los sujetos comparten varias similitudes, como pueden ser picos y descensos de amplitud en la señal. Este patrón es consistente a lo largo del dempo, lo que indica que todos los sujetos respondieron al mismo dpo de esdmulación visual. Se puede observar que las amplitudes de las señales varían significadvamente entre sujetos. Algunos sujetos muestran picos de amplitud mayores (por ejemplo, el sujeto S4 en color rojo), mientras que otros denen respuestas más atenuadas (por ejemplo, el sujeto S3 en color verde), y algunas señales presentan más ruido o artefactos, visibles como oscilaciones rápidas e irregulares. Esto puede deberse a diferencias individuales en la fisiología cerebral (grosor del cuero cabelludo, la conducdvidad del tejido, y la densidad de las neuronas en el área occipital), movimientos oculares, parpadeos, fadga, o variaciones en la atención durante el entrenamiento. Sujetos con mayor excitabilidad cordcal pueden mostrar amplitudes mayores, así como La fadga o la falta de atención puede resultar en respuestas de menor amplitud. 6.11 Resultados del cuesGonario de saGsfacción Como se mencionó en el apartado 5.2, al final de cada sesión y al final de todas las pruebas se realizó a los sujetos un cuesdonario para evaluar la comodidad y facilidad del programa udlizado. Los resultados obtenidos en los cuesdonarios se recogen en las siguientes tablas. Para los resultados del cuesdonario realizado tras cada sesión se ha hecho la media de los resultados obtenidos tras cada sesión y luego una media final, para no incluir tantas tablas en el documento. Todos estos resultados están valorados en una escala del 1 al 5. CAPÍTULO 6. RESULTADOS 108 Tabla 6-35. Resultados medios de cada sujeto y media final del cuesUonario de saUsfacción realizado después de cada sesión Pregunta Sujeto S1 S2 S3 S4 S5 S6 S7 S8 Media Cómo calificaría la comodidad de los electrodos secos uElizados durante el estudio 3,5 2 1.5 3.25 2.25 3 3.25 1.5 2.53 Cómo calificaría la comodidad de los electrodos húmedos uElizados durante el estudio 5 5 4 4 4 3.75 3.75 4 4.18 Tabla 6-36. Resultados de cada sujeto y media del cuesUonario de saUsfacción final Pregunta Respuestas del sujeto S1 S2 S3 S4 S5 S6 S7 S8 Media El sistema es intuiEvo y fácil de uElizar 5 3 4 4 5 3 4 4 4 Dificultad para mantener la concentración durante la sesión 2 2 3 5 2 4 2 3 2.88 En algún momento el sistema (plataforma MEDUSA©) no ha respondido correctamente a mis intenciones 1 2 3 1 2 2 2 3 2 La duración de cada sesión ha sido demasiado larga 1 1 2 3 3 1 1 2 1.75 FaEga visual originada durante las sesiones 3 3 3 4 2 4 2 5 3.25 Las sesiones requieren demasiada concentración, lo que me ha terminado cansando 1 1 2 4 2 3 1 2 2 El sistema respondía correctamente a mis intenciones con los electrodos secos 1 1 1 1 1 1 1 1 1 El sistema respondía correctamente a mis intenciones con los electrodos húmedos 3 5 4 5 5 4 4 4 4.25 CAPÍTULO 6. RESULTADOS 109 P9. ¿Tienes alguna recomendación o sugerencia específica para mejorar la experiencia en futuras sesiones? S3: Usar gel, ya que, si con los electrodos secos no hubiera que apretar para conseguir señal, los preferiría ya que no manchan. S4: Intentar cambiar el método del gel. CAPÍTULO 6. RESULTADOS 110 111 CAPÍTULO 7. DISCUSIÓN DE RESULTADOS En este capítulo, se presentan y discuten los resultados obtenidos en el capítulo anterior, se compararán dichos resultados con estudios anteriores, y se idendficarán y discudrán las limitaciones encontradas al realizar este estudio. 7.1 Análisis del rendimiento del sistema Evaluación de electrodos pasivos secos Los resultados obtenidos con los electrodos secos del equipo de Neuroelectrics han demostrado ser significadvamente inferiores en comparación con los electrodos húmedos. En múldples sesiones de prueba, las señales registradas con electrodos secos mostraron una alta variabilidad y falta de coherencia, lo que se tradujo en una precisión muy baja, llegando incluso a obtener una precisión del 0% en algunas sesiones. Este resultado indica que los electrodos secos no lograron captar adecuadamente las señales cerebrales necesarias para el correcto funcionamiento del sistema BCI. Al analizar las gráficas de las señales registradas con electrodos secos, las cuales se pueden ver en las figuras 7-1, 7-2 y 7-3, se observa que no hay patrones claros ni consistentes que coincidan con los esnmulos visuales presentados durante el entrenamiento. La alta presencia de ruido y artefactos en la señal sugiere que los electrodos secos no establecieron un buen contacto con el cuero cabelludo, lo cual es crucial para la captura precisa de las señales EEG. Además, los canales clave como Oz, que son fundamentales para detectar los VEP, no mostraron la sincronización esperada con los esnmulos, indicando errores en la transmisión de la señal. Evaluación de electrodos húmedos de Enobio 8 Los electrodos húmedos del equipo de Neuroelectrics, por otro lado, mostraron un mejor desempeño en comparación con los electrodos secos. Las señales registradas con estos electrodos presentaron patrones más claros y consistentes, aunque no alcanzaron la calidad de las señales registradas con el sistema g.USBamp. Las gráficas de los canales clave, incluyendo Oz, mostraron picos y patrones que correspondían a los esnmulos visuales presentados, lo cual indica una mejor captación de las señales EEG. Sin embargo, a pesar de la mejora en la calidad de la señal con los electrodos húmedos de Enobio 8, aún se observó cierta variabilidad. Esto podría deberse a la forma de transmisión de la señal podría haber influido en la calidad final de los datos recogidos. Al transmidrse en un primer lugar la señal por WiFi a la plataforma NIC de Neuroelectrics, y luego de ésta a MEDUSA© por LSL, puede degradarse la señal y es lo que puede empeorarla. Esta doble etapa de transmisión introduce posibles fuentes de ruido y latencia que afectan la integridad de la señal original. En la primera etapa, la transmisión inalámbrica puede estar sujeta a interferencias electromagnédcas y pérdida de paquetes, lo que deteriora la calidad de la señal antes de llegar a la plataforma NIC. Posteriormente, la transmisión de la señal a MEDUSA© mediante el protocolo LSL puede añadir más variabilidad debido a CAPÍTULO 7. DISCUSIÓN DE RESULTADOS 112 diferencias en la sincronización y la latencia de la red, resultando en una señal final menos precisa y consistente. Evaluación de Electrodos Húmedos de g.USBamp El sistema de electrodos húmedos de g.USBamp demostró ser superior en comparación con los electrodos de Neuroelectrics. Como se ha mencionado antes, como este método de registro de EEG se pasa directamente a MEDUSA©, se produce una menor pérdida de calidad de la señal. 7.2 Análisis longitudinal del rendimiento del sistema En el análisis longitudinal, se observó que los electrodos secos no mantuvieron una calidad de señal consistente a lo largo del tiempo. Las pruebas repetidas mostraron que la variabilidad en la señal permaneció alta y la precisión fue baja en todas las sesiones. Esto sugiere que los electrodos secos no son adecuados para estudios longitudinales que requieren una captura precisa y consistente de señales EEG. Por otro lado, los electrodos húmedos de Neuroelectrics mostraron una mejor consistencia a lo largo del tiempo, aunque con cierta variabilidad y ruido en las señales. Sin embargo, la calidad de la señal y la precisión mejoraron con el uso de electrodos húmedos, lo que los hace una opción más viable para estudios prolongados en comparación con los electrodos secos. A pesar de los errores producidos en la transmisión de la señal, se observó que, por ejemplo, en el sujeto 1 se produjeron errores en las sesiones 2 y 4, mientras que en la sesión 3 se siguieron obteniendo los resultados esperados. Esto indica que el entrenamiento sigue siendo údl para este sujeto en esa sesión. Por lo tanto, los resultados muestran que, en general, la precisión de los electrodos húmedos de este equipo se mandene reladvamente estable en las diferentes sesiones (1 día, 1 semana, 2 semanas y 1 mes tras el entrenamiento). Estos resultados se han demostrado para todos los sujetos, excepto para el 7 y el 8. El sistema de g.USBamp, aunque solo se probó en una sesión, demostró una calidad de señal superior y una alta precisión, lo que sugiere que sería altamente eficaz en estudios longitudinales. La baja variabilidad y el ruido mínimo en las señales indican que este sistema podría proporcionar datos fiables y consistentes a lo largo del tiempo. Al comparar los resultados obtenidos con el Enobio 8 con los del g.USBAMP , se observa que este úldmo dene un rendimiento superior en términos de precisión e ITR. Los sujetos alcanzaron una precisión del 100% con el g.USBAMP , lo que no fue posible con el Enobio 8 salvo en el sujeto 4. Por ejemplo, el sujeto 2 obtuvo una precisión media de 86.82% tras 10 ciclos de selección en todas las sesiones con Enobio 8, mientras que con g.USBamp proporcionó una precisión de 100%. Esto sugiere que, aunque los electrodos húmedos del Enobio 8 son capaces de captar señales EEG údles, la tecnología udlizada en el g.USBamp puede ser más avanzada o estable, resultando en un mejor desempeño general. CAPÍTULO 7. DISCUSIÓN DE RESULTADOS 113 En resumen, los resultados sugieren que el entrenamiento inicial fue suficiente para mantener un buen rendimiento del sistema a lo largo de las sesiones subsecuentes, especialmente con electrodos húmedos. Esto implica que una calibración inicial adecuada puede ser suficiente para el uso prolongado del sistema sin necesidad de recalibraciones frecuentes. Aunque se observó una ligera disminución en la precisión en algunas sesiones a medida que pasaba el dempo, la mayoría de los sujetos mantuvieron una precisión aceptable durante el mes de seguimiento. Esto es prometedor para la viabilidad de los sistemas BCI en aplicaciones a largo plazo. En las siguientes imágenes se muestran las señales registradas con los diferentes electrodos. La primera imagen corresponde a las señales obtenidas con electrodos secos, donde se observan amplitudes considerablemente amplias y variaciones notables en los picos, lo que sugiere una mayor canddad de ruido o artefactos. En la segunda imagen, se presentan las señales registradas con electrodos húmedos del sistema Neuroelectrics, donde se ve que las señales son más estables y consistentes en comparación con los electrodos secos. Las amplitudes son menores y más uniformes en todos los canales, aunque se observan algunas fluctuaciones menores, probablemente causadas por problemas intermitentes en la transmisión de la señal. La tercera imagen muestra las señales registradas con electrodos húmedos udlizando el sistema g.USBamp. Estas señales son las más consistentes y estables de los tres conjuntos, con amplitudes bajas y menos fluctuaciones, lo que indica una mejor calidad de registro. CAPÍTULO 7. DISCUSIÓN DE RESULTADOS 114 Figura 7-1. Templates de todos los canales del Sujeto 4 con electrodos secos. CAPÍTULO 7. DISCUSIÓN DE RESULTADOS 115 Figura 7-2. Templates de todos los canales del Sujeto 4 con electrodos húmedos. Figura 7-3. Templates de todos los canales del Sujeto 4 con g.USBamp. 122 CAPÍTULO 8. CONCLUSIONES Y LÍNEAS FUTURAS 8.1 Conclusiones En conclusión, los resultados obtenidos en este Trabajo de Fin de Grado indican que los sistemas BCI basados en c-VEP pueden ser efecdvos para la traducción de intenciones del usuario en comandos, especialmente cuando se udlizan electrodos acdvos húmedos y equipos como el g.USBamp. Sin embargo, la estabilidad del equipo y la variabilidad individual son factores crídcos que deben ser abordados en futuros estudios. Los resultados de este estudio tienen varias implicaciones importantes para el diseño y la implementación de sistemas BCI basados en EEG. Primero, se destaca la importancia de seleccionar el tipo adecuado de electrodos para garantizar la calidad y la precisión de las señales. Como se ha comentado, los electrodos activos húmedos, y en particular el sistema de g.USBamp, demostraron ser superiores en este estudio, lo que sugiere que los futuros sistemas BCI deberían considerar el uso de electrodos húmedos de alta calidad para aplicaciones precisas y fiables. Además, la variabilidad observada en los electrodos húmedos de Enobio (Neuroelectrics) sugiere que hay margen para mejorar la estabilidad y el diseño de estos electrodos. Mejoras en la su tecnología y en los métodos de transmisión de señal podrían resultar en una mayor consistencia y menor ruido en las señales. Para futuras investigaciones, se recomienda realizar estudios longitudinales más extensos utilizando el sistema de g.USBamp para confirmar su eficacia a lo largo del tiempo. Además, se podrían explorar combinaciones de diferentes tipos de electrodos y métodos de transmisión de señal para optimizar la calidad de los datos recogidos. En resumen, estos resultados destacan las diferencias significadvas en la calidad de la señal EEG registrada con disdntos dpos de electrodos. Los electrodos pasivos secos mostraron un desempeño deficiente, con alta variabilidad y falta de coherencia en las señales. Los electrodos pasivos húmedos de Neuroelectrics, aunque mejoraron la calidad de la señal, aún presentaron cierta variabilidad y ruido. El sistema de g.USBamp demostró ser superior, con señales claras y consistentes. Estos hallazgos proporcionan una base sólida para futuras invesdgaciones y desarrollos en el campo de los sistemas BCI basados en EEG. Un aspecto clave de la evaluación del rendimiento a lo largo del dempo es la calibración. Un interrogante relevante es si es facdble calibrar el sistema una sola vez y mantener un rendimiento ópdmo durante varias sesiones sin necesidad de recalibración. Este estudio revela que, en la mayoría de los casos, una calibración inicial adecuada puede ser suficiente para mantener un buen rendimiento del sistema a lo largo del dempo, aunque algunos sujetos experimentaron una ligera disminución en la precisión en sesiones posteriores. CAPÍTULO 8. CONCLUSIONES Y LÍNEAS FUTURAS 123 La necesidad de recalibración parece depender tanto de las caracterísdcas del sujeto como del equipo udlizado. Los electrodos pasivos secos, por ejemplo, mostraron una mayor variabilidad y, por lo tanto, podrían requerir recalibraciones más frecuentes. En cambio, los electrodos húmedos y el sistema g.USBamp demostraron una mayor estabilidad a lo largo del dempo, lo que indica que estos podrían ser más adecuados para estudios longitudinales sin la necesidad de recalibraciones constantes. Es importante realizar estudios adicionales para determinar con mayor precisión en qué situaciones es necesaria la recalibración y cómo se puede opdmizar el proceso de calibración para maximizar la eficacia y la usabilidad de los sistemas BCI a largo plazo. Finalmente, se sugiere la implementación de algoritmos avanzados de procesamiento de señales para filtrar el ruido y mejorar la precisión de la detección de VEPs. La combinación de hardware de alta calidad y algoritmos sofisdcados podría resultar en sistemas BCI más robustos y precisos, ampliando sus aplicaciones potenciales en diversas áreas, incluyendo la neurorehabilitación, la comunicación asisdda y la invesdgación neurológica. 8.2 Líneas futuras Para mejorar el rendimiento y la usabilidad de los sistemas BCI basados en c-VEP, es necesario llevar a cabo varias líneas de invesdgación futuras. Mejora de electrodos secos: invesdgar y desarrollar nuevos materiales y diseños de electrodos secos que puedan ofrecer una precisión comparable a la de los electrodos húmedos sin sacrificar la comodidad del usuario. Mejora de la estabilidad: es crucial mejorar la estabilidad de la señal de los electrodos húmedos del Enobio 8. Esto puede implicar mejoras en el diseño del electrodo, la calidad del gel conductor udlizado, y la robustez del sistema de conexión. Calibración y recalibración: dado que los problemas técnicos pueden afectar significadvamente el rendimiento, se recomienda implementar métodos de recalibración adaptadva que puedan compensar cualquier degradación de la señal a lo largo del dempo. Inves:gación adicional: sería beneficioso realizar estudios adicionales para entender mejor las causas de la variabilidad individual en el rendimiento del BCI con electrodos húmedos. Esto podría incluir invesdgaciones sobre la fisiología cerebral individual y cómo diferentes usuarios interactúan con el sistema BCI. Método de asincronía: un posible desarrollo futuro podría ser la creación de un método de asincronía que detecte si el usuario está prestando atención a la esdmulación antes de enviar cada comando. Esto permidría que el sistema BCI no solo funcione de manera más precisa, sino también de manera más eficiente al reducir la probabilidad de que se seleccione un comando sin intención del usuario. Este dpo de mecanismo podría opdmizar la interacción entre el usuario y el sistema, mejorando la usabilidad general del BCI. CAPÍTULO 8. CONCLUSIONES Y LÍNEAS FUTURAS 124 125 CAPÍTULO 9. REFERENCIAS [1] S. Madihally, Principles of Biomedical Engineering, Second Edidon. Artech House, 2019. [2] J. Enderle, J. Bronzino, and S. M. Blanchard, Introducdon to Biomedical Engineering. Academic Press, 2005. [3] R. M. Rangayyan, Biomedical Signal Analysis. Wiley-IEEE Press, 2002. [4] P. A. C. Pérez, J. R. García, y J. J. R. Ibáñez, “Procesado de señales biomédicas”. Castilla-La Mancha, España: Univ. de Castilla La Mancha, 2007. [5] E. Niedermeyer and F. H. L. da Silva, Electroencephalography. Lippinco• Williams & Wilkins, 2005. [6] W. O. Tatum and. IV, Handbook of EEG Interpretadon, Second Edidon. Demos Medical Publishing, 2014. [7] F. Ramos-Argüelles, G. Morales, S. Egozcue, “Técnicas básicas de electroencefalograpa: principios y aplicaciones clínicas Basic techniques of electroencephalography: principles and clinical applicadons”, Anales Del Sistema Sanitario De Navarra, vol. 32. Anales Del Sistema Sanitario De Navarra, pp. 69–82. [8] M. Rangaswamy et al., “Beta power in the EEG of alcoholics”, Biological Psychiatry, vol. 52. Biological Psychiatry, pp. 831–842, Oct. 15, 2002. [9] R. Homan, R. Homan, “The 10-20 Electrode System and Cerebral Locadon”, American Journal of Electroneurodiagnosdc Technology, vol. 28. American Journal of Electroneurodiagnosdc Technology, pp. 269–279, Dec. 01, 1988. [10] J. Wolpaw y E. W. Wolpaw, Brain-Computer Interfaces: Principles and Prac7ce. Oxford Univ. Press, 2012. [11] J. R. Wolpaw et al., “Brain-computer interface technology: a review of the first internadonal meedng”, IEEE Trans. Rehabil. Eng., vol. 8, n.º 2, pp. 164–173, junio de 2000. [12] UMA-BCI. Interfaces Cerebro-Computadora (Universidad de Málaga). [13] R. P. N. Rao, Brain-Computer Interfacing: An Introduc7on. Cambridge Univ. Press, 2013. [14] L. F. Nicolas-Alonso y J. Gomez-Gil, “Brain Computer Interfaces, a Review”, Sensors, vol. 12, n.º 2, pp. 1211–1279, enero de 2012. REFERENCIAS 126 [15] J. Ruiz-Vanoye, O. Díaz-Parra, A. Ochoa-Zezzaˆ, I. Cruz, A. Fuentes-Penna, R. A. Barrera-Cámara, y B. Bernabe-Loranca, "Una primera aproximación a la Interfaz de Cómputo Cerebral," Komputer Sapiens, vol. 8, pp. 7-10, 2016. [16] V. Marnnez-Cagigal, "Toward Pracdcal P300-based Brain-Computer-Interfaces: Asynchrony, Channel Selecdon and Assisdve Applicadons," Tesis doctoral, Univ. Valladolid, Valladolid, España, 2020. [17] D. H. Barros, “Potenciales relacionados a eventos cognidvos en Psicología del Deporte”, Revista Iberoamericana de Psicología del Ejercicio y el Deporte, vol. 1. Revista Iberoamericana de Psicología del Ejercicio y el Deporte, pp. 105–117. [18] J. Wolpaw, N. Birbaumer, D. McFarland, G. Pfurtscheller, and T. Vaughan, “Brain– computer interfaces for communicadon and control”, Clinical Neurophysiology, vol. 113. pp. 767–791, Jun. 01, 2002. [19] G. Pfurtscheller, G. R. Müller, J. Pfurtscheller, H. J. Gerner, and R. Rupp, "'Thought'- -control of funcdonal electrical sdmuladon to restore hand grasp in a padent with tetraplegia," Neuroscience LeKers, vol. 351, no. 1, pp. 33-36, Dec. 2003. [20] Muller-Putz, G.R.; Pfurtscheller, G. Control of an Electrical Prosthesis With an SSVEP-Based BCI. IEEE Trans. Biomed. Eng. 2008, 55, 361–364. [21] L. A. Farwell and E. Donchin, “Talking off the top of your head: toward a mental prosthesis udlizing event-related brain potendals,” Electroencephalogr. Clin. Neurophysiol., vol. 70, no. 6, pp. 510–523, 1988. [22] E. C. Lalor, S. P. Kelly, C. Finucane, R. Burke, R. Smith, and G. McDarby, "Steady-State VEP-Based Brain-Computer Interface Control in an Immersive 3D Gaming Environment," EURASIP Journal on Advances in Signal Processing, vol. 2005, no. 19, pp. 1-9, Dec. 2005. [23] N. Birbaumer, N. Ghanayim, T. Hinterberger, I. Iversen, B. Kotchoubey, A. Kübler, J. Perelmouter, E. Taub, and H. Flor, "A spelling device for the paralysed," Nature, vol. 398, no. 6725, pp. 297-298, Mar. 1999. [24] V. Marnnez-Cagigal, J. Thielen, E. Santamaría-Vázquez, S. Pérez-Velasco, P. Desain, and R. Hornero, “Brain–computer interfaces based on code-modulated visual evoked potendals (c-VEP): a literature review”, Journal of Neural Engineering, vol. 18. Journal of Neural Engineering, Nov. 11, 2021. [25] Su•er E E 1984 The visual evoked response as a communicadon channel Proc. IEEE Symp. Biosensors pp 95–100. [26] G. Bin, X. Gao, Y. Wang, B. Hong, and S. Gao, “VEP-based brain-computer interfaces: dme, frequency, and code moduladons [Research Fronder]”, IEEE Computadonal REFERENCIAS 127 Intelligence Magazine, vol. 4. IEEE Computadonal Intelligence Magazine, Nov. 01, 2009. [27] M. Samara, C. Farmaki, N. Zacharioudakis, M. Pediadids, M. Krana, and V. Sakkalis, “Comparison between dry and wet EEG electrodes in an SSVEP-based BCI for robot navigadon”, 2022 IEEE 22nd Interna7onal Conference on Bioinforma7cs and Bioengineering (BIBE). 2022 IEEE 22nd Internadonal Conference on Bioinformadcs and Bioengineering (BIBE), pp. 333–338, Nov. 01, 2022. [28] M. Spüler, “A high-speed brain-computer interface (BCI) using dry EEG electrodes”, PLoS ONE, vol. 12. PLoS ONE, Feb. 22, 2017. [29] F. Gembler, P. Stawicki, A. Rezeika, M. Benda, and I. Volosyak, “Exploring Sessionto-Session Transfer for Brain-Computer Interfaces based on Code-Modulated Visual Evoked Potendals”, 2020 IEEE Internadonal Conference on Systems, Man, and Cybernedcs (SMC). 2020 IEEE Internadonal Conference on Systems, Man, and Cybernedcs (SMC), pp. 1505–1510, Oct. 11, 2020. [30] E. Santamaría-Vázquez et al., “MEDUSA©: A novel Python-based so†ware ecosystem to accelerate brain-computer interface and cognidve neuroscience research”, Computer methods and programs in biomedicine, vol. 230. Computer methods and programs in biomedicine, p. 107357, Jan. 16, 2023. [31] K. Müller, C. Anderson, G. Birch, “Linear and nonlinear methods for brain-computer interfaces”, IEEE Transacdons on Neural Systems and Rehabilitadon Engineering, vol. 11. IEEE Transacdons on Neural Systems and Rehabilitadon Engineering, pp. 165–169, Jul. 28, 2003. [32] S. Moreno-Calderón, V. Marnnez-Cagigal, E. Santamaría-Vázquez, S. Pérez-Velasco, D. Marcos-Marnnez, and R. Hornero, “Combining brain-computer interfaces and muldplayer video games: an applicadon based on c-VEPs”, Fron7ers in Human Neuroscience, vol. 17. Fronders in Human Neuroscience, Aug. 03, 2023. [33] A. Mohebbi, S. K. D. Engelsholm, S. Puthusserypady, T. W. Kjaer, C. E. Thomsen, and H. B. D. Sorensen, "A brain computer interface for robust wheelchair control applicadon based on pseudorandom code modulated Visual Evoked Potendal," Journal of NeuroEngineering and Rehabilita7on, vol. 9, no. 1, pp. 1-13, Sept. 2012. 128 129 CAPÍTULO 10. ÍNDICE DE ACRÓNIMOS A condnuación, se muestran todos los acrónimos udlizados en este TFG, así como su traducción al inglés. BCI Brain Computer Interface Interfaz Cerebro-Computadora BWR rLDA Bilinear Weighted Regularized Linear Discriminant Analysis Análisis discriminante lineal regularizado ponderado bilineal CCA Canonical-Correla7on Analysis Análisis de Correlación Canónica c-VEP Code-modulated Visual Evoked Poten7als Potenciales Evocados Visuales Modulados por Código CLIS Complete Locked-In State Estado de bloqueo completo ECG Electrocardiogram Electrocardiograma ECoG Electrocor7cography Electrocordcografia EEG Electroencephalogram Electroencefalograma ELA Amyotrophic Lateral Sclerosis Esclerosis Lateral Amiotrófica EMG Electromyogram Electromiograma ERD Event-Related Desynchroniza7on Desincronización Relacionada con Eventos ERP Event-Related Poten7al Potencial Relacionado con Eventos ERS Event-Related Synchroniza7on Sincronización Relacionada con Eventos FES Func7onal Electrical Simula7on Esdmulación Eléctrica Funcional 130 FFT Fast Fourier Transform Transformada Rápida de Fourier fMRI Func7onal Magne7c Resonance Imaging Resonancia Magnédca Funcional fNIRS Func7onal Near-infrared Spectroscopy Espectroscopía Funcional de Infrarrojo f-VEP Frequency-modulated Visual Evoked Poten7al Potencial evocado visual modulado en frecuencia ITR Informa7on Transfer Rate Tasa de transferencia de información LDA Linear Discriminant Analysis Análisis Discriminante Lineal LIS Locked-In State Estado de enclaustramiento LFSR Linear Feedback Shic Register Registros de desplazamiento de retroalimentación lineal MEG Magnetoencephalography Magnetoencefalograpa MLP Muldlayer Perceptron Perceptrón Muldcapa SCP Slow Cor7cal Poten7als Potenciales Cordcales Lentos SMR Sensoriomotor Rhythms Ritmos Sensoriomotores SNC Central Nervous System Sistema Nervioso Central SSVEP Steady-State Visual Evoked Poten7al Potencial Evocado Visual de Estado Estable SVM Support-Vector Machines Máquinas de Soporte Vectorial t-VEP Time-modulated Visual Evoked Poten7als Potenciales evocados visuales con modulación del dempo VEP Visual Evoked Poten7als Potenciales Evocados Visuales 131 VR Virtual Reality Realidad virtual