Análisis de algoritmos de aprendizaje máquina para la clasificación de señales EEG con un enfoque en las ondas P300

Autor: Kathia Victoria Rascón Cervantes
Las interfaces cerebro computadora (BCI) han resultado ser un campo enérgico en la investigación de la ingeniería cerebral. Los sistemas de BCI analizan características específicas de la actividad cerebral de señales de un electroencefalograma EEG y las traducen en señales de control a un dispositivo. El estudio de estas ondas y el desarrollo de interfaces cerebro computadora proporcionan un camino para ayudar a personas con discapacidades motoras. En los casos no tan graves les puede ayudar a recuperar la movilidad de una mano, un brazo o una pierna, sin embargo en otros casos recuperar la movilidad no es posible. Tal es el caso de las personas diagnosticadas con el síndrome de enclaustramiento, las cuales no pueden moverse en lo absoluto, sin embargo, las BCI les pueden proporcionar una alternativa para comunicarse con su entorno y así lograr un cierto grado de independencia. Pensando en cómo se ven afectadas las personas que padecen del síndrome de enclaustramiento o discapacidades motoras similares, en 1988 Farwell y Donchin dieron lugar a el paradigma del deletreo, la base de este estudio es la localización de potenciales evocados conocidos como P300, los cuales son ondas positivas que pueden ser detectadas aproximadamente 300 ms después de que se percibe un estímulo (en este caso visual). En el caso del paradigma del deletreo se utiliza una cuadricula de 6x6 que contiene 36 caracteres alfanuméricos. El experimento consiste en que las filas y columnas se intensifican de manera aleatoria mientras el sujeto se concentra en el carácter que desea deletrear de tal manera que cuando se intensifica el carácter deseado se emiten las ondas P300. La complejidad de este problema es grande ya que se deben de identificar 36 clases diferentes. Una vez que se tienen las señales, es importante realizar un filtrado para eliminar posibles ruidos en ella. Luego, hay que definir las características que se analizarán en la señal que serán la entrada a un algoritmo de clasificación. En el estudio de este tipo de señales se tienen antecedentes de varios clasificadores basados en algoritmos de aprendizaje máquina como máquinas de soporte vectorial, análisis discriminante lineal, k vecinos más cercanos, k medias, análisis de componentes independientes, entre otros. En este trabajo se realiza una comparación de diferentes modelos matemáticos para clasificar las señales P300 logrando a la fecha resultados que oscilan entre el 53 – 60% de exactitud. De esta manera se comprueba que algoritmos basados en aprendizaje máquina son una buena alternativa para la identificación de patrones en señales provenientes de un EEG.