Decodificación de imaginación motora en la señal de electroencefalografía mediante mapas auto-organizados1254

Barra lateral del artículo

Publicado: jun 2, 2016
Palabras clave:
Enfermedad Vascular Cerebral, redes neuronales artificiales, clasificadores, entrenamiento supervisado, terapia

Contenido principal del artículo

Ruben I. Carino-Escobar
Jessica Cantillo-Negrete
Josefina Gutiérrez Martínez
Roberto A. Vazquez

Resumen

La imaginación motora es un proceso cognitivo que consiste en la planeación de un movimiento sin ejecutarlo. En la señal de electroencefalografía, esta planeación puede decodificarse para usarse como método terapéutico para pacientes con enfermedad vascular cerebral. Los mapas auto-organizados son redes neuronales que podrían usarse como clasificadores de imaginación de movimiento.  En este trabajo se evalúa el desempeño de los mapas auto-organizados para clasificar imaginación de movimiento en la señal de EEG. Se registraron las señales de electroencefalografía a 4 participantes, dos de ellos sanos y dos con enfermedad vascular cerebral mientras realizaban imaginación de movimiento de las manos. Se aplicó un filtrado espacial tipo Laplaciano en los canales centrales C3, Cz y C4, después se obtuvieron características espectrales en las bandas alfa y beta mediante un análisis tiempo-frecuencia. Se entrenaron mapas auto-organizados para cada participante con sus características espectrales en 3 condiciones distintas de imaginación de movimiento de mano y reposo. Se obtuvieron porcentajes de clasificación correcta superiores al nivel de aleatoriedad y de hasta 80%. Los clasificadores propuestos son prometedores para decodificar imaginación motora en el EEG y para diseñar sistemas de retroalimentación del desempeño del usuario.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Carino-Escobar, R. I., Cantillo-Negrete, J., Gutiérrez Martínez, J., & Vazquez, R. A. (2016). Decodificación de imaginación motora en la señal de electroencefalografía mediante mapas auto-organizados. Revista Del Centro De Investigación De La Universidad La Salle, 12(45), 107–125. https://doi.org/10.26457/recein.v12i45.705
Sección
Artículos
Biografía del autor/a

Ruben I. Carino-Escobar, Instituto Nacional de Rehabilitación

Obtuvo el título de ingeniero biomédico por parte de la Universidad Autónoma Metropolitana. Actualmente se encuentra estudiando la Maestría en Ciencias Área Cibertrónica en la Universidad la Salle. Cuenta con publicaciones científicas en revistas indizadas y ha participado en congresos internacionales. Actualmente se encuentra adscrito al departamento de desarrollo tecnológico del Instituto Nacional de Rehabilitación.

Jessica Cantillo-Negrete, Instituto Nacional de Rehabilitación

Obtuvo el título de ingeniero en Biónica por parte de la Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas (UPIITA) del Instituto Politécnico Nacional (IPN). Obtuvo el grado de Maestra en ciencias en Ingeniería Elécrica con especialidad en Bioelectrónica por parte del CINVESTAV. Obtuvo el grado de Doctora en Ciencias en Ingeniería Eléctrica con especialidad en Bioelectrónica por parte del CINVESTAV. Ha publicado artículos científicos en revistas indizadas y ha participado en congresos internacionales. Actualmente se encuentra adscrita a la Subdirección de Investigación Tecnológica del Instituto Nacional de Rehabilitación. Su investigación se centra en el procesamiento de señales biológicas y desarrollo de BCIs para rehabilitación.

Josefina Gutiérrez Martínez, Instituto Nacional de Rehabilitación

Obtuvo el título de Ingeniero Biomédico por parte de la Universidad Iberoamericana. Obtuvo el grado de Maestro en Ingenieria Eléctrica con especialidad en Bioelectrónica por parte del CINVESTAV. Obtuvo el grado de Doctor en Ingeniería con especialidad en procesamiento de señales por parte de la Universidad Nacional Autónoma de México. Ha publicado artículos científicos en revistas indizadas y ha participado en congresos internacionales. Actualmente es Sudirectora de Investigación Tecnológica del Instituto Nacional de Rehabilitación

Roberto A. Vazquez, Universidad La Salle México

Obtuvo el título de Ingeniero en Sistemas Computacionales por parte de la Escuela de Ciencias Computacionales del Instituto Politécnico Nacional (IPN). Obtuvo el grado de Maestro en Ciencias de la Computación por parte del Centro de Investigación en Computación (CIC) del IPN. Obtuvo el grado de Doctor en Ciencias de la Computación por parte del CIC. Ha publicado artículos científicos en revistas indizadas y ha participado en congresos internacionales. Actualmente se desempeña como profesor investigador de tiempo completo y como coordinador de posgrado en la Universidad La Salle.

Citas

Cantillo-Negrete J.; Gutiérrez-Martínez J.; Flores-Reodriguez T.B.; Cariño-Escobar R.I.; Elías-Viñas D. (2014) Characterization of electrical brain activity related to hand motor imagery on healthy subjects. Rev Invest Clin, 66 (S1), 111-121.

Cantillo-Negrete J.; Gutiérrez-Martínez J.; Carino-Escobar R.I.; Paul Carrillo-Mora T.B.; Elias-Vinas D. (2014) An approach to improve the performance of subject independent BCIs-based on motor imagery allocating subjects by gender.BioMedical Engineering OnLine, 13(158).

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

Dijkerman H.C.; Wood V.A.; Langton-Hewer R. (1996). Long-term outcome after discharge from a stroke rehabilitation unit. J R Coll Physicians Lond, 30, 538-46.

Hjort, B. (1975). An on-line Transformation of EEG Scalp Potentials into Orthogonal Source Derivations. Electroencephalography and Clinical Neurophysiology, (39), 526-530.

Jeannerod M.; Frak V. (1999). Mental imaging of motor activity in humans. Curr Opin Neurobiol, 9(6), 735-739.

Kraeutner, S.; Gionfriddo, A.; Bardouille, C. y Boe, S. (2014). Motor imagery-based brain activity parallels that of motor execution: Evidence from magnetic source imaging of cortical oscillations. Brain Research, 1588, 81-91.

Kohonen, T. (2013). Essentials of the self-organizing map. Neural Networks, 37, 52- 65.

Kohonen, T. (2001). Self Organizing Maps, Berlin: Springer.

Muller-Putz, G. R.; Scherer, R.; Brunner, C.; Leeb, R. y Pfurtscheller, G. (2008), Better than random? A closer look on BCI results. International Journal of Bioelectromagnetism, 10(1), 52–55, 2008.

Page S.J. (2000). Imagery improves upper extremity motor function in chronic stroke patients: a pilot study. Occup Ther J Res, 20, 200-215.

Page S.J.; Levine P.; Sisto S.; Johnston M.V. (2001). A randomized efficacy and feasibility study of imagery in acute stroke. Clin Rehabil, 15(3), 233-240.

Pfurtscheller, G.; Lopes da Silva, F.H. (1999). Event-related EEG/EMG synchronization and desynchronization: basic principles. Clinical Neurophysiology, 110(11), 1842-1857.

Pfurtscheller, G. y Neuper C. (2001). Motor imagery and direct brain-computer communication. Proc. IEEE, 89 (7), 1123-1134.

Rodriguez, M.; Llanos, C. y Sabate, M. (2009). The kinematicks of motor imagery: Comparing the dynamics of real and virtual movements. Neuropsychologia, 47(2), 489-496.

Tallon-Baudry C.; Bertrand O.; Delpuech C. y Pernier J. (1997) Oscillatory gamma-band (30-70 Hz) activity induced by a visual search task in humans. Journal of Neuroscience,17(2),722–734.

Vatanen et al (2015). Self-organization and missing values in SOM and GTM. Retrieved February 10, 2015 from Research.ics.aalto.fi/software/somtoolbox

Artículos similares

<< < 1 2 3 4 5 6 7 8 9 10 > >> 

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