Clasificación de imaginación de movimiento mediante su similitud con el movimiento real en el electroencefalograma

Autores/as

  • Ruben I. Carino-Escobar Universidad La Salle
  • Josefina Gutierrez Martinez Instituto Nacional de Rehabilitación
  • Jessica Cantillo-Negrete Instituto nacional de rehabilitación
  • Roberto A. Vazquez Universidad La Salle

DOI:

https://doi.org/10.26457/mclidi.v2i0.771

Palabras clave:

electroencefalografía, wavelets, distancia euclidiana

Resumen

La imaginación de movimiento es un proceso cognitivo que consiste en la planeación de un movimiento sin ejecutarlo. En la señal de electroencefalografía, esta planeación puede decodificarse y, usarse como señal de control para una interface cerebro-computadora. El movimiento y la imaginación de movimiento de las extremidades del cuerpo generan patrones similares en la señal de EEG en seres humanos, por lo que esta similitud podría usarse para clasificar entre dos tareas de imaginación de movimiento mano.  En este trabajo se registraron 11 canales de electroencefalografía a 4 participantes, dos de ellos sanos y dos con enfermedad vascular cerebral, mientras realizaban ensayos de movimiento real e imaginación de movimiento de las manos. Se aplicó un filtrado espacial tipo laplaciano en los canales centrales C3, Cz y C4, después se obtuvieron representaciones tiempo-frecuencia de la señal filtrada, en las bandas alfa y beta, mediante transformada Wavelet, tanto para los ensayos de movimiento como para los de imaginación de movimiento. Se obtuvo el índice de similitud entre el promedio de las representaciones de movimiento y cada una de las de imaginación de movimiento. Se obtuvieron porcentajes de clasificación correcta superiores al nivel de aleatoriedad para tres participantes y un mejor desempeño en dos de los 4 sujetos, en comparación con la metodología basada en mapas auto-organizables.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] A. S. Go, D. Mozaffarian, V. L. Roger, et al., “Executive summary: heart disease and stroke statistics-2013 update: a report from the American Heart Association,” Circulation, vol. 127, pp. 143-152, 2013.

[2] M. Rodriguez, C. Llanos, Malechka, M. Sabate, “The kinematicks of motor imagery: Comparing the dynamics of real and virtual movements,”Neuropsychologia, vol. 47, no. 2, pp. 489-496, 2009.

[3] M.T. Carrilo-de-la-peña, S. Galdo-Alvarez, C. Lastra-Barreira, “Equivalent is not equal: Primary motor cortex (MI) activation during motor imagery and execution of sequential
movements,”Brain Research, vol. 1226, pp. 134-143, 2008.

[4] S. Kraeutner, A. Gionfriddo, T. Bardouille, S. Boe, “Motor imagery-based brain activity parallels that of motor execution: Evidence from magnetic source imaging of cortical oscillations”, Brain Research, vol. 1588, pp. 81-91, 2014.

[5] Y. Holler, J. Bergmann, M. Kronbichler, J. Sophia, E. Verena et al, “Real movement vs. motor imagery in healthy subjects”, International Journal of Psychophysiology, vol. 87, 35-41, 2012 .

[6] E. López-Larraz, L.Montesano, A. Agudo, J. Minguez, “Continous decoding of movement intention of upper limb self-initiated analytic movements from pre-movement EEG correlates”, J. Neuroengineering and rehabilitation, 11:153, 2014.

[7] A. Ubeda, E. Iañez, J. Asorrin, “Classification method for BCI based on the correlation of EEG maps”, Neurocomputing, vol. 114, 98-106, 2013 .

[8] A. Ubeda, “Endogenous brain-machine interface based on the correlation of EEG maps”, Computer methods in programs and medicine, vol. 112 , No. 2, 302-308, 2013.

[9] R. Oostenveld, P. Praamstra, “The five percent electrode system for high-resolution EEG and ERP measurements”, Clinical Neurophysiology, vol. 112, pp. 713-719, 2001.

[10] M. Binder, N. Hirokawa, U. Windhorst, “Encyclopedia of Neuroscience”, Springer, pp. 1823, 2009.

[11] H. Shima, T. Nakayama, “Higher Mathematics for Physics and Engineering”, Springer, pp. 449-480, 2009.

[12] G. Pfurtscheller, “Motor imagery and direct brain-computer communication”, Proc IEEE, vol. 89, No 7, 1123-1134, 2001.

[13] B. Hjort, “An on-line Transformation of EEG Scalp Potentials into Orthogonal Source Derivations,” Electroencephalography and Clinical Neurophysiology, vol. 39, pp. 526-530, 1975.

[14] T. Kohonen, “Essentials of the self-organizing map,” Neural Networks, vol. 37, pp. 52-65, 2013.

[15] E.Heremans, B.Smits-Engelsman, K.Caeyenberghs, etal, “Keeping an eye on motor imagery: the role of eye movements during motor imagery training”, “Neuroscience”, vol. 195, 37-44, 2011.

[16] E.Heremans,“The eyes as mirror of our thoughts: Quantification of goal-directed movements through eye movement registration”, “Behavioural Brain Research”, Vol. 187, No. 2, 351-360, 2008.

[17] C. Guger, “How many people are able to control a P-300-based brain computer interface (BCI)?, “neuroscience letters, vol. 462, No. 1, 94-98, 2009.

Descargas

Publicado

2015-11-18

Cómo citar

Carino-Escobar, R. I., Gutierrez Martinez, J., Cantillo-Negrete, J., & A. Vazquez, R. (2015). Clasificación de imaginación de movimiento mediante su similitud con el movimiento real en el electroencefalograma. Memorias Del Concurso Lasallista De Investigación, Desarrollo E innovación, 2, 1–5. https://doi.org/10.26457/mclidi.v2i0.771

Número

Sección

Ingeniería y Tecnología

Artículos similares

<< < 1 2 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.