Modelo de escritura digital basado en señales EEG
| dc.contributor.advisor | Perdomo Charry , Cesar Andrey | |
| dc.contributor.author | Villegas Isasa, Ivan Daniel | |
| dc.date.accessioned | 2025-02-20T18:05:12Z | |
| dc.date.available | 2025-02-20T18:05:12Z | |
| dc.date.created | 2024-10-23 | |
| dc.description | En el documento se presenta la construcción de un software para la detección de potenciales evocados P300 con el objetico de usarlos para un BCI tipo speller. Para esto se utiliza Python y las tarjetas Cyton y Deisy de Open BCI, para la obtención de datos, además de otros tres data sets publicados en la red. A los datos se les aplica un preprocesamiento que consta de un análisis de componentes independientes, filtros, separación en épocas, división en ventanas de tiempo y extracción de características. Para la clasificación se utiliza machine learning con modelos simples, obteniendo en el mejor de los casos un accuracy de 85% aproximadamente. Este porcentaje se obtiene en conjunto para todos los conjuntos de datos, sin embargo, al momento de hacer las pruebas en tiempo real, el comportamiento del clasificación decae significativamente. | |
| dc.description.abstract | This document presents the development of software for the detection of P300 evoked potentials with the objective of using them for a speller-type Brain-Computer Interface (BCI). Python, along with the Cyton and Daisy boards from Open BCI, are used for data acquisition, in addition to three other publicly available datasets. The data undergoes pre-processing, which includes independent component analysis, filtering, epoch segmentation, time window division, and feature extraction. For classification, machine learning with simple models is employed, achieving an accuracy of approximately 85% in the best case. This percentage is obtained collectively for all datasets; however, when performing real-time testing, the classification performance decreases significantly. | |
| dc.description.sponsorship | Grupo de investigación: LASER | |
| dc.format.mimetype | ||
| dc.identifier.uri | http://hdl.handle.net/11349/92839 | |
| dc.relation.references | Zhang, Z., Sun, J., & Chen, T. (2022). A new dynamically convergent differential neural network for brain signal recognition. Biomedical Signal Processing and Control, 71, 103130. https://doi.org/https://doi.org/10.1016/j.bspc.2021. 103130 | |
| dc.relation.references | Zeyl, T., Yin, E., Keightley, M., & Chau, T. (2016). Adding Real-Time Bayesian Ranks to Error-Related Potential Scores Improves Error Detection and Auto Correction in a P300 Speller. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24, 46-56. https://doi.org/10.1109/TNSRE. 2015.2461495 | |
| dc.rights.acceso | Restringido (Solo Referencia) | |
| dc.rights.accessrights | RestrictedAccess | |
| dc.subject | BCI | |
| dc.subject | EEG | |
| dc.subject | ERP | |
| dc.subject | Clasificadores | |
| dc.subject.keyword | BCI | |
| dc.subject.keyword | EEG | |
| dc.subject.keyword | ERP | |
| dc.subject.keyword | Classifiers | |
| dc.subject.lemb | Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas | |
| dc.subject.lemb | Cerebro -- Localización de funciones | |
| dc.subject.lemb | Comportamiento -- Control electrónico | |
| dc.subject.lemb | Python (Lenguaje de programación de computadores) | |
| dc.subject.lemb | Escritura -- Desarrollo científico y tecnológico | |
| dc.title | Modelo de escritura digital basado en señales EEG | |
| dc.title.titleenglish | Digital writing model based on EEG signals | |
| dc.type | masterThesis | |
| dc.type.degree | Investigación-Innovación |
Archivos
Bloque original
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 7 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: