000048511 001__ 48511
000048511 005__ 20160420145257.0
000048511 037__ $$aTAZ-TFG-2016-027
000048511 041__ $$aspa
000048511 1001_ $$aPinós Santamaría, Carlos Iván
000048511 24500 $$aClasificación de potenciales de error en una interfaz cerebro-computador en tareas de monitorización
000048511 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2016
000048511 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000048511 520__ $$aLas interfaces cerebro-computador(BCI) son sistemas que han experimentado grandes avances en estos ultimos a~nos y que tienen aplicaciones en el campo de la rehabilitacion o el del entretenimiento. Estas interfaces utilizan la se~nal cerebral del usuario para controlar diferentes dispositivos, lo que requiere una gran abilidad en la deteccion de los eventos producidos por el cerebro. Sin embargo, esta se~nal vara dependiendo del usuario y de la tarea lo que provoca que sea difcil detectar los eventos correctamente. En la literatura, han surgido muchas tecnicas para lograr la deteccion de los eventos pero no se ha obtenido ninguna que se pueda considerar la mejor, aunque si se ha obtenido un proceso comun en la deteccion, que cuenta con un preprocesado de la se~nal, una extraccion de caractersticas, y una clasicacion con estas caractersticas. Las caractersticas extradas suelen estar en el dominio temporal, aunque tambien se han realizado trabajos en los que se emplean caractersticas en otros dominios, como el dominio frecuencial, obteniendo buenos resultados. Tampoco existe un clasicador que obtenga siempre los mejores resultados, aunque se suelen utilizar clasicadores que trabajen bien con pocos datos en comparacion al numero de caractersticas. Uno de los problemas de la clasicacion, es que se suele contar con pocos datos de un sujeto para entrenar el modelo que detecte los eventos. Para lidiar con este problema se puede realizar una clasicacion entre sujetos, utilizando los datos de varios sujetos en el entrenamiento, y de otros diferentes para probar el modelo, sin embargo, los resultados suelen deteriorarse al hacer esto. Por ello, han surgido tecnicas para esta clasicacion entre sujetos, que proyectan las caractersticas en otro espacio en el que este problema se minimiza, aunque no se ha conseguido eliminar completamente. En este contexto, desde la Universidad de Zaragoza se ha trabajado utilizando potenciales de error, un tipo de potencial evocado que surge cuando el usuario detecta un evento inesperado, para proporcionar retro-alimentacion durante el uso de las BCIs. Para el analisis de estos potenciales han estado utilizando una metodologa de clasicacion estandar para detectar los eventos. Esta metodologa tiene unos resultados aceptables cuando se clasica a nivel de sujeto, pero al clasicar entre sujetos, los resultados se degradan. El objetivo de este trabajo es realizar una comparativa entre esta metodologa, utilizando caractersticas de diferentes dominios, una metodologa con caractersticas de fase y una metodologa extrada de un concurso de clasicacion que hace uso de la Geometra Riemanniana, que tiene ciertas propiedades que permiten generalizar entre sujetos sin que los resultados se vean afectados. Para ello, se han utilizado los datos obtenidos de un experimento en el que 12 sujetos realizaban una tarea de monitorizacion, del que se han extrado dos conjuntos de datos que han sido utilizados en la clasicacion.
000048511 521__ $$aGraduado en Ingeniería Informática
000048511 540__ $$aDerechos regulados por licencia Creative Commons
000048511 700__ $$aOmedes Llorente, Jason$$edir.
000048511 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos
000048511 7202_ $$aCivera Sancho, Javier$$eponente
000048511 8560_ $$f648499@celes.unizar.es
000048511 8564_ $$s1219170$$uhttps://zaguan.unizar.es/record/48511/files/TAZ-TFG-2016-027.pdf$$yMemoria (spa)
000048511 909CO $$ooai:zaguan.unizar.es:48511$$pdriver$$ptrabajos-fin-grado
000048511 950__ $$a
000048511 951__ $$adeposita:2016-04-20
000048511 980__ $$aTAZ$$bTFG$$cEINA