Search

Fil: Gareis, Iván Emilio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Brain-computer interfaces are systems that provide communication to an external device by means of directly measuring the brain activity. These systems rely on signal processing and machine learning stages to succsefully translate the registered brain-computer interfaces we can find different event related potentials which are usually masked by large noise. This is one of the main signal processing problems to solve when estimating or classifying P300 event related potentials in brain-computer interfaces. Classification and estimation of small repetitive signals usually require recording and processing several different realizations of the signal of interest. Each repetition is a time consuming process that reduces the information transfer rate. To cope with this issue we propose a novel autoencoder variation, called coherent averaging estimation autoencoder with a new multi-objective cost function. We illustrate its use and analyze its performance in the problem of event related potentials processing. Experimental results showing the advantages of the proposed approach are presented as well. Las interfaces cerebro-computadora son sistemas que proporcionan comunicación a un dispositivo externo utilizando en forma directa mediciones de la actividad cerebral. Estos sistemas utilizan metodos de procesamiento de señales y aprendizaje maquinal para traducir en comando utiles la actividad cerebral registrada. Entre las señales empleadas para implementar interfaces cerebro-computadora podemos encontrar los potenciales relacionados con eventos, los cuales estan comunmente enmascarados por ruido no correlacionado de gran amplitud. Este es uno de los principales problemas de procesamiento de señales que se deben resolver en las interfaces cerebro-computadora basadas en potenciales P300. La clasificacion y estimacion de pequeñas señales repetitivas usualmente requiere del registro y procesamiento de varias realizaciones de la señal de interes, siendo cada repeticion un proceso que consume tiempo y reduce la tasa de transferencia de informacion. Para afrontar este problema, hemos propuesto una nueva variante de autocodificador con una funcion de coste multiobjetivo, llamada autocodificador de estimacion de promedios coherentes. En este trabajo se ilustra su uso y analiza su desempeño aplicandolo al problema del procesamiento de potenciales relacionados con eventos. Tambien se presentan resultados experimentales que muestran las ventajas del enfoque propuesto. Consejo Nacional de Investigaciones Científicas y Técnicas Agencia Nacional de Promoción Científica y Tecnológica Universidad Nacional de Entre Ríos Universidad Nacional del Litoral

Una interfaz cerebro computadora (ICC) es un sistema que provee una forma de comunicación directa entre el cerebro de una persona y el mundo exterior. Para el presente trabajo se utilizaron ICC basadas en EEG utilizando el paradigma de potenciales evocados relacionados con eventos (PRE). El objetivo de este trabajo es resolver en forma eficiente el problema de clasificación, en el cual se tienen dos clases posibles: registros con respuesta (PRE) y registros sin respuesta. Para esto se propone evaluar el desempeño de una ICC utilizando la transformada wavelet diádica discreta (DDWT, del inglés Dyadic Discrete Wavelet Transform) y la transformada wavelet packet (WPT, del inglés Wavelet Packet Transform) como métodos de extracción de características para la detección de la señal de PRE. La base de datos utilizada posee registros de EEG de época única de diez sujetos sanos. A partir de los patrones temporales (registros sin post-procesamiento) se generaron cinco conjuntos de patrones wavelet luego de aplicar la DDWT y WPT mediante diferentes técnicas. Se evaluó el desempeño de cada conjunto de patrones wavelet y de los patrones temporales mediante un clasificador lineal de Fisher. Se encontró que los patrones DDWT filtrados a 16 Hz presentan resultados de clasificación superiores a los patrones temporales. De esta manera al mejorar la etapa de extracción de características se mejora la clasificación, y consecuentemente, el desempeño del sistema completo de una ICC. A brain-computer interface (BCI) is a system that provides a direct communication between the brain of a person and the outside world. For the present work we used an EEG-based event-related evoked potentials BCI. This paper aims to efficiently solve the problem of classification, which has two possible classes: recordings with evoked-potentials (ERP) and recordings without them. We proposed to evaluate the performance of a BCI using the discrete dyadic wavelet transform (DDWT) and the wavelet packet transform (WPT) as feature extraction methods for ERP signal detection. The database consisted of single-epoch EEG recordings from ten healthy subjects. From temporal patterns (recordings without any post-processing), five wavelet patterns were generated after applying DDWT and WPT via different techniques. The performance of the wavelet and temporal patterns were analyzed with the Fisher linear classifier finding that DDWT patterns, filtered at 16 Hz, presented better classification results than temporal patterns. This means that improving the feature extraction step, improves classification, and consequently, the performance of the entire BCI system. Fil: Peterson, Victoria. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina Fil: Atum, Yanina. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina Fil: Jauregui, Florencia. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina Fil: Gareis, Iván Emilio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina Fil: Acevedo, Rubén. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina Fil: Rufiner, Hugo Leonardo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina. Universidad Nacional de Entre Ríos. Facultad de Ingeniería; Argentina