Date post: | 07-Jul-2018 |
Category: |
Documents |
Upload: | pedro-waskar-aramayo-torrico |
View: | 214 times |
Download: | 0 times |
of 259
8/18/2019 doc ondas
1/259
UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES
COMUNICACIÓN CON COMPUTADORMEDIANTE SEÑALES CEREBRALES.
APLICACIÓN A LA TECNOLOGÍA DE LA
REHABILITACIÓN.
Tesis Doctoral
José Luis Mart́ınez Pérez.
Ingeniero Industrial por la ETSII de Madrid
2009
8/18/2019 doc ondas
2/259
8/18/2019 doc ondas
3/259
8/18/2019 doc ondas
4/259
8/18/2019 doc ondas
5/259
Tı́tulo:
COMUNICACIÓN CON COMPUTADOR MEDIANTE SEÑALES
CEREBRALES. APLICACIÓN A LA TECNOLOGÍA DE LA
REHABILITACIÓN.
Autor:Jośe Luis Mart́ınez Pérez.
Tribunal:
Presidente : Ramón Galán
Vocales :
XXXXXXX
Secretario : XXXXXXX
Suplentes :
Acuerdan otorgar la calificación de:
Madrid, XX de YY de 2008
8/18/2019 doc ondas
6/259
8/18/2019 doc ondas
7/259
A mi padre y madre: Luis y Eladia.
8/18/2019 doc ondas
8/259
8/18/2019 doc ondas
9/259
Resumen
Avances recientes en hardware para ordenadores personales y procesamiento de señal
ha hecho posible el uso de señales EEG u ondas cerebrales para comunicación entre
personas y computadores. Pacientes que sufren de sı́ndromes bloqueantes disponen ahora
de una nueva forma de comunicación con el resto del mundo, pero incluso con las m ás
modernas técnicas, estos sistemas aún tienen tasas de comunicación del orden de 2-3
actividades / minuto. En suma, los dispositivos existentes no son diseñados con la idea de
flexibilidad en mente, dando lugar a sistemas lentos que son dif́ıciles de mejorar.Este proyecto explora la efectividad de las técnicas de análisis en tiempo y en
frecuencia para la clasificación de diferentes actividades mentales haciendo uso de
electroencefalograf́ıa (EEG). Señales EEG de de dos canales provenientes de varios
voluntarios han sido estudiadas durante la realizacíon de tres tareas mentales (ĺınea
base, imaginación de movimiento, actividad matemática). La distinción entre ellas en
clasificación On-line es el principal objetivo del proyecto.
Diferentes métodos basados en representaciones temporales y frecuenciales han sido
considerados para la clasificación entre las tareas mencionadas. Los resultados indican
la utilización de este método para ventanas de un tercio de segundo, distinguir las
caracteŕısiticas de los datos, con porcentajes de acierto aceptables.
ix
8/18/2019 doc ondas
10/259
8/18/2019 doc ondas
11/259
Índice general
Lista de Figuras. XV
Lista de Tablas. XXI
1. Introducción. 1
1.1. La tecnoloǵıa de Interfaz Cerebro Computador. . . . . . . . . . . . . . . . . 1
1.1.1. Clasificación de disp ositivos ICC. . . . . . . . . . . . . . . . . . . . . 3
1.1.2. Componentes de un dispositivo ICC. . . . . . . . . . . . . . . . . . . 5
1.2. Aplicación de la tecnoloǵıa ICC. . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1. Ciencia de la rehabilitacíon. . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2. Teleoperación de robots industriales. . . . . . . . . . . . . . . . . . . 11
1.2.3. Sector militar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4. Sector del ocio y entretenimiento. . . . . . . . . . . . . . . . . . . . . 11
1.3. Motivaciones de la tesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1. Ob jetivos de la tesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2. Aportaciones de la tesis. . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Estructura de la tesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2. Estado de la técnica. 15
2.1. Fundamentos fisiológicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1. Fisioloǵıa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2. La neurona. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.3. El Sistema Nervioso. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.4. El Cerebro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2. Técnicas para la adquisición de actividad cerebral. . . . . . . . . . . . . . . 27
2.2.1. Electroencefalograf́ıa. . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2. Magnetoencefalograf́ıa. . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.3. Imagen cerebral mediante rayos X. . . . . . . . . . . . . . . . . . . . 412.2.4. Imagen cerebral mediante imagen nuclear. . . . . . . . . . . . . . . . 42
2.2.5. Imagen cerebral mediante tomograf́ıa computerizada. . . . . . . . . . 43
2.2.6. Imagen cerebral: MRI. . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8/18/2019 doc ondas
12/259
XII ÍNDICE GENERAL
2.2.7. Imagen cerebral: SPECT. . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.8. Imagen cerebral: Tomograf́ıa por Emisión de Positrones (PET). . . . 45
2.3. Referencias históricas sobre la tecnoloǵıa ICC. . . . . . . . . . . . . . . . . . 46
2.4. Estado actual de la tecnoloǵıa. . . . . . . . . . . . . . . . . . . . . . . . . . 51
3. Adquisición y procesamiento de señal EEG. 57
3.1. Acondicionamiento de la señal electroencefalográfica. . . . . . . . . . . . . . 59
3.2. Muestreo, cuantificación y codificación de la señal EEG. . . . . . . . . . . . 60
3.3. Normalización y ventaneado. . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.4. Transformación de la señal del espacio temporal al espacio frecuencial. . . 64
3.5. Obtención del vector de caracteŕısticas. . . . . . . . . . . . . . . . . . . . . 65
3.6. Detección de artefactos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4. Tipoloǵıa de clasificadores. 67
4.1. Métodos estadı́sticos : Comparación de dos poblaciones. . . . . . . . . . . . 68
4.1.1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.1.2. Descripción del test de contraste de la igualdad de dos poblaciones. . 714.1.3. Procedimiento operacional. . . . . . . . . . . . . . . . . . . . . . . . 74
4.2. Métodos estadı́sticos: Análisis por discriminantes lineales. . . . . . . . . . . 77
4.2.1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.2. Referencia histórica. . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.3. Discriminación lineal clásica. . . . . . . . . . . . . . . . . . . . . . . 78
4.2.4. Discriminante lineal de Fisher. . . . . . . . . . . . . . . . . . . . . . 80
4.2.5. Procedimiento operacional. . . . . . . . . . . . . . . . . . . . . . . . 82
4.3. Clasificadores basados en redes neuronales. . . . . . . . . . . . . . . . . . . 83
4.3.1. Clasificador Perceptrón Multicapa MLP. . . . . . . . . . . . . . . . . 85
4.3.2. Clasificador basado en red neuronal de tipo RBF. . . . . . . . . . . . 94
4.3.3. Clasificador basado en red neuronal de tipo PNN. . . . . . . . . . . 102
4.4. Clasificador bietapa basado en Modelo Oculto de Markov y RBF. . . . . . . 104
4.4.1. Descripción Modelo Oculto de Markov. . . . . . . . . . . . . . . . . 104
4.4.2. Solucíon a los problemas canónicos. . . . . . . . . . . . . . . . . . . 107
4.4.3. Densidades de observación continuas en MOM. . . . . . . . . . . . . 114
4.4.4. Tipos de Modelos Ocultos de Markov . . . . . . . . . . . . . . . . . 115
4.4.5. Consideraciones prácticas en la implementación de Modelos Ocultos
de Markov. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.4.6. Descripción del algoritmo de clasificación bietapa. . . . . . . . . . . 125
4.5. Clasificador basado en Máquina de Soporte de Vectores. . . . . . . . . . . . 129
4.5.1. Introducción a las Máquinas de Soporte de Vectores. . . . . . . . . . 1294.5.2. Descripción del clasificador lineal óptimo. . . . . . . . . . . . . . . . 130
4.5.3. Descripción del problema de optimización lineal. . . . . . . . . . . . 131
4.5.4. Margen blando. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8/18/2019 doc ondas
13/259
ÍNDICE GENERAL XIII
4.5.5. Descripción del clasificador no lineal. . . . . . . . . . . . . . . . . . . 134
4.5.6. Comparacíon entre Máquinas de soporte de Vectores y Redes
Neuronales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.5.7. Implementaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5. Procedimientos experimentales y aplicación de demostración. 139
5.1. Protocolo preparación del usuario. . . . . . . . . . . . . . . . . . . . . . . . 139
5.2. Descripcíon del equipo de adquisición y procesamiento. . . . . . . . . . . . . 140
5.3. Descripcíon de las actividades cognitivas. . . . . . . . . . . . . . . . . . . . 141
5.4. Descripcíon del protocolo para el procedimiento Off-line. . . . . . . . . . . . 142
5.5. Descripcíon del protocolo para el procedimiento On-line. . . . . . . . . . . . 144
5.6. Procedimientos experimentales de clasificación. . . . . . . . . . . . . . . . . 145
5.6.1. Contraste estad́ıstico de poblaciones. . . . . . . . . . . . . . . . . . . 146
5.6.2. Análisis Discriminante Lineal. . . . . . . . . . . . . . . . . . . . . . . 147
5.6.3. Clasificadores basados en redes neuronales. . . . . . . . . . . . . . . 148
5.6.4. Clasificador bietapa RBF-MOM . . . . . . . . . . . . . . . . . . . . 149
5.6.5. Clasificador basado en Máquinas de Soporte de Vectores. . . . . . . 150
5.7. Descripcíon de arquitectura dispositivo ICC. . . . . . . . . . . . . . . . . . . 151
5.7.1. Identificación d e ac tor e s . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.7.2. Descripción de casos de uso. . . . . . . . . . . . . . . . . . . . . . . . 151
5.7.3. Estructura de clases de análisis. . . . . . . . . . . . . . . . . . . . . . 155
5.7.4. Realizacíon de los Casos de Uso. . . . . . . . . . . . . . . . . . . . . 158
6. Análisis y discusión de los resultados experimentales. 161
6.1. Resultados del método estadı́stico de comparación de poblaciones. . . . . . 161
6.1.1. Presentación de resultados. . . . . . . . . . . . . . . . . . . . . . . . 162
6.1.2. Análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.1.3. Discusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.1.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
6.2. Resultados obtenidos aplicando la t́ecnica LDA. . . . . . . . . . . . . . . . . 167
6.2.1. Presentación de resultados. . . . . . . . . . . . . . . . . . . . . . . . 167
6.2.2. Análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.2.3. Discusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.2.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.3. Resultados obtenidos con clasificadores basados en redes neuronales. . . . . 176
6.3.1. Presentación de resultados. . . . . . . . . . . . . . . . . . . . . . . . 176
6.3.2. Análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
6.3.3. Discusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1856.3.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.4. Resultados obtenidos con clasificadores bietapa basados en redes neuronales
y Modelos Ocultos de Markov. . . . . . . . . . . . . . . . . . . . . . . . . . 187
8/18/2019 doc ondas
14/259
XIV ÍNDICE GENERAL
6.4.1. Presentación de resultados. . . . . . . . . . . . . . . . . . . . . . . . 187
6.4.2. Análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.4.3. Discusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.4.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.5. Resultados obtenidos con clasificadores basados en Máquinas de Soporte de
Vectores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.5.1. Presentación de resultados. . . . . . . . . . . . . . . . . . . . . . . . 190
6.5.2. Análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
6.5.3. Discusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
6.5.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.6. Corolario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
7. Conclusiones y futuros desarrollos. 207
7.1. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
7.2. Futuros desarrollos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
A. Adquisición de señal. 213
A.1. Muestreo de señales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
A.2. Cuantificación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
A.3. Codificación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
B. Matriz de confusión. 219
8/18/2019 doc ondas
15/259
Lista de Figuras
1.1. Representación del sistema ICC . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Clasificación de dispositivos ICC. . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Componentes de un sistema ICC. . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1. Diagrama frenológico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2. Neuronas. Ramón y Cajal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Neuronas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.4. Topoloǵıa de la célula neuronal. . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5. Tipos de neuronas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6. Tipos de sinapsis. (a - Axoaxiónica. b - Axodendŕıtica . c - Axosomática.) . 21
2.7. Sistema Nervioso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.8. Encéfalo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.9. Cabeza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.10. Tronco encefálico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.11. Nervios craneales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.12. Distribución de las funciones de la corteza cerebral. . . . . . . . . . . . . . . 27
2.13. Técnicas de registro monopolar y diferencial. . . . . . . . . . . . . . . . . . 29
2.14. Sistema electroencefalográfico 10 - 20. . . . . . . . . . . . . . . . . . . . . . 302.15. Electroencefalograma normal. . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.16. Localización somatosensorial. . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.17. Localización de potenciales auditivos evocados. . . . . . . . . . . . . . . . . 34
2.18. Componentes de los potenciales auditivos evocados. . . . . . . . . . . . . . . 35
2.19. Potenciales sensoriales evocados. . . . . . . . . . . . . . . . . . . . . . . . . 36
2.20. Componentes de los potenciales visuales evocados. . . . . . . . . . . . . . . 36
2.21. Intensidad de campos bio-magnéticos. . . . . . . . . . . . . . . . . . . . . . 38
2.22. Magnetocardiograma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.23. Magnetoencefalograma con campos magnéticos auditivos inducidos. . . . . . 39
2.24. Magnetoencefalograma con campos magńeticos sensitivos inducidos. . . . . 40
2.25. Rayos X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412.26. Camara Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.27. Tomograf́ıa computerizada. . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.28. Tomograf́ıa computerizada. . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8/18/2019 doc ondas
16/259
XVI LISTA DE FIGURAS
2.29. En MRI, la bobina de radio frecuencia excita las secciones en el eje Y . Un
receptor de RF mide la secciones en el eje X . . . . . . . . . . . . . . . . . . 44
2.30. MRI tejidos blandos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.31. Tomografı́a por Emisión de Positrones . . . . . . . . . . . . . . . . . . . . . 45
2.32. Velocidad de transferencia de información en bits/min, variando el número
de posibles elecciones N={2, 4, 8, 16 ó 32}. . . . . . . . . . . . . . . . . . . 522.33. Evolución temporal del desarrollo de la tecnoloǵıa ICC. . . . . . . . . . . . 56
3.1. Colocación de los electrodos. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2. Esquema de conexionado eléctrico. . . . . . . . . . . . . . . . . . . . . . . . 58
3.3. Registro de señal t́ıpico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4. Procedimiento de ventaneado de la señal. . . . . . . . . . . . . . . . . . . . 61
3.5. Ventanas de preprocesamiento Rectangular y Triangular. . . . . . . . . . . . 62
3.6. Ventanas de preprocesamiento: Blackman, Hamming y Hanning. . . . . . . 63
3.7. Ventanas de preprocesamiento: Kaiser y Tukey. . . . . . . . . . . . . . . . . 63
3.8. Efecto de derrame frecuencial. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1. Proceso contraste de hipótesis. . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2. Procedimiento operacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3. Arquitectura de una red neuronal tipo perceptrón multicapa. . . . . . . . . 85
4.4. Representación perceptrón. . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5. Funciones de activación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.6. Arquitectura general de una red MLP. . . . . . . . . . . . . . . . . . . . . . 88
4.7. Arquitectura de una red neuronal tipo RBF. . . . . . . . . . . . . . . . . . . 94
4.8. Función de activación, φ(x ) = e − x
2
2 σ2 . . . . . . . . . . . . . . . . . . . . . . 96
4.9. Comparacíon clasificación MLP v s RBF . . . . . . . . . . . . . . . . . . . . . 100
4.10. Arquitectura de una red neuronal tipo PNN. . . . . . . . . . . . . . . . . . 102
4.11. Representación Modelo Oculto de Markov. . . . . . . . . . . . . . . . . . . . 104
4.12. Algoritmo “adelante-atr´ as”. Procedimiento hacia delante. . . . . . . . . . . 109
4.13. Algoritmo “adelante-atr´ as”. Procedimiento hacia atrás. . . . . . . . . . . . 109
4.14. Representación de la obtención de εt(i, j). . . . . . . . . . . . . . . . . . . . 112
4.15. Esquema del modelo ergó d i c o . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 5
4.16. Esquema del modelo izquierda-derecha . . . . . . . . . . . . . . . . . . . . . . 116
4.17. Esquema del modelo rutas paralelas . . . . . . . . . . . . . . . . . . . . . . . 116
4.18. Esquema del modelo entrada-salida . . . . . . . . . . . . . . . . . . . . . . . 117
4.19. Algoritmo de clasificación bietapa. . . . . . . . . . . . . . . . . . . . . . . . 126
4.20. Arquitectura de la red neuronal RBF. . . . . . . . . . . . . . . . . . . . . . 127
4.21. Entrenamiento de la red neuronal RBF. . . . . . . . . . . . . . . . . . . . . 1284.22. Entrenamiento de los MOM’s. . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.23. Funcionamiento MSV. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.24. Selección del hiperplano óptimo. . . . . . . . . . . . . . . . . . . . . . . . . 131
8/18/2019 doc ondas
17/259
LISTA DE FIGURAS XVII
4.25. Separación lineal: margen blando. . . . . . . . . . . . . . . . . . . . . . . . . 134
4.26. Separación no lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.1. Localizacíon de los electrodos. . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.2. Componentes del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.3. Flujograma procedimiento “Off-line”. . . . . . . . . . . . . . . . . . . . . . 1425.4. Flujograma procedimiento “On-line”. . . . . . . . . . . . . . . . . . . . . . 144
5.5. Procedimiento de procesamiento registros EEG. . . . . . . . . . . . . . . . . 145
5.6. Procedimiento estad́ıstico de comparación de poblaciones. . . . . . . . . . . 146
5.7. Procedimiento de aplicación de la técnica LDA. . . . . . . . . . . . . . . . . 147
5.8. Procedimiento de aplicación de clasificadores basados en redes neuronales. . 148
5.9. Procedimiento de aplicación del clasificador bietapa RBF-MOM. . . . . . . 149
5.10. Procedimiento de aplicación del clasificador basado en MSV. . . . . . . . . 150
5.11. Casos de uso de la aplicación. . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.12. Interfaz de la aplicación demostrador. . . . . . . . . . . . . . . . . . . . . . 152
5.13. Interfaz de la aplicación demostrador. . . . . . . . . . . . . . . . . . . . . . 157
5.14. Diagrama de secuencia del caso de uso Puesta en marcha del sistema. . . . 158
5.15. Diagrama de secuencia del caso de uso “Deletrear palabra”. . . . . . . . . . 159
5.16. Diagrama de secuencia del caso de uso Finalizaci´ on de la aplicaci´ on. . . . . 160
6.1. Resultados de la comparación de actividades cognitivas en el canal 1. . . . . 163
6.2. Resultados de la comparación de actividades cognitivas en el canal 2. . . . . 164
6.3. Off-line. Cálculo matemático vs Imaginación de movimiento. Proyec. sobre
X 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.4. Off-line. Cálculo matemático vs Relax. Proyec. sobre X 1. . . . . . . . . . . . 168
6.5. Off-line. Imaginación de movimiento vs Relax. Proyec. sobre X 1. . . . . . . 169
6.6. On-line. Cálculo matemático vs Imaginación de movimiento. Proyec. sobre
X 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1696.7. On-line. Cálculo matemático vs Relax. Proyec. sobre X 1. . . . . . . . . . . . 170
6.8. On-line. Imaginación de movimiento vs Relax. Proyec. sobre X 1. . . . . . . 170
6.9. Off-line. Cálculo matemático vs Imaginación de movimiento. Proyec. sobre
X 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.10. Off-line. Cálculo matemático vs Relax. Proyec. sobre X 2. . . . . . . . . . . . 171
6.11. Off-line. Imaginación de movimiento vs Relax. Proyec. sobre X 2. . . . . . . 172
6.12. On-line. Cálculo matemático vs Imaginación de movimiento. Proyec. sobre
X 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.13. On-line. Cálculo matemático vs Relax. Proyec. sobre X 2. . . . . . . . . . . . 173
6.14. On-line. Imaginación de movimiento vs Relax. Proyec. sobre X 2
. . . . . . . 173
6.15. Sujeto A. Canal 1. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 177
6.16. Sujeto A. Canal 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 177
6.17. Sujeto A. Canal 1 y 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . 178
6.18. Sujeto B. Canal 1. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 178
8/18/2019 doc ondas
18/259
XVIII LISTA DE FIGURAS
6.19. Sujeto B. Canal 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 179
6.20. Sujeto B. Canal 1 y 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . 179
6.21. Sujeto C. Canal 1. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 180
6.22. Sujeto C. Canal 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 180
6.23. Sujeto C. Canal 1 y 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . 181
6.24. Sujeto D. Canal 1. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 181
6.25. Sujeto D. Canal 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 182
6.26. Sujeto D. Canal 1 y 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . 182
6.27. Sujeto E. Canal 1. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 183
6.28. Sujeto E. Canal 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . . . 183
6.29. Sujeto E. Canal 1 y 2. Clasificaciones correctas. . . . . . . . . . . . . . . . . 184
6.30. Porcentaje de clasificaciones correctas. Canal 1. Kernel gaussiano. . . . . . . 192
6.31. Porcentaje de clasificaciones correctas. Canal 2. Kernel gaussiano . . . . . . 192
6.32. Porcentaje de clasificaciones correctas. Canal 1. Kernel polinómico. . . . . . 193
6.33. Porcentaje de clasificaciones correctas. Canal 2. Kernel polinómico. . . . . . 193
6.34. Porcentaje de vectores soporte. Canal 1. Kernel gaussiano. . . . . . . . . . . 1946.35. Porcentaje de vectores soporte. Canal 2. Kernel gaussiano . . . . . . . . . . 194
6.36. Porcentaje de vectores soporte. Canal 1. Kernel polinómico. . . . . . . . . . 195
6.37. Porcentaje de vectores soporte. Canal 2. Kernel polinómico. . . . . . . . . . 195
6.38. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel gaussiano
P=1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.39. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel gaussiano
P=1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.40. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel gaussiano
P=2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6.41. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel gaussiano
P=2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1976.42. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel gaussiano
P=3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.43. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel gaussiano
P=3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
6.44. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel gaussiano
P=5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
6.45. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel gaussiano
P=5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
6.46. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel gaussiano
P=10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.47. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel gaussianoP=10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.48. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel polinómico
P=2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
8/18/2019 doc ondas
19/259
LISTA DE FIGURAS XIX
6.49. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel polinómico
P=2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.50. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel polinómico
P=3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.51. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel polinómico
P=3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.52. Clasificaciones Correctas vs. Vectores Soporte. Canal 1. Kernel polinómico
P=4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
6.53. Clasificaciones Correctas vs. Vectores Soporte. Canal 2. Kernel polinómico
P=4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
A.1. Cuantificación uniforme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
8/18/2019 doc ondas
20/259
XX LISTA DE FIGURAS
8/18/2019 doc ondas
21/259
Lista de Tablas
2.1. Terminoloǵıa de formas de onda para EEG. . . . . . . . . . . . . . . . . . . 32
2.2. Componentes potenciales sensoriales evocados. . . . . . . . . . . . . . . . . 35
3.1. Tipos de ventanas de preprocesamiento considerados. . . . . . . . . . . . . . 62
3.2. Determinación del vector de caracteŕısticas. . . . . . . . . . . . . . . . . . . 65
4.1. Vector de caracteŕısticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2. Funciones Kernel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3. Comparacíon entre SVM y Redes Neuronales. . . . . . . . . . . . . . . . . . 137
6.1. Resultados voluntario AL01. . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.2. Resultados voluntario RO01. . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.3. Resultados voluntario JA01. . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.4. Resultados voluntario DA01. . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.5. Resultados voluntario RA01. . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.6. Resultados voluntario RA02. . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.7. Familia de funciones Kernel y parámetros caracteŕısticos. . . . . . . . . . . 190
6.8. Resultados Kernel gaussiano (P:1). . . . . . . . . . . . . . . . . . . . . . . . 196
6.9. Resultados Kernel gaussiano (P:2). . . . . . . . . . . . . . . . . . . . . . . . 197
6.10. Resultados Kernel gaussiano (P:3). . . . . . . . . . . . . . . . . . . . . . . . 198
6.11. Resultados Kernel gaussiano (P:5). . . . . . . . . . . . . . . . . . . . . . . . 199
6.12. Resultados Kernel gaussiano (P:10). . . . . . . . . . . . . . . . . . . . . . . 200
6.13. Resultados Kernel polinómico (P:2). . . . . . . . . . . . . . . . . . . . . . . 201
6.14. Resultados Kernel polinómico (P:3). . . . . . . . . . . . . . . . . . . . . . . 202
6.15. Resultados Kernel polinómico (P:4). . . . . . . . . . . . . . . . . . . . . . . 203
B.1. Matriz de confusión del clasificador ideal. . . . . . . . . . . . . . . . . . . . 219
B.2. Matriz de confusión para un clasificador real. . . . . . . . . . . . . . . . . . 220
8/18/2019 doc ondas
22/259
XXII LISTA DE TABLAS
8/18/2019 doc ondas
23/259
Caṕıtulo 1
Introducción.
1.1. La tecnoloǵıa de Interfaz Cerebro Computador.
Desde el momento en que un ser humano nace, la interacción con el entorno que le rodea
se produce a través de dos v́ıas, una sensorial destinada a la percepción de dicho entorno,y otra motora, con la que se modifica dicho entorno a través de movimientos, [Ratey 03].
Mediante un proceso de aprendizaje, [Webster 04], [Wang 08], iniciado incluso antes de
nacer, en el vientre materno se determinan los canales y bucles de señales electroquı́micas
que permitirán tanto la adquisición de información del entorno exterior, como el control
de los músculos con los que modificar dicho entorno, [Baker 89], [Jessell 91].
Siendo pues la percepcíon de información y el movimiento, los mecanismos de
interacción con el entorno f́ısico que nos rodea, no es de extrañar que la práctica totalidad
de los actuales dispositivos de interfaz entre personas y máquinas necesiten algún tipo de
control muscular voluntario, aunque éste sea mı́nimo como por ejemplo es el caso de los
dispositivos de comunicación aumentada [Reilly 99], [Montoya 02].
Esta necesidad de movimiento impide que personas que hayan sufrido algún tipo
de accidente traumático, que afecte a su capacidad de movimiento, o con trastornos
neuromotores que se manifiesten en episodios de bloqueo o par álisis muscular, puedan
hacer uso de dichos mecanismos de comunicación, sin embargo la mayoŕıa de personas con
este tipo de problemas mantienen intactas su sensación corporal, vista y óıdo, aśı como
sus capacidades cognitivas [Arnao 97].
Por ello desde que en 1920, el Dr. Hans Berger demostrar á la existencia de variaciones
de potenciales eléctricos en el cerebro asociadas a diferentes estados [Bronzino 95a],
[Webster 04], [Baker 89], la comunidad cient́ıfica ha buscado el modo de aplicar dicho
descubrimiento para obtener una v́ıa de comunicación más directa entre el cerebro
humano y dispositivos mecánicos externos, [Wolpaw 00b], [Wolpaw 03], [Pfurtscheller 00],[Perelmouter 99], [McFarland 97], [Penny 99], [Birch 00], dando lugar al surgimiento de
la tecnoloǵıa de Interfaz Cerebro Computador, ICC1, definida como “una nueva v́ıa
de comunicaci´ on entre personas y computadores, radicalmente diferente a las empleadas
en la actualidad, que utiliza canales de comunicací on independientes de los canales
de salida habituales del cerebro: sistema nervioso periférico y m´ usculos” [Wolpaw 00a],
1En terminoloǵıa sajona esta tecnoloǵıa se conoce bajo las siglas BCI:“Brain Computer Interface”
8/18/2019 doc ondas
24/259
2 Introducción.
[Wolpaw 02]. Lo cual la hace especialmente valiosa en áreas como rehabilitacíon
[Jacques 94], tratamiento de enfermedades nerviosas [Siegfried 97], realidad virtual o sector
militar, [NASA 08].
Como se puede comprobar en esta tesis, la tecnoloǵıa ICC involucra aspectos complejos,
como el control voluntario de la señal electroencefalográfica tanto de neuronas individuales
como de centros neuronales en cualquiera de sus diferentes modalidades: potenciales
evocados, actividad neuronal espontánea, desincronización y sincronizacíon de ritmos
cerebrales; ası́ mismo implica la detección, medición, interpretación y clasificación de dicha
actividad neuronal por medio de sistemas basados en microprocesadores, para ası́ controlar
diferentes tipos de dispositivos como por ejemplo: prótesis neuronales, [Donchin 00],
[Isaacs 00], prótesis robotizadas, [Chapin 99], [Mahajan 98], sillas de ruedas eléctricas u
ordenadores personales, [Perelmouter 99], [Millan 03], sistemas de comunicación verbal,
[Kumlbler 01].
Desde el punto de vista de interacción entre el ser humano y el dispositivo mecánico
externo, hay que considerar que en el bucle de control interactúan dos componentes
adaptativos con capacidad de aprendizaje, por un lado la persona y por otro el propiodispositivo de interfaz. Por lo que es preciso analizar el efecto que sobre la capacidad de
utilización del sistema tienen tanto el efecto de realimentación de información al usuario,
como los cambios de estado de ánimo de éste, [Holzapfel 98], [Sheikh 03].
Diferentes técnicas de adquisición y registro de actividad cerebral son empleadas en
ICC, [Wolpaw 03], [Barreno 97], [Rubio 00], como por ejemplo: la magnetoencefalograf́ıa
(MEG), la Tomograf́ıa por Emisión de Positrones (PET), o la imagen de resonancia
magnética funcional (fMRI); existiendo en la actualidad grupos de investigación
trabajando sobre ellas. Sin embargo las técnicas anteriores presentan bien el inconveniente
de tener constantes de tiempo muy altas, al quedar su funcionamiento ligado al flujo
sangúıneo, caso de PET, fMRI e imagen óptica; o bien requerir un equipamiento muy
costoso, [Laitinen 03]: MEG, PET, fMRI.En la actualidad la electroencefalograf́ıa esla técnica que por precio y tiempo de reacción consigue mejores resultados [Birch 03],
[Birch 00], [Borisoff 04], [Pfurtscheller 00].
Figura 1.1: Representación del sistema ICC
8/18/2019 doc ondas
25/259
1.1 La tecnoloǵıa de Interfaz Cerebro Computador. 3
1.1.1. Clasificación de dispositivos ICC.
Investigadores en ICC han adoptado diferentes aproximaciones, en muchos casos
novedosas y únicas, para la detección de cambios voluntarios en la actividad cerebral
del sujeto, a partir del análisis de variaciones en los diferentes tipos de señales
electroencefalográficas, entre los que se encuentran la desincronizacíon y posteriorsincronización de ritmos cerebrales, potenciales evocados o actividad cortical de neuronas
individuales.
La actividad electroencefalográfica incluye una gran variedad de patrones o ritmos
diferentes que son identificados por su frecuencia, localización, morfoloǵıa y asociación
con varios aspectos del funcionamiento cerebral [Jessell 91], [Baker 89], [Webster 04].
Se ha demostrado que las personas, y ciertos homı́nidos [Maynard 99], [Kennedy 97],
pueden aprender a controlar la amplitud de varios de estos ritmos cerebrales,
[Birbaumer 03], [Birbaumer 00], [Lauer 00], [Sheikh 03]. Ritmos µ y generación de
diferentes tipos de potenciales son producidos en la zona senso-motora del cortex cerebral,
bien durante movimientos voluntarios, o bien cuando se imagina o prepara un movimiento,
[Penny 00]. Técnicas avanzadas de procesamiento de señal permiten la detección en ĺıneade este fenómeno, dando lugar a que con su aprendizaje razonablemente rápido, se
pueda controlar el movimiento de un cursor sobre la pantalla de un computador. La
combinación de diferentes ritmos EEG puede ser empleada para controlar el movimiento
bidimensional de un cursor, [Wolpaw 00b]. Por otro lado, la estimulación sensorial y
potenciales relacionados con la actividad motora asociada a movimientos reales o figurados,
da lugar a una compleja y rica actividad electroencefalográfica que involucra a una gran
cantidad de potenciales evocados que pueden ser usados en dispositivos de comunicación
y control basados en la tecnoloǵıa ICC, dando lugar a diferentes clases dentro de las que
catalogar tanto a los dispositivos ICC como a las ĺıneas de investigación de las que parten.
Desde un punto de vista fisiológico los dispositivos ICC se pueden clasificar en exógenos
o endógenos, véase figura 1.2, en el caso de los sistemas exógenos al usuario del sistema se le
suministran est́ımulos externos y se analiza la respuesta cerebral a los mismos. Un ejemplo
donde esta técnica ha sido empleada con éxito es con p otenciales visuales evocados, P300, y
su empleo en sistemas para deletrear palabras, [Donchin 00]. Personas que sufren bloqueos
en su capacidad de respuesta o inicio de actividad, pueden utilizar potenciales evocados
lentos2 para por ejemplo deletrear palabras o en labores de control, siendo necesario un
proceso de aprendizaje condicionado.
Los dispositivos endógenos por el contrario, basan su funcionamiento en detectar y
reconocer determinados patrones de ondas cerebrales ligados a la voluntad del usuario, sin
que sea necesario proporcionar estı́mulos externos; un ejemplo en el que esta técnica ha sido
utilizada con éxito es con la detección de la desincronización y posterior sincronizaciónde ritmos β o µ que se producen cuando el usuario imagina o planifica movimientos,
[Scherer 04], [Wolpaw 03].
2Los potenciales evocados lentos son la suma de potenciales de activación ultralentos en las dendritasde las neuronas corticales, surgen de diferentes capas del cortex cerebral.
8/18/2019 doc ondas
26/259
4 Introducción.
Otro tipo de clasificación con base fisiológica, se realiza atendiendo a la utilización de
determinadas estructuras cerebrales. Se catalogan como dispositivos ICC independientes
los que, como en el caso anterior, aprenden patrones de actividad con independencia
de la causa que los origine, y dispositivos dependientes los que detectan la activaci ón
de determinadas regiones del cerebro asociadas a salida de informacíon del mismo, y
aśı detectar o inferir la voluntad del usuario. Un ejemplo de este tipo de dispositivos ICC
dependientes, serı́an los que determinan la dirección de la mirada del usuario partiendo
del análisis de potenciales visuales evocados, [Sutter 92]. En ambos casos es preciso que el
usuario realice un proceso de aprendizaje y adaptación al sistema, siendo por lo general
más laborioso para el caso de dispositivos endógenos, [Wolpaw 07].
Un último tipo clasificación viene dado por el tipo de electrodos empleados, existen
en este sentido dos grandes clases: electrodos superficiales que se colocan sobre el
cuero cabelludo, y los implantables, [Hoogerwerf 94], [Isaacs 00], [Rousche 98]: epidurales,
subdurales, intracorticales. Los electrodos implantables, usados con éxito en técnicas de
estimulación electrofuncional [Mahajan 98], presentan una mejor relacíon señal ruido,
aśı como una mayor tasa en la velocidad de transferencia de información y una mejorresolución espacial, ya que pueden detectar la activacíon o desactivacíon de grupos
espećıficos de neuronas. Sin embargo presentan el inconveniente de requerir operacíon
quirúrgica para su colocación, y que con el tiempo la señal poco a poco va disminuyendo,
debido al efecto de rechazo por parte del sistema inmunológico a elementos extraños, lo
cual da lugar a que la relación señal ruido vaya deteriorándose [Kipke 03], [Schmidt 88],
[Williams 99]. Se ha demostrado que tanto animales, como pacientes humanos, con
electrodos implantados han sido capaces de controlar trenes de activación de dos o más
neuronas de la zona motora del cortex, controlando un dispositivo de comunicacíon,
[Robinson 00b]. Los electrodos superficiales presentan el inconveniente de una menor
calidad de la señal registrada, por lo que para detectar variaciones de potencial eléctrico es
necesario que el número de neuronas implicadas sea varios órdenes de magnitud superiorque para el caso de electrodos implantables, siendo por tanto mayor la extensión de la
región del cerebro involucrada; sin embargo presentan la ventaja de no requerir operación
quirúrgica en su utilización.
Figura 1.2: Clasificación de dispositivos ICC.
8/18/2019 doc ondas
27/259
1.1 La tecnoloǵıa de Interfaz Cerebro Computador. 5
1.1.2. Componentes de un dispositivo ICC.
Con independencia de la técnica de adquisición de señal encefalográfica utilizada, y sea
cual sea la tipoloǵıa del dispositivo en cuestión, todos los sistemas pueden enmarcarse en
un diagrama de bloques semejante al que aparece en la figura 1.3, [Schalk 04], [Wolpaw 07],
en cuyos bloques se considera:
Figura 1.3: Componentes de un sistema ICC.
8/18/2019 doc ondas
28/259
8/18/2019 doc ondas
29/259
1.1 La tecnoloǵıa de Interfaz Cerebro Computador. 7
En cuanto a las técnicas empleadas para procesar la señal existen numerosas opciones
disponibles para el procesamiento de señal ICC. La decisión del criterio a aplicar
vendrá dado por la comparación de medidas de velocidad y precisión en experimentos
en ĺınea.
Métodos de procesamiento de señal son importantes en el diseño de sistemas ICC,pero no resuelven todos los problemas. Pueden mejorar las relación señal ruido, pero
no pueden tratar directamente con los cambios de la señal, por lo que el desarrollo de
la tecnologı́a ICC depende del manejo apropiado de la interacción adaptativa entre
el usuario y el sistema, aśı como en la selección del método de procesamiento de
señal adecuado.
3. Extracción de caracteŕısticas. Para cada segmento temporal de señal analizado se
obtienen un conjunto de parámetros que reúnen la información más relevante del
mismo y que permiten caracterizarle, [Galan 07]. La estimación de parámetros
en modelos autorregresivos es un método útil para describir la actividad de
EEG, mostrándose valioso en aplicaciones de la tecnoloǵıa ICC, [Pfurtscheller 00],[Penny 00]. Los modelos AR por lo general asumen procesos gaussianos, [Birch 00].
Los residuos del modelo deben ser considerados y analizados debido a su gran
influencia en la estimación de los parámetros del modelo. La estimación de máxima
probabilidad generalizada (GM) se muestra valiosa en aquellos casos en los que
existe una contaminación aditiva de muestras fuera de la banda de consideración.
Este método se basa en el filtro de Kalman modificado. Ambos métodos producen
resultados similares a la estimación AR t́ıpica, cuando los datos observados se
distribuyen según gaussianas. Algoritmos Bayesianos pueden analizar la certidumbre
en la interpretación de la voluntad del usuario por parte del sistema, [Penny 00]. Es
posible parar la comunicación cuando el valor de la certidumbre es inferior a un valor
cŕıtico, reduciendo errores en el rendimiento del sistema ICC.
4. Aprendizaje y clasificación. En este bloque se consideran los mecanismos a través
de los cuales, durante la fase de entrenamiento, se aprenden determinados patrones
cerebrales. Con posterioridad, en la fase de funcionamiento “On-line”, los segmentos
de señal cerebral son catalogados como pertenecientes a determinados patrones
cerebrales.
Es sin duda el componente cŕıtico de todo sistema de Interfaz Cerebro Computador,
pues convierte la entrada electrofisiológica del usuario en una señal de mando que
permite controlar dispositivos externos. De su tasa de acierto depende la efectividad
del sistema, [Obermaier 01b], la cual a su vez depende de la interacci ón entre los
controladores adaptativos anteriormente mencionados: el usuario que codifica lasórdenes al sistema ICC, y dicho sistema que reconoce las órdenes que hay en la
entrada y las traduce en órdenes de control del dispositivo. En la actualidad se
están obteniendo velocidades de transferencia de información entre 5-25 bits/min,
[Penny 99].
8/18/2019 doc ondas
30/259
8 Introducción.
Dispositivos de ICC diferentes utilizan diferentes algoritmos de traduccíon,
[Birbaumer 00], [Penny 00], [Muller 03b], basados en técnicas lineales, [Garrett 03],
en técnicas bayesianas, [Penny 00], en redes neuronales, [Wang 04] y en Modelos
Ocultos de Markov; sin embargo hasta la fecha no se tiene constancia de que haya
sido desarrollado un algoritmo de clasificacíon que aune redes neuronales y modelos
ocultos de Markov, tal y como se hace en esta tesis.
Por algoritmos de traducción se entienden una serie de cálculos que transforman las
caracteŕısticas de la entrada derivadas del procesamiento de señal en comandos de
control del dispositivo. Los algoritmos de traducción adquieren la señal, extraen
las caracteŕısticas que refleja el estado actual del usuario. bien del EEG o de
la actividad neuronal: individual o colectiva, y la transforman en comandos que
dependen del dispositivo al que se aplican. Dispositivos de ICC diferentes utilizan
diferentes algoritmos de traducción, [Birbaumer 00], [Penny 00]. Cada algoritmo se
puede clasificar en términos de tres caracteŕısticas clave: función de transferencia,
capacidad de adaptación y salida. La función de transferencia puede ser lineal, por
ejemplo análisis de discriminantes lineales, ecuaciones lineales; o no lineal: redesneuronales. El algoritmo puede ser o no adaptativo. Algoritmos adaptativos pueden
utilizar sencillas reglas hechas a mano o utilizar algoritmos más sofisticados de
aprendizaje por computador. La salida del algoritmo puede ser discreta: selección
de letras o iconos, o continua: movimiento del cursor. La gran diversidad de los
algoritmos de traducción entre los grupos de investigación se debe en parte a la
diversidad de su aplicación en la práctica. Sin embargo en todos los casos el objetivo
es maximizar el rendimiento y utilidad para la aplicación elegida.
Cada algoritmo se puede clasificar en términos de tres caracteŕısticas clave: función
de transferencia, capacidad de adaptación y salida. La función de transferencia
puede ser lineal, por ejemplo análisis de discriminantes lineales, ecuaciones lineales;
o no lineal: redes neuronales. El algoritmo puede ser o no adaptativo. Algoritmos
adaptativos pueden utilizar sencillas reglas hechas a mano o utilizar algoritmos
más sofisticados de aprendizaje por computador. La salida del algoritmo puede ser
discreta: selección de letras o iconos, o continua: movimiento del cursor. La gran
diversidad de los algoritmos de traducción entre los grupos de investigación se debe
en parte a la diversidad de su aplicación en la práctica. Sin embargo en todos los
casos el objetivo es maximizar el rendimiento y utilidad para la aplicaci ón elegida.
5. Asociación de dichas clases a órdenes de control de dispositivos externos. Este bloque
es el encargado de realizar la traducción de patrones cerebrales a comandos de control
de dispositivos externos.
Además de los bloques anteriores, en dispositivos ICC “On-line”, ha de existir un
bloque que permita supervisar el funcionamiento del dispositivo por parte del usuario,
como por ejemplo su activacíon / desactivación, o fase de funcionamiento en la que
se encuentra: adquisición de muestras iniciales, entrenamiento, funcionamiento on-line,
adaptación.
8/18/2019 doc ondas
31/259
1.2 Aplicación de la tecnoloǵıa ICC. 9
1.2. Aplicacíon de la tecnoloǵıa ICC.
Como ya se ha indicado, los dispositivos ICC se basan en registrar y analizar la
actividad cerebral, bien mediante el uso de técnicas electroencefalográficas, o bien mediante
otras técnicas de detección.
En la actualidad esta tecnoloǵıa se encuentra en fase de desarrollo, por lo queexisten demostradores tecnológicos propuestos por los diversos grupos de investigación,
por medio de los cuales es posible controlar el movimiento de un cursor en la pantalla
de un ordenador personal al objeto de poder seleccionar bien un icono o una letra
entre un grupo de candidatos, dando lugar a aplicaciones de teclados de conceptos o
deletreadores de palabras, [Wolpaw 07], [Wolpaw 02]. Sin embargo, aún no se ha llegado
a realizar una comercialización masiva de ningún dispositivo de interfaz humana basado
en esta tecnoloǵıa, razones para ello son tanto el coste relativamente elevado de diseño
y fabricación de dicho dispositivo, como la elevada dependencia actual del usuario para
su buen funcionamiento, sin olvidar que la tasa de transferencia de informaci ón obtenida,
que aún siendo útil en casos de personas con problemas de comunicación, no es todavı́a
lo suficientemente elevada como para poder ser alternativa a los dispositivos de interfaz
tradicionales. La discusión del diseño y desarrollo de dispositivos de interfaz basados
en tecnoloǵıa ICC inevitablemente se centra en las posibles aplicaciones, su eficiencia,
seguridad y coste de programas espećıficos para aplicaciones particulares. Una vez que de
forma general se de respuesta a preguntas iniciales como: ¿Con qué eficacia se controla el
movimiento de un cursor? o ¿Cuál es la velocidad con la que podemos seleccionar una letra
entre veintiséis?, se podrán considerar los fines a los que se puede destinar esta tecnoloǵıa
en la vida real, [Miner 98], [Sheikh 03], [Vidal 73], [McFarland 97].
Entre las diferentes tipoloǵıas de dispositivos ICC los primeros en desarrollarse han
sido los de tipo exógeno, basados en el control de la amplitud de una determinada banda
de frecuencia en el registro del EEG en una zona cortical espećıfica, por ejemplo ritmosµ o β en la zona sensomotora del cortex, [Kostov 00], [Penny 00], o potenciales evocados
ante estı́mulos espećıficos, ej. amplitud de los potenciales P300 producidos en respuesta a
intermitencia de destello en matrices de letras, [Donchin 00].
Sin embargo desde el punto de vista del usuario son preferibles los dispositivos ICC
endógenos, pues al no precisar de un entorno estructurado, es mayor la libertad de que
se dispone tanto en cuanto a la elección del momento en que se genera el patrón cerebral
o idea asociada a un comando de dispositivo, como en cuanto a la selección de dichos
patrones. Una aplicación basada en un dispositivo ICC endógeno permitiŕıa al usuario
mover el cursor a cualquier punto de un plano, mientras que un sistema ex ógeno limitaŕıa
la elección a las opciones mostradas en un monitor.
Por otro lado los desarrolladores deben evitar la tendencia de preajustar o preasignarlos parámetros de las herramientas y su aplicación, como si de un ejercicio de optimización
se tratase. Cada dispositivo ICC debe optimizarse para cada usuario o grupo de usuarios.
Al mismo tiempo, el proceso de optimización debe ser lo más objetivo y estándar p osible.
8/18/2019 doc ondas
32/259
10 Introducción.
Los objetivos deben ser claramente definidos, aśı como las necesidades hacia las que va
destinado, deseos y motivadores primarios, aplicaciones y utilización por parte del usuario,
para todo lo cual será preciso el análisis comportamental del conjunto, incluido el usuario.
El desarrollo de ICC no sólo debe incorporar principios técnicos y electrofisiológicos, sino
que también es preciso bases de aprendizaje bien definidas, [Florian 98], [Harrington 97].
Usuarios con una enfermedad progresiva, como por ejemplo Esclerosis Lateral
Amiotrófica, ELA, podŕıan utilizar dispositivos ICC que particularizaran sus
caracteŕısticas de entrada al usuario y su salida controlaŕa un interfaz convencional
de comunicación aumentada, [Reilly 99], [Isaacs 00]. De tal modo que seg ún avance la
enfermedad, el usuario podŕıa realizar una transición suave, del uso del interfaz de
comunicación aumentada estándar al dispositivo ICC, [Jacques 94].
El desarrollo reciente y la aplicación comercial de “Freehand Functional Electrical
Stimulation system (FES)” en “Case Western Reserve University”, Cleveland OH.,
demuestra las condiciones necesarias para el éxito, [Lauer 00]. Estas condiciones incluyen:
estabilización de todos los aspectos de diseño y documentación, una población de usuarios
bien definida, protocolos de entrenamiento normalizados, demostración de la viabilidad deaplicaciones especı́ficas, medida de caracteŕısticas de salida bien definidas que documenten
adecuadamente el uso y eficiencia, asistencia regular en varios centros y la identificaci ón
de centros de fabricacíon y estrategia de comercialización. Todo lo cual requiere la
colaboración de los usuarios y el convencimiento por parte de los mismos de que la
tecnologı́a empleada es útil y segura. Es también precisa la cooperación de profesionales
de centros de salud, los cuales deben convencerse de que la relación beneficio / riesgo es
favorable, que la tecnoloǵıa es segura y útil, y que es igual o superior a las alternativas
actualmente disponibles. Por último es preciso convencer a las compañ́ıas de seguros, que
a largo plazo la inversión realizada en este tipo de tecnoloǵıa será recuperada con creces.
Pacientes que est́en paralizados, o con daño traumático que afecte a la médula
espinal, o prótesis en extremidades superiores, se podŕıan beneficiar de la aplicaciónde la tecnoloǵıa ICC, siempre y cuando sea segura y efectiva. Para ser justificable, un
sistema implantado debe ofrecer una sustancial ventaja funcional sobre la tecnoloǵıa de
comunicación aumentada convencional o métodos ICC no invasivos.
Las áreas de aplicación en las que se propone la utilización de esta tecnoloǵıa son:
1.2.1. Ciencia de la rehabilitación.
El enfoque actual de las investigaciones en ICC se orienta principalmente hacia la
ciencia de la rehabilitación, entendiendo por tal “el desarrollo de conocimiento corporal,
recogido de una rigurosa investigaci´ on cĺınica, permitiendo describir como la incapacidad
modifica funciones fisiol´ ogicas y anat´ omicas espećıficas, y detal la los principios b´ asicos por los que funciones residuales o capacidades pueden ser medidas y utilizadas para recuperar
funciones en individuos con incapacidad”, [Robinson 93].
Las aplicaciones hacia las que se destinan los dispositivos ICC son neuroprótesis
8/18/2019 doc ondas
33/259
1.2 Aplicación de la tecnoloǵıa ICC. 11
que permitan ha personas paralizadas comunicarse bien con el entorno que les
rodea, [Birbaumer 03], [Robinson 00a], [Birbaumer 00], o bien con un entorno simulado,
[Bayliss 03], o mejorar su capacidad de movimiento ayudándose con dispositivos robóticos,
por ejemplo el control de movimiento de prótesis mecánicas de miembros perdidos, [Bai 01],
[Birch 00], [Kositsky 03]. Del mismo modo se han desarrollado prototipos para el control
de sillas de ruedas motorizadas, [Birch 00], [Millan 03], [Millan 04], [Gerstner 04].
Además de su empleo en casos de parálisis asociados con accidentes traumáticos,
Esclerosis Lateral Amiotrófica, [Leeb 05], u otras enfermedades neurodegenerativas, la
tecnoloǵıa ICC ha sido propuesta como posible v́ıa de comunicación afasia y otros
desórdenes de comunicación, como autismo, haciendo que la persona autista interaccione
con entornos virtuales 3D, cuya complejidad aumenta progresivamente aproximándose a
la real según criterio del rehabilitador, [Birbaumer 00]. Mediante la prevención de las
zonas de lenguaje comprometidas de la zona del cortex temporal-frontal, y por medio
del mecanismo de plasticidad cerebral, [Ratey 03], [Bronzino 95b], [Jessell 91], se p odŕıan
concebir mecanismos de comunicación, siendo una alternativa efectiva para pacientes que
no puedan controlar el alfabeto, o un sistema de representación pictórica.Como bancos de demostración se han desarrollado prototipos que permiten el control
unidimensional y bidimensional de un cursor en la pantalla de un computador, empleando
los resultados obtenidos en aplicaciones para deletrear palabras y teclados de conceptos,
[Donchin 00], [Allison 03], [Bayliss 00], [Bianchi 03].
1.2.2. Teleoperación de robots industriales.
En el campo de la teleoperacíon de dispositivos se han hecho demostradores
tecnológicos que evalúan la aplicabilidad de la tecnoloǵıa ICC en la teleoperación de robots
industriales, [Chapin 99], [Taylor 03], [HONDA 09].
1.2.3. Sector militar.
El sector militar fue el que a través de las investigaciones en biónica del Dr. J.J.Vidal,
en la década de los 70, dio lugar al nacimiento de esta tecnoloǵıa, [Vidal 77].
En la actualidad la tecnoloǵıa ICC, basando en el efecto de realimentación neuronal3,
se emplea en el entrenamiento avanzado de pilotos de combate para potenciar la
concentración en misiones que requieren un alto nivel de alerta, aśı como la gestíon y
evaluación de riesgos en el menor tiempo posible, [NASA 08].
1.2.4. Sector del ocio y entretenimiento.
En este área, compañ́ıas como IBVA (http://www.ibva.com), proponen el empleo de
dispositivos basados en tecnoloǵıa ICC como medio para el desarrollo de actividades lúdico-
creativas, como la composición de música a través del tratamiento de los ritmos cerebrales.Aśı mismo es de esperar que mediante la utilizacíon de técnicas basadas en
Neurofeedback , se desarrollen dispositivos de uso personal, que permitan ser aplicados
junto con técnicas de relajación al objeto de combatir los altos niveles de estrés presentes
en la sociedad actual.
3En inglés a esta técnica se la denomina “Neurofeedback”
8/18/2019 doc ondas
34/259
12 Introducción.
1.3. Motivaciones de la tesis.
La presente tesis se enmarca dentro de la lı́nea que sobre bioingenieŕıa y tele-robótica se
viene realizando por el Grupo de Robótica y Cibernética de la Universidad Politécnica de
Madrid, dando lugar a tesis como: [Ferre 97], [Peñ́ın 98], [Luengo 98], en el área de Interfaz
Hombre Máquina y teleoperación de dispositivos roboticos; o [Rocon 06], [Moreno 06], enel área de bioengenieŕıa en la aplicación de exoesqueletos robóticos.
De manera particular esta tesis focaliza su centro de interés en el área de investigación
y desarrollo de interfaces avanzados entre seres humanos y máquinas, siendo sus resultados
aplicables en campos como la teleoperación de dispositivos externos, robótica asistencial
e ingenierı́a de rehabilitación.
1.3.1. Objetivos de la tesis.
Con esta tesis se pretende analizar la aplicabilidad actual de la tecnoloǵıa de
Interfaz Cerebro Computador, bajo el paradigma de sistema end ógeno, empleando un
número mı́nimo de electrodos superficiales localizados sobre aquellas zonas encefálicas conmayor poder de discriminación, orientando su uso hacia aplicaciones de teleoperación y
rehabilitación, para lo cual se consideran los siguientes objetivos:
Descripción detallada de las bases fisiológicas en las que se basa la tecnoloǵıa ICC
en sus diferentes versiones.
Exposición, análisis y evaluacíon, de las diferentes técnicas de adquisición de
actividad cerebral.
Comparación de la capacidad de discriminación de la señal electroencefalográfica
registrada cuando el usuario realiza los diferentes tipos de actividades cognitivas
propuestas.
Explicación, aplicación y evaluación de los algoritmos de clasificación empleados.
Evaluación de esta tecnologı́a en control de dispositivos externos genéricos.
Influencia de la realimentación de informacíon al usuario sobre la capacidad de
discriminación.
Desarrollo de un demostrador que permita evaluar la aplicabilidad de la tecnoloǵıa
de Interfaz Cerebro Computador.
Evaluar la viabilidad de su utilización ambulante.
8/18/2019 doc ondas
35/259
1.3 Motivaciones de la tesis. 13
1.3.2. Aportaciones de la tesis.
De la consecución de los ob jetivos anteriores se derivan las principales aportaciones de
la presente tesis:
Desarrollo de un demostrador, que siguiendo el paradigma de sistema endógeno,
emplea sólo dos canales electroencefalográficos, localizados respectivamente sobre
las zonas encefalográficas de ambos hemisferios cerebrales con mayor capacidad de
discriminación: C3 y C4.
Realización de baterı́as de experimentos, tanto fuera de lı́nea (“Off-line ”) como en
ĺınea (“On-line ”), con usuarios reales, con cuyos resultados se puede analizar:
• La capacidad de discriminación de las muestras de los registros electroencefa-lográficos, adquiridos mientras los usuarios realizaban las actividades cognitivas
propuestas.
• Análisis que el efecto de ventaneado de la señal electroencefalográfica tienesobre su capacidad de discriminación, para lo cual se han empleado los sietetipos de ventanas más conocidos en procesamiento de señal [Proakis 97],
[Oppenheim 96]: rectangular, triangular, Blackman, Hamming, Hanning, Kaiser
y Tukey; identificándose las que dan lugar a una mejor separabilidad.
• Identificación de aquellas caracterı́sticas, basadas en componentes frecuenciales,con mayor capacidad de discriminación.
• Obtención, mediante la aplicación de la técnica de Análisis de DiscriminantesLineales,4, de la matriz de transformación que permite una reducción del espacio
de caracterı́sticas entrada a un posterior clasificador. Analizando aśı mismo, el
efecto que dicha transformación causa en la capacidad de discriminación.
• Aplicación a los clasificadores, que empleando la metodoloǵıa de aprendizajesupervisado, más comúnmente empleados en el área de Inteligencia Artificial,como son:
◦ Clasificadores basados en redes neuronales de los tipos: PerceptrónMulticapa (MLP), Funciones de Base Radial (RBF), Redes Neuronales
Probabiĺısticas (PNN), [Bishop 95], [Duda 01], [Ripley 96].
◦ Máquinas de Soporte de Vectores (SVM), [Cristianini 00], [Nabney 02].• Análisis que la realimentacíon de información al usuario, acerca de del
resultado de clasificación obtenido, tiene sobre la capacidad de discriminación
de actividades cognitivas.
Aśı mismo, considerando los desarrollos que en la tecnoloǵıa de ReconocimientoNatural del Habla se han llevado a cabo utilizando Modelos Ocultos de Markov,
se ha desarrollado un novedos algoritmo de clasificación bietapa que emplea
secuencialmente redes neuronales de tipo RBF y Modelos Ocultos de Markov.
La ingente cantidad de datos obtenidos ha sido procesada y mostrada gr áficamente de
forma resumida en las figuras del caṕıtulo 6.
4En inglés se define como: “Linear Discriminant Analysis (LDA)”.
8/18/2019 doc ondas
36/259
14 Introducción.
1.4. Estructura de la tesis.
La presente tesis se encuentra estructurada en siete caṕıtulos y dos apéndices.
En el primer capı́tulo, como ya se habrá podido leer, se realiza una definición de la
tecnoloǵıa de Interfaz Cerebro Computador, a la vez que se describen sus componentes
fundamentales. Aśı mismo se analizan los principales campos de aplicación de estatecnologı́a.
En el capı́tulo segundo se realiza una exposición sobre las bases fisiológicas en las que se
basa la tecnoloǵıa de Interfaz Cerebro Computador, presentando las diferentes alternativas
técnicas para el registro de la actividad cerebral. A continuación se presenta un estado de la
técnica haciendo una revisión histórica de los desarrollos llevados a cabo p or los diferentes
grupos de investigación a nivel mundial, concluyendo con las tendencias actuales. Por
último se realiza una breve descripción de las técnicas empleadas en la tecnologı́a ICC.
En el caṕıtulo tercero se describen las técnicas de preprocesamiento de señal empleadas.
Al igual que ocurre con la tecnoloǵıa en visión artificial, antes de proceder a la clasificación
de una imagen, ésta se somete a diferentes procesos como son: preprocesamiento, filtrado,
extracción de caracterı́sticas, y por último clasificación; la correcta adecuación de la señal
electroencefalográfica es determinante en la obtención de los conjuntos de caracterı́sticas
que representan de forma fiel al segmento de señal temporal considerado. En este caṕıtulo
se presenta la técnica de ventaneado temp oral de la señal, describiendo los diferentes de
ventanas de procesamiento empleados, cuya influencia sobre la capacidad de discriminación
y clasificación de la señal EEG, será posteriormente analizada.
En el caṕıtulo cuarto se describen los diferentes algoritmos de clasificación considerados
en los experimentos llevados a cabo en el desarrollo de esta tesis, basado en la utilización de
redes neuronales: MLP, RBF y PNN; Máquinas de Soporte de Vectores, y en el algoritmo
de clasificación bietapa RBF-MOM. En ellos se hace uso tanto de técnicas estad́ısticas
para la determinación de la capacidad de discriminación, como de la técnica de Análisisde Discriminantes Lineales para la reducción del espacio de caracteŕısticas original, a través
de la obtención de la matriz de transformación.
En el caṕıtulo quinto se describe la adaptación de los algoritmos anteriores al contexto
particular de la tecnoloǵıa ICC. Además se describe a nivel de análisis la aplicación
de demostración, presentando los principales casos de uso, diagramas de secuencia y
diagramas de estructura de clases de análisis.
En el caṕıtulo sexto se realiza la presentación, análisis, discusión y extraccíon de
conclusiones, de los resultados obtenidos tras el procesado del gran volumen de datos
experimentales conseguidos de la aplicación práctica de los conceptos expuestos en los
capı́tulos anteriores.
Por último, en el caṕıtulo séptimo se exponen las conclusiones alcanzadas, valoraciónde los ob jetivos iniciales, aśı como futuras ĺıneas de investigación y desarrollo a las que da
lugar esta tesis.
En el apéndice A se presenta consideraciones sobre el proceso de adquisición de señal,
mientras que el apéndice B describe el concepto de matriz de confusión empleado en
clasificación.
8/18/2019 doc ondas
37/259
Caṕıtulo 2
Estado de la técnica.En este capı́tulo se comienza dando unas nociones básicas de la fisioloǵıa del sistema
nervioso, necesarias para comprender los principios biológicos en los que se fundamenta
la tecnoloǵıa de Interfaz Cerebro Computador, que si bien pueden ser innecesarias
para investigadores familiarizados con ciencias biológicas, pueden no serlo tanto para
investigadores del área de las ingenierı́as, menos familiarizados con las bases fisiológicas
del sistema nervioso.Posteriormente se hace una revisión de las técnicas empleadas para la adquisición
de señal de la actividad cerebral, entre las que se encuentran la electroencefalograf́ıa,
magnetoencefalograf́ıa y diversas técnicas aplicadas en imagen médica como: imagen
cerebral por rayos X, imagen nuclear, tomograf́ıa computerizada, imagen de resonancia
magnética, tomograf́ıa computerizada por emisión individual de fotones (SPECT),
tomograf́ıa por emisíon de positrones (PET); a la vez que se analiza su aplicabilidad a
la tecnoloǵıa de Interfaz Cerebro Computador.
Seguidamente se analizan las referencias históricas sobre el desarrollo de la tecnoloǵıa
ICC, para finalmente presentar el estado actual en el que se encuentra esta tecnoloǵıa.
2.1. Fundamentos fisiológicos.
Debido a que las bases fisiológicas del sistema nervioso desempeñan un papel
fundamental en la tecnoloǵıa ICC, en esta sección se hace una exposición de conceptos
fisiológicos que aparecen a lo largo de la presente tesis. Los conceptos que se describen a
continuación son:
Fisiologı́a. Define brevemente el campo de investigación de esta ciencia, a la vez
que cita las diferentes investigaciones que sobre el Sistema Nervioso se han venido
llevando a cabo a lo largo del tiempo.
La Neurona. Describe desde un punto de vista bioĺogico este tipo de célula,
presentando las caracteŕısticas que la hacen única para ser la base del sistemanervioso.
El Sistema Nervioso. La agrupación y especialización de las neuronas dan lugar a
la formación de las diferentes estructuras que forman el sistema nervioso. En este
subapartado se presentan estas estructuras, aśı como las particularidades que más
relevancia tienen en la tecnoloǵıa ICC.
8/18/2019 doc ondas
38/259
16 Estado de la técnica.
2.1.1. Fisiologı́a.
La fisioloǵıa es la ciencia que tiene por objeto el estudio de las funciones de los
seres orgánicos. Su aplicación al sistema nervioso es clave para comprender las diferentes
variantes que existen sobre ICC.
El estudio de la fisioloǵıa del sistema nervioso humano no es reciente, existen referenciasen las que sacerdotes del antiguo Egipto pretend́ıan reconocer a trav́es de la inspección
visual de la cabeza los instintos, sentimientos y hasta la capacidad intelectual de la persona
en cuestión. La civilizacíon griega adquirió y mejoró dichos conocimientos, dando lugar al
nacimiento de ciencias como la Psicoloǵıa, o a representaciones art́ısticas de dioses o héroes,
en donde la configuración de la cabeza estaba en armońıa con los atributos y facultades
que se queŕıan presentar al pueblo llano en sus formas más palpables. Los escritos más
antiguos acerca del particular son los de Platón o Aristóteles [Velázquez 97].
En el siglo IX de nuestra era, el f ı́sico y médico Avicena investigó sobre la localización de
las facultades cerebrales [Chinchilla 43]. Investigaciones que fueron retomadas por Alberto
el Grande cuatrocientos años despúes, en el siglo XIII, quien dibujó una cabeza en la
que representó el sitio en que radicaban las diferentes facultades humanas [Espinoza 03],colocó el sentido común en la frente o en el primer ventŕıculo, el juicio en el segundo, la
memoria y la fuerza motriz en el tercer ventŕıculo.
Trabajos similares fueron realizados en Italia por Pedro de Montagna, quien en 1491
publica su obra adornada con una lámina que representaba el sitio del sentido común y la
imaginación dentro de la cabeza [Montaner 91].
Figura 2.1: Diagrama frenológico.
Poco después, en 1562, Luis Dolei define el primer sistema de Frenoloǵıa, definiendo tal
ciencia como: “Doctrina psicológica seg´ un la cual las facultades pśıquicas est´ an localizadas
en zonas precisas del cerebro y en correspondencia con relieves del cr´ aneo”. El examen de
estos permitirı́a reconocer el carácter y aptitudes de la persona. Sin embargo es Gail quien
en 1781 popularizó este sistema [Colbert 98], [Segovia 38], perfeccionado posteriormente
junto con Spurzheim en 1804, con investigaciones acerca de la anatomı́a y fisioloǵıa del
sistema nervioso, y en particular del cerebro.
8/18/2019 doc ondas
39/259
2.1 Fundamentos fisiológicos. 17
Posteriormente Descartes, Gardón, Willis, Boerhaave, Kant, Bonet, Vizq-d’Ayzr,
publicaron trabajos que contribuyeron p oderosamente a consolidar el método frenológico.
Aunque como ya se ha indicado los estudios relativos a la mente y sus capacidades, y por
extensión del sistema nervioso, no es una disciplina nueva, el relativo escaso conocimiento
que sobre el mismo existe no se debe tanto a la falta de investigaciones o curiosidad
cient́ıfica, sino más bien debido a la gran complejidad de dicho sistema; complejidad
que trabajos cient́ıficos como las investigaciones llevadas a cabo por el premio Nobel
Santiago Ramón y Cajal1 en 1905, sobre el sistema nervioso, han contribuido a esclarecer,
[Barreno 02], [Pintado 77].
Se estima que en el cerebro humano existenaproximadamente unos 100 billones de neuronas[Jessell 91], cada neurona puede llegar a alcanzaralrededor de 2.000 conexiones o más con otrasneuronas, y puede recibir del orden de 20.000entradas. Teoŕıas que describen los procesos asociados
a la memoria y al aprendizaje tratan de explicar,a través de la Neuroplasticidad, los mecanismossubyacentes para el establecimiento de dichasconexiones [Bronzino 95b].
Desde que en 1929 Hans Berger demostrarala inherente naturaleza eléctrica del cerebro, dandocomienzo al nacimiento de la Electroencefalograf́ıacomo técnica de registro [Bronzino 95b], [Baker 89],[Webster 78], se ha venido investigando el modo deutilizar esta información para aumentar la base de
Figura 2.2: Neuronas. Ramón y Cajal.
conocimiento, diagnóstico de enfermedades, e incluso plantear nuevas v́ıas de
comunicación. Con la evolución de las técnicas radioĺogicas y la revolución que han
supuesto las nuevas tecnoloǵıas de imagen médica, en la forma de adquirir conocimiento
[Barreno 97] con las que es posible ver en vivo dentro del cuerpo humano el funcionamiento
de determinados órganos, se ha aumentado de igual forma las tecnoloǵıas que pueden
ser empleadas a la hora de estudiar el funcionamiento del cerebro, y dado el caso,
proponer nuevos sistemas de interfaz entre seres humanos y dispositivos mecánicos externos
basados en ellas. Entre las tecnoloǵıas propuestas para este fin actualmente se cuenta
con: Electroencefalograf́ıa, Maganetoencefalografı́a, Tomograf́ıa por Emisión de Positrones
(PET), o la imagen de resonancia magnética funcional (fMRI).
La segunda mitad del siglo XX, y en especial la década de los 90, conocida como
la década del cerebro, se ha dedicado a la investigación y estudio del cerebro humano,
inspirando nuevos desarrollos en el campo de la Inteligencia Artificial, como es el caso delresurgimiento de las Redes Neuronales [Rich 94].
1Ramón y Cajal se hizo valedor en 1906 del premio Nobel de Fisioloǵıa y Medicina por sus trabajossobre el sistema nervioso “Histologı́a del sistema nervioso del hombre y los vertebrados (1905)” [Cajal 05],en los que se descubren los mecanismos que gobiernan la morfoloǵıa y los procesos conectivos de las célulasnerviosas.
8/18/2019 doc ondas
40/259
18 Estado de la técnica.
2.1.2. La neurona.
La unidad fundamental delsistema nervioso de los vertebradosy del hombre es la neurona, veanselas figuras 2.2 y 2.3, su capacidadde transferir informacíon de unaparte del organismo a otra enforma de impulsos electroqúımicosla distingue del resto de las células;desde un punto de vista abstracto esprobablemente la célula del cuerpomás variable atendiendo tanto a suforma como a su tamaño.
Toda neurona está compuestapor tres partes básicas: Figura 2.3: Neuronas.
Cuerpo de la célula. Tambíen denominado soma . Es la parte más gruesa, contienetodos los componentes necesarios de la célula, como el n´ ucleo (contiene ADN),
ret́ıculo endoplasm´ atico y ribosomas (para sintetizar protéınas), y la mitocondria
(para la transformación de enerǵıa). Si el núcleo muere, la neurona muere.
Ax´ on. Proyección alargada en forma de cable, se encarga de transportar el mensaje
electroqúımico a lo largo de toda la longitud de la célula. Dependiendo del tipo de
neurona, los axones pueden estar recubiertos por fina capa de mielina, a modo de
aislante. La mielina queda constituida principalmente por ĺıpidos o grasas, facilitando
la rápida transmisión del impulso nervioso a lo largo del axón. Neuronas mielinizadas
se encuentran principalmente en los nervios periféricos, tanto sensores como motores,
mientras que neuronas no mielinizadas se encuentran en el cerebro y la médula
espinal, constituyendo lo que se denomina sustancia gris.
Dendritas o terminaciones nerviosas . Estas pequeñas prolongaciones arborescentes
de la célula son las encargadas de realizar las conexiones con otras neuronas,
permitiendo la comunicación entre las mismas o la percepción del entorno exterior.
Las dendritas pueden existir tanto en uno como en ambos extremos de la neurona.
Existen dos tipos de dendritas: apicales y basales.
La longitud de las neuronas es muy variable, puede ir desde unos pocos miĺımetros hasta
algunos decı́metros, como en el caso de neuronas cerebrales y táctiles respectivamente. De
igual modo la forma también es muy variable dependiendo de la actividad que lleven a cabo,
las neuronas motoras que controlan la contracción muscular tienen el cuerpo de la célulaen un extremo, un axón largo en el medio y dendritas en el otro extremo; mientras que
las neuronas sensoras tienen dendritas en ambos extremos, conectados por largos axones
con el cuerpo en el medio. Las neuronas también vaŕıan con respecto a sus funciones:
Neuronas sensoras o aferentes . Transportan señales desde zonas externas del cuerpo
(periferia) hacia el sistema nervioso central.
8/18/2019 doc ondas