Embed Size (px)
Citation preview
INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS.
ANGÉLICA REYES RUEDA
INGENIERÍA ELECTRÓNICA
FACULTAD DE INGENIERÍA
PONTIFICIA UNIVERSIDAD JAVERIANA
BOGOTÁ D.C.
COLOMBIA
JULIO 2013
2
INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS.
T.G 1174.
AUTOR:
ANGÉLICA REYES RUEDA
Trabajo de grado presentado como requisito parcial para optar al título de
INGENIERO ELECTRÓNICO
DIRECTORES:
Ing. CESAR LEONARDO NIÑO BARRERA
INGENIERÍA ELECTRÓNICA
FACULTAD DE INGENIERÍA
PONTIFICIA UNIVERSIDAD JAVERIANA
BOGOTÁ D.C.
COLOMBIA
JULIO 2013
3
PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA ELECTRÓNICA
RECTOR MAGNÍFICO: Joaquín Emilio Sánchez García, S.J.
DECANO ACADÉMICO: Ing. Jorge Luis Sánchez Tellez.
DECANO DEL MEDIO UNIVERSITARIO: P. Antonio José Nova, S.J.
DIRECTOR DEL DEPARTAMENTO DE ELECTRÓNICA: Ing. Francisco Viveros Moreno.
DIRECTOR DE CARRERA: Ing. Jairo Alberto Hurtado Londoño
DIRECTORES DEL PROYECTO DE GRADO: Ing. Cesar Leonardo Niño Barrera
4
NOTA DE ADVERTENCIA
Artículo 23 de la Resolución N° 13 de Julio de 1946
“La Universidad no se hace responsable por los conceptos emitidos por sus alumnos en sus trabajos de
tesis. Solo velará por qué no se publique nada contrario al dogma y a la moral católica y por que las tesis
no contengan ataques personales contra persona alguna, antes bien se vea en ellas el anhelo de buscar la
verdad y la justicia”
5
A Gilberto, María de los Ángeles, Andrés Felipe y William
por su incondicional apoyo perfectamente mantenido a través del tiempo.
Todo este trabajo ha sido posible gracias a ustedes.
6
AGRADECIMIENTOS
Quiero agradecer sinceramente a todas aquellas personas que compartieron sus conocimientos y tiempo
conmigo para hacer posible la conclusión del presente trabajo. Especialmente agradezco a mi director el
Ing. Cesar Leonardo Niño Barrera por su asesoría siempre dispuesta aún en la distancia.
Gracias a María de los Ángeles, Gilberto, Andrés Felipe, William, Sergio, Patricia, Mario, Alexandra y
Paola Andrea por su valiosa colaboración y apoyo al ser partícipes de este proyecto.
A mis amigos y docentes de la Pontificia Universidad Javeriana y Universidad Pontificia Bolivariana por
los momentos compartidos y enseñanzas.
Gracias a todos ellos.
7
TABLA DE CONTENIDO
1. INTRODUCCIÓN ......................................................................................................................... 12
2. MARCO TEORICO ....................................................................................................................... 13
2.1 ELECTROENCEFALOGRAFIA (EEG) ................................................................................ 13
2.2 TÉCNICAS DE CAPTURA DE SEÑALES NEUROELÉCTRICAS ...................................... 13
2.3 SISTEMA INTERNACIONAL 10 – 20 .................................................................................. 14
2.4 REGISTRO MONOPOLAR Y BIPOLAR DE EEG ............................................................... 15
2.5 ONDAS ENCEFALOGRAFICAS .......................................................................................... 16
2.6 NEUROFISIOLOGÍA DE TAREAS MOTORAS ................................................................... 17
2.6.1 Corteza Motora ............................................................................................................... 17
2.6.2 Desincronización/Sincronización Relacionada a Eventos (ERD/ERS) ............................. 18
2.7 INTERFAZ CEREBRO - COMPUTADOR (BCI) .................................................................. 19
2.7.1 Actividades electrofisiológicas cerebral ........................................................................... 19
2.7.2 Estructura BCI ................................................................................................................ 20
2.8 EMOTIVSYSTEMS ............................................................................................................... 22
2.8.1 Headset ........................................................................................................................... 22
2.8.2 Research Edition (SDK) .................................................................................................. 22
3. ESPECIFICACIONES ................................................................................................................... 24
3.1 CAPTURA DE SEÑALES ENCEFALOGRÁFICAS ............................................................. 24
3.2 INTERFACE CEREBRO COMPUTADOR (BCI).................................................................. 25
3.3 PRUEBAS DE DESEMPEÑO ................................................................................................ 25
3.4 HAWARE Y SOFTWARE ..................................................................................................... 25
3.5 BANCO DE SEÑALES EEG ................................................................................................. 26
4. DESARROLLO ............................................................................................................................. 27
4.1 CAPTURA DE SEÑALES EEG ............................................................................................. 27
4.1.1 Formulación de experimento (paradigma) ....................................................................... 27
4.1.2 Diseño de interfaz gráfica................................................................................................ 28
4.1.3 Captura de señales EEG .................................................................................................. 30
4.2 PROCESAMIENTO DE SEÑALES PARA EL BCI ............................................................... 32
4.2.1 Selección de Canales ....................................................................................................... 32
4.2.2 Eliminación de DC – Offset ............................................................................................ 32
4.2.3 Ventana Hanning ............................................................................................................ 33
4.2.4 Filtrado ........................................................................................................................... 34
4.3 Filtros Espaciales .................................................................................................................... 35
8
4.4 EXTRACCIÓN DE CARACTERÍSTICAS ............................................................................ 38
4.4.1 Densidad del Espectro de Potencia (Power Spectral Density – PSD) ................................ 38
4.4.2 Valor de Bloqueo de Fase (Phase-Locking Value) ........................................................... 41
4.5 CLASIFICACIÓN DE CARACTERISTICAS ........................................................................ 43
4.5.1 Máquinas de Soporte Vectorial (SVM) ............................................................................ 44
5. ANALISIS DE RESULTADOS ..................................................................................................... 50
5.1 CAPTURA DE SEÑALES ..................................................................................................... 50
5.2 EXTRACCIÓN Y CLASIFICACIÓN PSD - SVM ................................................................. 50
5.3 EXTRACCIÓN Y CLASIFICACIÓN PLV – SVM ................................................................ 52
6. CONCLUSIONES ......................................................................................................................... 54
7. BIBILIOGRAFIA .......................................................................................................................... 55
8. ANEXOS ....................................................................................................................................... 58
9
LISTADO DE FIGURAS
Figura 1. Capas que cubren el cerebro [4]. .............................................................................................. 13
Figura 2. Sistema Internacional 10 – 20 [5]. ........................................................................................... 14
Figura 3. Relación de distancia del Sistema Internacional 10 – 20 [5]. (a) Vista de Frente. (b) Vista de
Perfil...................................................................................................................................................... 14
Figura 4. Vista lateral de hemisferio cerebral indicando su división en lóbulos [4]. ................................. 15
Figura 5. Montaje Registro Monopolar [5] ............................................................................................. 15
Figura 6. Montaje Registro Bipolar. [5] .................................................................................................. 16
Figura 7. Divisiones de la corteza motora. [7]......................................................................................... 17
Figura 8. Representación del homúnculo motor sobre la corteza motora. [7] ........................................... 17
Figura 9. ERD / ERS de un sujeto el cual mueve lenta (izquierda) y rápidamente (derecha) un dedo. Se
muestran tres bandas de frecuencia (10 - 12, 14 - 18 y 36 - 40 Hz) [9]. ................................................... 18
Figura 10. Corteza Cerebral Fuente: Editorial Médica Panamericana ...................................................... 19
Figura 11. Estructura Interface Cerebro Computador (BCI) .................................................................... 20
Figura 12. Señales obtenidas al adquirir señales de actividad cerebral [13]. ............................................ 20
Figura 13. Headset EMOTIV EPOC. ...................................................................................................... 22
Figura 14. Etapas de desarrollo .............................................................................................................. 24
Figura 15. Sensores EMOTIV EPOC según Sistema Internacional 10-20 [17]. ....................................... 24
Figura 16. Diagrama de bloques del BCI diseñado. ................................................................................ 25
Figura 17. Esquema de tiempo de una prueba. ........................................................................................ 27
Figura 18. Estimulo visual. (a) Cruz, inicio de la tarea. (b) Caso 1, acción motora derecha. (c) Caso 2,
acción motora izquierda. ........................................................................................................................ 28
Figura 19. GUI - Ingreso de datos para la captura de señales. ................................................................. 28
Figura 20. Archivo .txt generado el cual indica la secuencia para el Sujeto 4 – Sesión 2. ........................ 29
Figura 21. Diagrama de flujo de la lógica implementada para la captura de las señales EEG. .................. 29
Figura 22. EmotivTestBench - Sujeto 04 ................................................................................................ 30
Figura 23. Realización del experimento de captura de datos. .................................................................. 31
Figura 24. Señales de los 14 canales originales – AM: Derecha. ............................................................. 32
Figura 25. Señales de los 14 canales sin DC. .......................................................................................... 33
Figura 26. Diagrama de tiempo y ventana hanning ................................................................................. 33
Figura 27. (a) Señal EEG sin offset (b) Ventana Hanning (c) Señal Ventaneada ..................................... 34
Figura 28. Filtro Equiripple (a) Magnitud (b) Fase ................................................................................. 34
Figura 29. a) Espectro de Frecuencia Señal Original b) Espectro de Frecuencia Señal Filtrada ................ 35
Figura 30. Filtros Espaciales [26]. (a) Filtro Bipolar, (b) Filtro Laplaciano, (c) Referencia Media Comun
.............................................................................................................................................................. 36
Figura 31. Aplicación de filtro CAR. (a) Señal Original (Filtrada) (b) Señal filtrada mediante CAR ..... 37
Figura 32. Señal FC5 (Azul – Señal original Filtrada, Roja – Señal Filtrada por CAR) .......................... 37
Figura 33. Diagrama de Flujo - Algoritmo PSD ...................................................................................... 39
Figura 34. Matriz PSD - AM: Derecha ................................................................................................... 40
Figura 35. Matriz PSD - AM: Izquierda ................................................................................................. 40
Figura 36. Diagrama de Flujo - Algoritmo PLV ..................................................................................... 42
Figura 37. a) Par de electrodos AF3 y AF4 b) PLV – Pareja de Electrodos AF3 – AF4. Sujeto 4 – Sesión 3
.............................................................................................................................................................. 43
Figura 38. Búsqueda por Red - Escala Grande (Característica: PLV - ID: 04 – Sesión de Ensayo: S3) ... 46
Figura 39. Búsqueda por Red - Escala Mediana (Característica: PLV - ID: 04 – Sesión de Ensayo: S3) . 47
10
Figura 40. Búsqueda por Red - Escala Pequeña (Característica: PLV - ID: 04 – Sesión de Ensayo: S3).. 48
Figura 41.Señal EEG correspondiente a la tarea motora Derecha, Sujeto 4 – Sesión 3 – Muestra 4. (a)
Señal Original, (b) Señal sin DC, (c) Señal Pre-Procesada ...................................................................... 50
Figura 42. PSD estimado mediante Welch en la banda de frecuencia de interés. (a) PSD – AM: Derecha,
(b) PSD – AM: Izquierda. ...................................................................................................................... 51
Figura 43. Precisión promedio de clasificación para todos los sujetos. .................................................... 53
Figura 44. Ficha Médica ........................................................................................................................ 60
Figura 45. Fichero *.csv generado .......................................................................................................... 61
Figura 46. Kit Emotiv - Research SDK .................................................................................................. 63
Figura 47. Solución salina multipropósitos usada. .................................................................................. 64
Figura 48. Hidratación con solución salina en electrodos y almohadilla del estuche [41]. ........................ 64
Figura 49. Instalación electrodo en headset. ........................................................................................... 65
Figura 50. Pasos para colocar adecuadamente el headset EMOTIV......................................................... 65
Figura 51. Verificación del contacto de cada uno de los electrodos por medio de TestBench................... 66
Figura 52. Instalación LIBSVM - Paso 3 ................................................................................................ 67
Figura 53. Instalación LIBSVM - Paso 4 ................................................................................................ 67
Figura 54. Instalación LIBSVM - Paso 5 ................................................................................................ 68
Figura 55. Instalación LIBSVM - Paso 6 ................................................................................................ 68
Figura 56. Instalación LIBSVM - Paso 7 ................................................................................................ 68
Figura 57. Instalación LIBSVM - Paso 8 ................................................................................................ 69
Figura 58. Instalación LIBSVM - Paso 9 ................................................................................................ 69
Figura 59. Instalación LIBSVM - Paso 11 .............................................................................................. 70
Figura 60. Validación Cruzada de 4 iteraciones [15]. .............................................................................. 72
11
LISTADO DE TABLAS
Tabla 1. Características EEG y ECoG. [4, 5] .......................................................................................... 13
Tabla 2. Características Ondas EEG [5,6] ............................................................................................... 16
Tabla 3. Artificios comunes [13]. ........................................................................................................... 21
Tabla 4. Distribución de sesiones para la captura de señales encefalográficas. ........................................ 25
Tabla 5. Especificaciones Laptop. .......................................................................................................... 26
Tabla 6. Especificaciones Desktop. ........................................................................................................ 26
Tabla 7. Tiempo aproximado de experimento por sujeto. ........................................................................ 31
Tabla 8. Sets de Entrenamiento y Ensayo mediante Hold-Out ................................................................. 44
Tabla 9. Precisión PSD - Kernel Lineal .................................................................................................. 45
Tabla 10. Precisión PLV - Kernel LinealKernel RBF ............................................................................. 45
Tabla 11. Precisión PSD - Kernel RBF ................................................................................................... 48
Tabla 12. Precisión PLV - Kernel RBF .................................................................................................. 49
Tabla 13. Desempeño promedio PSD + SVM ......................................................................................... 51
Tabla 14. Desempeño promedio PLV + SVM ........................................................................................ 52
Tabla 15. Nomenclatura archivos *.csv. ................................................................................................. 62
12
1. INTRODUCCIÓN
La población mundial supera los seiscientos mil millones de personas, de ellas el 10% (600 millones)
presenta una u otra forma de discapacidad, y más de dos terceras partes viven en países en vía de
desarrollo [1]. En América Latina existen aproximadamente 85 millones de personas con discapacidad y
por lo menos el 50% de esta población tienen edad para trabajar [2].
Según el Censo 2005 realizado por el DANE se estableció que el 6,4% de la población Colombiana tiene
por lo menos una discapacidad; siendo como causas principales enfermedades adquiridas, lesiones
causadas por accidentes de tráfico y/o laborales como por la violencia [2]. Es de destacar que en ese 6,4%
de población (equivalente a 2.632.255 personas) el 29,3% presenta limitaciones permanentes para caminar
o moverse [3], requiriendo en muchos casos la ayuda de un tercero para poder desplazarse.
Las interfaces Cerebro-Computador (Brain-Computer Interface, BCI) permiten la conexión del sujeto y el
computador mediante la captación de señales neuroeléctricas sin necesidad de existir actividad muscular
por parte del sujeto. Debido a esto se puede implementar una BCI como sistema de control en tiempo real
entre el sujeto que presenta discapacidad de movilidad y el mundo exterior [4].
La finalidad planteada en este trabajo fue el desarrollo de una interfaz Cerebro-Computador basado en
clasificación de señales encefalogáficas cuando un sujeto imagina un movimiento, en este caso derecha o
izquierda. Para lograr la clasificación se realizó un estudio exhaustivo sobre los aspectos neurofisiológicos
de las tareas motoras y como estas pueden ser identificadas a través de señales obtenidas mediante
electroencefalografía.
13
2. MARCO TEORICO
2.1 ELECTROENCEFALOGRAFIA (EEG)
La electroencefalografía (EEG) es el registro de la actividad bioeléctrica cerebral obtenido mediante
electrodos situados en el cuero cabelludo o corteza cerebral (espacio subdural, Figura 1) [4].
Figura 1. Capas que cubren el cerebro [4].
2.2 TÉCNICAS DE CAPTURA DE SEÑALES NEUROELÉCTRICAS
Existen diferentes técnicas para la captura de las señales neuroeléctricas, sin embargo el
electroencefalograma (EEG) y elelectrocorticograma (ECoG) son los más usados (Tabla 1).
Técnica Tipo de
Electrodos1
Ventajas Desventajas
Electroencefalograma
(EEG)
Superficie o
Basales No invasiva
Resolución limitada
Rango de Frecuencia limitado
Sensible a ruido (ej. Señales
electrooculográficas (EoG) )
Electrocorticograma
(ECoG) Quirúrgicos
Resolución y rango de
frecuencia mayor que
el EEG.
Requiere procedimiento quirúrgico
para la implantación de los
electrodos (Invasivo).
Manipulación exclusivamente por
un neurocirujano.
Tabla 1. Características EEG y ECoG. [4, 5]
1 Electrodos superficiales: Se aplican sobre el cuero cabelludo. Electrodos basales: Se aplican en la base del cráneo sin necesidad
de procedimiento quirúrgico. Electrodos quirúrgicos: para su aplicación es precisa la cirugía y pueden ser corticales o
intracerebrales. [5]
14
2.3 SISTEMA INTERNACIONAL 10 – 20
Existen múltiples sistemas de posicionamiento de electrodos superficiales, sin embargo el sistema
internacional 10 – 20 (Figura 2) es el más utilizado hoy en día. Este método se desarrolló con el fin de
garantizar un estándar y repetitividad de manera tal que los estudios realizados a un sujeto puedan ser
comparados en el transcurso del tiempo, igualmente permite comparar los resultados entre distintos
individuos [6].
Figura 2. Sistema Internacional 10 – 20 [5].
Este sistema se basa en la relación de distancia entre dos electrodos adyacentes que es el 10% de la
longitud del cráneo desde el nasión hasta el iniónó del 20% de la distancia entre ambos puntos pasando
por el vertex (Figura 3).
Figura 3. Relación de distancia del Sistema Internacional 10 – 20 [5]. (a) Vista de Frente. (b) Vista de Perfil.
15
Es importante resaltar que la letra empleada para el nombre de cada uno de los puntos de contacto
identifica al lóbulo (Figura 4) y el número a la ubicación dentro del hemisferio. Es decir las letras
corresponderían de la siguiente forma: F: Frontal, T: Temporal, P: Parietal y O: Occipital; la letra C esta
se implementa para identificar la línea horizontal central. En el caso de los números, los pares
corresponden con electrodos en el hemisferio derecho y los impares con los del izquierdo; los subíndices z
se identifican la línea vertical central de electrodos.
Figura 4. Vista lateral de hemisferio cerebral indicando su división en lóbulos [4].
2.4 REGISTRO MONOPOLAR Y BIPOLAR DE EEG
Para realizar la captura o registro de las ondas EEG múltiples electrodos son ubicados en el cuero
cabelludo, sin embargo para realizar este registro es necesario disponer de mínimo dos terminales
(electrodos). Existen dos tipos de montajes para realizar este registro, el monopolar y el bipolar.
El Registro Monopolar (Figura 5) se toma la señal independiente de cada uno de los electrodos, estos
electrodos son denominados activos o de registro. Existe un segundo electrodo llamado de referencia el
cual teóricamente debe tener un voltaje igual a 0 V (GND). Para garantizar un valor aproximado a cero el
electrodo de referencia generalmente se ubica en el lóbulo de la oreja, mentón o mastoides2[5]. De esta
forma se determina la diferencia de tensión entre el electrodo activo y el electrodo de referencia.
Figura 5. Montaje Registro Monopolar [5]
2Porción posterior del hueso temporal detrás de la oreja.
16
El Registro Bipolar (Figura 6) a diferencia del monopolar se toma parejas de electrodos y se registra la
diferencia de tensión entre ellos [5].
Figura 6. Montaje Registro Bipolar. [5]
2.5 ONDAS ENCEFALOGRAFICAS
Las señales EEG se caracterizan por tener amplitudes desde los 10mV (registros sobre la corteza cerebral)
a 100μV (registros sobre el cuero cabelludo), igualmente tienen forma irregular y son aperiódicas y se
encuentran concentradas en el espectro de 0 a 100 Hz [5,6]. Debido a la irregularidad de estas se han
clasificado en ritmos u ondas dependiendo de la banda de frecuencia que se encuentre (Tabla 2).
Tipo Frecuencia
(Hz) Localización Características
Alfa (α) 8 – 13 Occipital y Frontal Amplitud > 20µV
Asociadas a relajación y actividad mental leve.
Beta (β) 12 – 30 Parietal y Frontal
Amplitud entre 5 – 30 µV
Asociadas a estados de alerta, concentración y
resolución de problemas. En casos de extrema
concentración puede alcanzar hasta los 50 Hz.
Gamma(γ) > 30 Asociadas a procesos de comunicación y realización de
actividades mentales complejas.
Delta (δ) 0.5 – 4
Amplitud variable.
Asociadas a sueño profundo y estados de meditación.
Tetha (θ) 4 – 7 Parietal y
Temporal.
Amplitud >20µV
Asociadas estrés y frustración
Mu(μ) 8 - 13
Zona
Sensoriomotora
(unión lóbulo
parietal y frontal)
Manifiestan atenuación durante el movimiento o
intento de movimiento de extremidades. A diferencia
de las ondas alfa (que se encuentran en la misma banda
de frecuencia) las ondas mu son espontaneas.
Tabla 2. Características Ondas EEG [5,6]
17
2.6 NEUROFISIOLOGÍA DE TAREAS MOTORAS
2.6.1 Corteza Motora
La corteza motora cerebral es la encargada de realizar la planificación, control y ejecución de la mayoría
de movimientos voluntarios.
Figura 7. Divisiones de la corteza motora. [7]
La corteza motora es dividida en cuatro partes principales (Figura 7) las cuales son:
2.6.1.1 Corteza motora primaria (M1)
La corteza motora primaria (M1) se encuentra ubicada en el lóbulo frontal a lo largo de una protuberancia
llamada circunvolución precentral (Figura 8), y es la responsable de la generación de los impulsos
neuronales que controlan la ejecución del movimiento.
Wilder Penfield, neurocirujano canadiense, realizó una serie de experimentos en los años 50 a múltiples
pacientes que iban a ser sometidos a neurocirugía [8]. El experimento consistía en estimular
eléctricamente diversas partes de la corteza cerebral (M1 y PMA) logrando movimientos involuntarios en
diversas partes del cuerpo. Con los datos obtenidos resumió su descubrimiento en una representación
gráfica la cual le dio el nombre de "homúnculo" (Figura 8).
Figura 8. Representación del homúnculo motor sobre la corteza motora. [7]
18
2.6.1.2 Corteza Pre-motora (PMA)
La corteza pre-motora (PMA), se encuentra ubicada 1 a 3 cm en frente de la corteza motora primaria
(M1). La PMA es la encargada de guiar y controlar los movimientos de los músculos proximales
(hombros, cuello, pelvis) y del tronco corporal.
2.6.1.3 Área motora suplementaria (SMA)
El área motora suplementaria (SMA) se encuentra por encima del área pre-motora, y delante de la corteza
motora primaria (M1). Esta área es la encargada de la planificación y coordinación de movimientos
complejos. El área motora suplementaria y las regiones promotoras tanto envían información a la corteza
motora primaria, así como a las regiones motoras del tronco cerebral.
2.6.1.4 Corteza Parietal Posterior
La corteza parietal posterior es la encargada de transformar la información visual en instrucciones
motoras.
2.6.2 Desincronización/Sincronización Relacionada a Eventos (ERD/ERS)
Cuando una persona realiza un movimiento (o imaginación de la tarea motora) se induce una serie de
fenómenos en la dinámica de la actividad mental (Figura 9), estos fenómenos son conocidos como
desincronización / sincronización relacionada a eventos (ERD / ERS).
Figura 9. ERD / ERS de un sujeto el cual mueve lenta (izquierda) y rápidamente (derecha) un dedo. Se muestran tres bandas de frecuencia (10 - 12, 14 - 18 y 36 - 40 Hz) [9].
La ERD / ERS se compone de diversos eventos separados, producidos en diferentes bandas de frecuencia
y duración variable. Sin embargo la característica más dominante [9] es una desincronización en la banda
alfa superior (10 a 12 Hz, la cual corresponde a la banda sensoriomotora (también conocida como banda
mu). Es importante resaltar que al imaginar la tarea motora, el fenómeno ERD / ERD también sucede, lo
19
cual es importante en el contexto de una interface cerebro computadora (BCI) ya que como su definición
lo indica, el sistema no depende de movimiento de los músculos.
2.7 INTERFAZ CEREBRO - COMPUTADOR (BCI)
Una interfaz cerebro – computador (BCI, Brain-Computer Interface) es un sistema que permite la
conexión entre un sujeto a partir de la actividad eléctrica cerebral (sin necesitad de actividad motora) y un
computador. Este sistema detecta la presencia de patrones específicos en la actividad cerebral y mediante
algoritmos de clasificación traduce estos patrones en comandos de control [10].
2.7.1 Actividades electrofisiológicas cerebral
Un sistema BCI se define como un sistema que adquiere una señal electrofisiológicas cerebral la cual es
analizada y procesada posteriormente. Es de resaltar que un BCI no depende de las vías de salida normal
de los nervios y músculos. En la actualidad se destacan dos tipos de BCI basados en ondas
electroencefalográficas (EEG – electrodos de contacto, no invasivo): Potenciales Visuales Evocados
(Visual evoked potentials, VEPs) y Actividad Sensoriomotora (Sensorimotor Rhythm, SMR) [10].
2.7.1.1 Potenciales visuales evocados (VEPs)
Los potenciales evocados miden la actividad eléctrica del cerebro a estímulos externos como lo pueden
ser visuales, auditivos o táctiles. Usualmente se implementan estímulos visuales como luces parpadeando
a determinada frecuencia.
Figura 10. Corteza Cerebral Fuente: Editorial Médica Panamericana
Si un estímulo visual se presenta repetidamente a una velocidad de 5-6 Hz o mayor, se suele apreciar una
respuesta oscilatoria continua en el lóbulo occipital donde se encuentra la corteza visual (figura 10). Esta
respuesta se denomina estado estacionario de los potenciales visuales evocados (Steady-state visual
evoked potentials – SSVEP) [10,11].
2.7.1.2 Actividad sensoriomotora (SMR)
Las ondas o ritmos beta (12 – 30 Hz) y mu (8 – 13 Hz) se originan en la corteza sensoriomotora (Figura
10) y están fuertemente relacionadas con el sistema motor. Cuando se realiza un movimiento se puede
20
apreciar en las señales electroencefalografías que la amplitud de estos ritmos disminuye o se dé sincroniza
(ERD / ERS), es de resaltar que este fenómeno ocurre tanto al realizar o imaginar una acción motora. [4,
10]
Es importante resaltar que los sistemas BCI no leen la mente del sujeto; es necesario que este controle
conscientemente su actividad cerebral, ya sea por estímulos visuales evocados (VEPs) o imaginando que
realizan una tarea motora, por ejemplo el mover el brazo izquierdo.
2.7.2 Estructura BCI
Un BCI, independientemente de su finalidad o métodos de grabación, se compone de cuatro elementos
esenciales [12] como se muestra en la Figura 11.
Figura 11. Estructura Interface Cerebro Computador (BCI)
2.7.2.1 Adquisición de señales y Artefactos
La primera etapa de un BCI corresponde a la adquisición de señales eléctricas del cerebro, esta
adquisición se realiza mediante ECoG y EEG. Sin embargo cualquiera de estos dos métodos registra no
solamente actividad del cerebro sino otras actividades no deseadas (Figura 12) que deterioran la señal de
la actividad cerebral (ruido o artefacto), de origen múltiple como lo indica la Tabla 3[13].
Figura 12. Señales obtenidas al adquirir señales de actividad cerebral [13].
APLICACIÓN DE
CONTROL
RETROALIMENTACIÓN
Brain Computer Interface
SUJETO
T
ADQUISICIÓN DE
SEÑALES
EXTRACCIÓN DE
CARACTERÍSTICAS
CLASIFICACIÓN DE
CARACTERÍSTICAS
21
Artificios No Fisiológicos Artificio Fisiológico
50 / 60 ciclos
Artificio de electrodo (resistencia)
Descarga electroestática (movimientos)
Descarga capacitivas (acoplamiento)
Ruido electrónico interno(electrones-
amplificador)
Artificios AD/DA (digitales)
Movimiento de ojos (parpadeo)
Cardiaco
Pulso
Respiración
Tensión
Tabla 3. Artificios comunes [13].
En los sistemas BCI se emplea una etapa previa a la extracción de características conocida como Etapa de
Pre-Procesamiento [10]. Esta etapa tiene como objetivo el aumentar la relación señal-a-ruido (SNR), es
decir adecua la señal para su posterior análisis.
Las técnicas más empleadas para realizar un pre-procesamiento son Patrones Espaciales Comunes
(Common Spatial Patterns – CSP) y Métodos de Referencia, como lo son Promedio de Referencia Común
(Common Average Reference – CAR) y Laplaciano Superficial (SurfaceLaplacian – SL).
2.7.2.2 Extracción de características
El proceso más importante en un BCI corresponde a la extracción de las características de las señales
EEG. Este proceso consiste en procesan mediante diferentes métodos matemáticos las señales obtenidas
para así extraer características representativas que permiten la posterior clasificación de la señal.
El método a emplear para la extracción de características depende de las señales obtenidas, ya que las
características obtenidas pueden basarse en dominio del tiempo (BCI basado en VEPs) o en el dominio de
la frecuencia (BCI basado en SMR). Algunos métodos de extracción en el dominio del tiempo son:
filtrado, transformada de Wavelet y modelos paramétricos auto regresivos (AR). En el caso de BCI
basados en SMR se implementan métodos en el dominio de frecuencia, entre ellos la estimación de la
banda de potencia usando el método de Welch, Wavelet y modelos auto regresivos (AR).
2.7.2.3 Clasificación de características
Posterior a la extracción de características se requiere agruparlas con el fin de luego ser asociadas al
paradigma (ej. Pie izquierdo vs. Mano Derecha). Gran parte de los métodos de clasificación son basados
en algoritmos de aprendizaje [10] como lo son:
Máquinas de vectores de soporte (Support Vector Machine – SVM)
Análisis de discriminante lineal (Linear DiscriminantAnalysis – LDA)
Discriminante de Fisher (Fisher’sDiscriminantAnalysis – FDA)
Redesneuronales (Neural networks – NN)
22
2.7.2.4 Aplicación de control
Posterior al diseño del BCI se encuentra esta etapa la cual cumple con el objetivo de crear la interacción
con el usuario con algún otro dispositivo. Esta etapa implementa el análisis realizado previamente por el
BCI para poder realizar una acción de control y de esta forma permitir la interacción del usuario con algún
dispositivo, por ejemplo el manejo de un carro, encender y apagar luces, prótesis robóticas, entre otras.
2.8 EMOTIVSYSTEMS
EMOTIV Systems es una empresa de neuroingeniería formalizada en el año 2003, la cual desarrollo una
revolucionaria interfaz cerebro – computador (BCI) para el consumo popular [16]. Esta interfaz
desarrollada es conocida como EMOTIV EPOC, la cual consta de un dispositivo inalámbrico (headset)
que por medio de múltiples sensores captura las señales eléctricas producidas por el cerebro para detectar
expresiones faciales, movimiento, sentimientos y pensamientos. [17]
2.8.1 Headset
El headset EMOTIV EPOC (Figura 13) está compuesto principalmente por 16 electrodos de contacto con
almohadillas (esta debe ser humedecida con una solución salina para garantizar una buena conducción) y
enchapados en oro [17].
Figura 13. Headset EMOTIV EPOC.
Estos electrodos se encuentran sujetos a dos brazos de plástico que garantizan la correcta ubicación según
el sistema internacional 10 – 20 (figura 2); es de resaltar que 14 de los 16 sensores capturan las señales
EEG (los 2 restantes son usados como referencia CMS/DRL). La implementación de dos electrodos de
referencia indica que el tipo de registro utilizado por este headset corresponde a un registro monopolar.
Estos electrodos operan a una frecuencia de muestreo de 128sps y poseen un ancho de banda de 0.2Hz a
45Hz [17].
Adicional a los electrodos posee un giroscopio compuesto por dos acelerómetros (ejes X y Y) los cuales
registran los movimientos de la cabeza del sujeto. Se destaca la conexión entre el headset y el PC es
inalámbrica (transmisor bluetooth).
2.8.2 Research Edition (SDK)
El EMOTIVEPOC ofrece seis diferentes software development kit (SDK) que otorgan el control sobre la
API del headset al igual que las bibliotecas (.dll) para el desarrollo de aplicaciones. En este proyecto se
23
empleara la edición RESEARCH. La elección de este SDK se debe a que el API permite la visualización y
captura de las señales raw de los 14 electrodos, lo cual es indispensable para la realización de este
proyecto.
Es importante resaltar que actualmente EMOTIV EPOC no cuenta con un módulo en tiempo real para
Matlab, a su vez es posible implementar el SDK para la captura de las señales raw por medio de C y C++
para su análisis posterior, sin embargo, si se desea realizar la etapa posterior de un BCI (Aplicación de
control) es necesario usar de forma nativa el algoritmo de extracción y clasificación de EMOTIV EPOC
conocido como EmoEngine [18].
24
3. ESPECIFICACIONES
Se diseñó y desarrollo una interface cerebro computador mediante la clasificación de ondas
encefalografías, para lograr ello el desarrollo fue dividido en tres etapas o fases; basándose en la estructura
de un BCI descrita en la Figura 11, página 20 del presente documento. La Figura 14 indica cada una de las
etapas para el desarrollo del presente proyecto.
Figura 14. Etapas de desarrollo
3.1 CAPTURA DE SEÑALES ENCEFALOGRÁFICAS
Se implementó el dispositivo no invasivo EMOTIVEPOC como receptor de señales
electroencefalográficas. Este dispositivo está compuesto por 14 electrodos distribuidos según el sistema
internacional 10-20 (Figura 15), los cuales operan a una frecuencia de muestreo de 128sps y poseen un
ancho de banda de 0.2Hz a 45Hz [17].
Figura 15. Sensores EMOTIV EPOC según Sistema Internacional 10-20 [17].
El paradigma a clasificar se compone de dos casos: derecha e izquierda, el número total de muestras
adquiridas por caso es de 50, distribuidas en 4 sesiones como lo indica la
Tabla 4.
25
Sesión Numero de muestras
por caso
Primera 15
Segunda 10
Tercera 15
Cuarta 10
Tabla 4. Distribución de sesiones para la captura de señales encefalográficas.
3.2 INTERFACE CEREBRO COMPUTADOR (BCI)
El proceso descrito en la Figura 16corresponde al realizado en el presente proyecto.
Figura 16. Diagrama de bloques del BCI diseñado.
3.3 PRUEBAS DE DESEMPEÑO
Se realizó pruebas de desempeño mediante validación cruzada de K-iteraciones (K-foldcross-validation),
garantizando que el algoritmo de clasificación tuvieran una acierto igual o mayor al 75%.
3.4 HAWARE Y SOFTWARE
Para la extracción y análisis de señales encefalográficas fue necesaria la implementación de dos
computadoras. Se usó un computador portátil (laptop) para la extracción de las señales encefalográficas
Eliminación de
DC (Offset)
Ventaneo
Filtrado
CAR
PSD PLV
SVM SVM
Carga de
Señales EEG
Pre – Procesamiento
Extracción
de Características
Clasificación
26
debido a la necesidad desplazarse al lugar donde se encontraban algunos de los sujetos que participaron en
el experimento, por otra parte el procesamiento y análisis de las señales encefalográficas obtenidas se
realizó en un PC de escritorio (Desktop). Las especificaciones del laptop y PC se encuentran
especificadas en las Tabla 5 y Tabla 6 respectivamente.
Especificaciones Técnicas - Laptop
Marca Asus
Modelo G53SW
Procesador Intel® Core™ 2630QM Processor
Núcleos 4
Velocidad de Reloj 2.0 GHz
Disco Duro 500 Gb
Memoria RAM 8 Gb
Monitor 15.6"
Sistema Operativo Windows 7 Professional – 64 bits
Tabla 5. Especificaciones Laptop.
Especificaciones Técnicas - Desktop
Procesador Intel® Pentium® Processor E2140
Núcleos 2
Velocidad de Reloj 1.6 GHz
Disco Duro 160 Gb
Memoria RAM 2 Gb
Sistema Operativo Windows 7 Professional – 32bits
Tabla 6. Especificaciones Desktop.
El software implementado fue:
Visual Studio 2010 Professional
Matlab 2012b (Incluyendo Toolboxes)
SDK – EmotivResearchEdition
Test Bench – EmotivSystems
3.5 BANCO DE SEÑALES EEG
Mediante la captura de señales electroencefalográficas se generó un banco de señales. La generación de
este banco tiene como objetivos principales:
Implementación sencilla y ágil para el desarrollo del presente trabajo.
Creación de un banco de señales EEG para trabajos futuros.
Cada muestra se encuentra debidamente etiquetada (ver Anexo 1), con un tamaño promedio de 150KB.
27
4. DESARROLLO
4.1 CAPTURA DE SEÑALES EEG
La adquisición de señales electroencefalográficas se realizó de forma no invasiva por medio del
dispositivo EMOTIV EPOC. La adquisición de estas señales se realizó mediante un experimento
implementando una interfaz gráfica (GUI).
La GUI extrajo y guardo las ondas encefalográficas de 10 sujetos para su posterior análisis en ficheros
*.csv (comma-separatedvalues). La metodología del experimento es basado en anteriores trabajos como lo
son: “Comparación de Diferentes Métodos para la Clasificación de Señales EEG en Interfaces Cerebro-
Computadora” [19], “Análisis de electroencefalogramas en ritmos sensoriomotores. Control domótico
mediante Brain Computer Interface” [20], “Automatic Differentiation of Multichannel EEG Signals” [21]
y las bases de datos de señales EEG del “BCI Competition IV” [22].
4.1.1 Formulación de experimento (paradigma)
Cada prueba (Figura 17) tiene una duración de 9.5s a 11s. Este tiempo se divide en 3s de preparación, 5s
donde se realiza la tarea mental y una pausa entre pruebas de 2 a 3 segundos.
La prueba inicia con la presentación de una cruz en el centro de la pantalla (conocida en la literatura como
fixation-cue o cross-fixation) tal y como se muestra en la Figura 18a y un tono de aviso a los 1.5 segundos
(1kHz, 70ms) que indica al usuario que el experimento ha dado inicio, segundos después se mostrara una
señal visual (Figura 18b o Figura 18c) durante 2 segundos. Esta señal visual da la instrucción al sujeto
que imagine la acción motora correspondiente a la instrucción (esta acción durara 5 segundos). Al
completar la tarea mental se darán dos tonos de aviso (1kHz, 70ms) indicando al usuario que puede
descansar y se da una pausa de 1.5 segundos, adicionalmente se tendrá un tiempo variable de descanso
entre pruebas de 0.5 a 1.5 segundos.
Figura 17. Esquema de tiempo de una prueba3.
3 La barra de tiempo está dada en segundos.
28
a
b
c
Figura 18. Estimulo visual. (a) Cruz, inicio de la tarea. (b) Caso 1, acción motora derecha. (c) Caso 2, acción motora izquierda.
4.1.2 Diseño de interfaz gráfica
La interfaz gráfica fue diseñada en Visual Basic y C ++ (incluidos en el paquete Visual Studio 2010
Professional) implementando el Research SDK que viene en conjunto al EMOTIV EPOC. Al iniciar el
programa experimento.exe se abrirá la ventana de la Figura 19. En esta se debe ingresar el ID del sujeto
(numérico), el número de pruebas a realizar (ej. Si se ingresa 5 pruebas, el programa captara 5 muestras
para cada caso, es decir, 10 muestras en total) y finalmente seleccionar la sesión a realizar. Estos datos son
solicitados al usuario con el fin de guardar el fichero *.csv con el nombre correspondiente, tal y como es
indicado en el Anexo 1. A su vez el programa genera un fichero *.txt indicando por medio de letras R o L
(Right – Derecha o Left – Izquierda, respectivamente) el orden en el cual fue ejecutado los dos estímulos
visuales como se puede ver en la Figura 20.
Figura 19. GUI - Ingreso de datos para la captura de señales.
29
Figura 20. Archivo .txt generado el cual indica la secuencia para el Sujeto 4 – Sesión 2.
El diagrama de flujo de la Figura 21 indica la lógica implementada en el programa diseñado para la
captura de señales EEG. Al iniciar el programa se establece unos valores iníciales los cuales corresponden
a la cantidad de muestras para cada uno de los casos (0 = derecha, 1 = izquierda). Se implementa un
condicional el cual determina que en el momento en el cual la suma de cant0 y cant1 (cantidad de
muestras ejecutadas) sea igual al doble del número de muestras el programa finalizara.
Figura 21. Diagrama de flujo de la lógica implementada para la captura de las señales EEG.
cant0 = 0
cant1 = 0
n = número de pruebas
op =Rand (Opción Señal)
op
Imagen
Derecha
Imagen
Izquierda
Imagen
Cruz
INICIO
x<
2*n
FIN
x = cant0 + cant1
no
si
op = 0 op = 1
cant0
= c
ant0
+1
cant1
= can
t1+
1
30
Es importante resaltar que se implementó la hora del computador como “semilla”, con el fin de garantizar
aleatoriedad en la señal mostrada como en el tiempo de descanso.
La duración de la prueba depende de la variable “Numero de Pruebas”, si el usuario ingresa 2 la duración
máxima de la prueba será de 22segundos.Serealizó igualmente la captura de 40 muestras (divididas en 3 y
4 sesiones) de señales baseline, en este caso la pantalla es blanca; estas señales no fueron empleadas en el
desarrollo del presente proyecto, sin embargo forman parte del banco de señales para trabajos futuros.
4.1.3 Captura de señales EEG
Las señales adquiridas constan de datos EEG de 10 personas (5 hombres y 5 mujeres, todos sanos4). Cada
uno se encontró sentado cómodamente en una silla, con buena iluminación, delante de un portátil con
pantalla de 15.6’’ (ver Tabla 5. Especificaciones Laptop.) y resolución de pantalla de 800 x 600 pixeles.
Previo al experimento se verifico por medio del software de Emotiv TestBench que los 14 electrodos se
encontraran realizando un contacto adecuado5 (Figura 22).
Antes de iniciar el experimento este fue explicado a cada uno de los usuarios, indicando que debían
imaginar la acción motora al ver el estímulo visual.
Figura 22. EmotivTestBench - Sujeto 04
El tiempo total del experimento por sujeto fue de aproximadamente de 35 a 45 minutos, tal y como lo
indica la Tabla 7. Sin embargo algunas personas manifestaron cansancio y dificultad de concentración a
partir de la segunda sesión, por lo que algunos descansos fueron superiores a 10 minutos.
4 Anexo 2. Ficha Médica. 5 Anexo 3. Indicaciones de la correcta colocación del headset Emotiv.
31
Actividad Numero de Muestras6 Tiempo Aproximado
Sesión 1 30 6 minutos
Baseline 1 10 2 minutos
Sesión 2 20 4 minutos
Baseline 2 10 2 minutos
Descanso - 10 minutos
Sesión 3 30 6 minutos
Baseline 3 10 2 minutos
Sesión 4 20 4 minutos
Baseline 4 10 2 minutos
TOTAL 1407 35 minutos
Tabla 7. Tiempo aproximado de experimento por sujeto.
Figura 23. Realización del experimento de captura de datos.
6 Sumatoria de muestras de izquierda y derecha. 7El sujeto 9 presento una fuerte cefalea durante el experimento, por lo tanto el número de muestras es inferior en algunas sesiones.
32
Los ficheros generados para cada sujeto fueron posteriormente importados a MATLAB para así crear un
fichero *.mat el cual contuviera todas las señales de cada uno de los sujetos organizadas en matrices y
estructuras.
4.2 PROCESAMIENTO DE SEÑALES PARA EL BCI
4.2.1 Selección de Canales
Se optó por mantener la totalidad de los canales EEG (14 canales), sin embargo se realizó un pre-
procesamiento a todas las señales con el fin de garantizar una relación señal-ruido (SNR) alta para lograr
un desempeño adecuado en las etapas de extracción de características y clasificación.
4.2.2 Eliminación de DC – Offset
En las señales obtenidas mediante el headset EMOTIV EPOC se encuentra que existe un desplazamiento
causado por un DC (Figura 24). Este DC se debe a que el headset agrega un DC sobre los 4096 µV con el
fin de garantizar que todos los datos sean un entero positivo [23]. Por lo tanto se realizó la eliminación de
este DC restando el valor medio de la señal original (Figura 25).
Figura 24. Señales de los 14 canales originales – AM89: Derecha.
8 AM = Acción Motora 9Todas las figuras mostradas en el análisis, extracción y clasificación de señales corresponden al sujeto 4, sesión 3, muestra 4.
0 200 400 600 800 1000 12004000
4100
4200
4300
4400
4500
4600
4700
4800
4900SEÑAL ORIGINAL
Numero de Muestras
Am
plit
ud (
uV
)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
33
Figura 25. Señales de los 14 canales sin DC.
4.2.3 Ventana Hanning
En el experimento realizado para la extracción de señales EEG la tarea mental fue realizada en el tiempo
de 3 a 8 segundos, con un estímulo visual de 3 a 5 segundos. Por tal motivo se aplicó una ventana hanning
con el fin de obtener las señales EEG que contienen la información durante la señal visual y tarea mental,
tal y como lo indica la Figura 26.
Figura 26. Diagrama de tiempo y ventana hanning
0 200 400 600 800 1000 1200-100
-50
0
50
100
150
200
250SEÑAL SIN DC
Numero de Muestras
Am
plit
ud (
uV
)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
34
Figura 27. (a) Señal EEG sin offset (b) Ventana Hanning (c) Señal Ventaneada
4.2.4 Filtrado
Debido a la naturaleza de las señales EEG es conveniente realizar un filtrado temporal, de esta forma se
elimina ruido de frecuencias bajas (generalmente relacionados a artificios fisiológicos como el parpadeo)
y de frecuencias altas (ruido de línea 50 – 60 Hz). Por lo tanto posterior a la eliminación de DC y
ventaneo se diseñó un filtro con respuesta impulso finita - equiripple (Figura 28), con el objetivo de solo
obtener los componentes en la banda de interés.
Figura 28. Filtro Equiripple
(a) Magnitud (b) Fase
0 200 400 600 800 1000 1200-100
-50
0
50
100
150
200
250Señal Offset - ID04.SIGNAL.OFFSET.S3.R.N4
Numero de Muestras
Am
plit
ud -
uV
0 200 400 600 800 1000 12000
0.2
0.4
0.6
0.8
1Ventana Hanning
Numero de Muestras
0 200 400 600 800 1000 1200-60
-40
-20
0
20
40Multiplicación de la señal con la Ventana Hanning
Numero de Muestras
Am
plit
ud -
uV
0 10 20 30 40 50 60-3000
-2500
-2000
-1500
-1000
-500
0
500
Frequency (Hz)
Phase (
degre
es)
0 10 20 30 40 50 60-140
-120
-100
-80
-60
-40
-20
0
20
Frequency (Hz)
Magnitude (
dB
)
Filtro FIR - Equiripple
35
Para el diseño de este filtro se consideraron las siguientes características:
Filtro Pasa Banda
o Orden = 32410
o Frecuencia de Muestreo = 128 Hz
o Frecuencia de Banda Pasante = 7 Hz
o Frecuencia de Banda Atenuada = 14 Hz
o Máximo Rizado Banda Pasante = 1 dB
o Mínima Atenuación Banda Atenuada = 80 dB
Una de las ventajas de la implementación de un filtro FIR – Equiripple es su fase lineal, esta garantiza que
en la extracción de características mediante diferencia de fase (PLV) se pueda verificar condiciones de
simetría. Igualmente este tipo de filtro el error de aproximación entre la respuesta en frecuencia ideal y la
real se reparte uniformemente en cada banda, pasante y atenuada (de ahí el nombre de equiripple),
minimizando el error máximo en cada una de ellas [24].
Podemos observar que posterior al filtrado (Figura 29) se han eliminado los artificios de bajas frecuencias
al igual que solo obtenemos las componentes de la frecuencia de interés.
Figura 29. a) Espectro de Frecuencia Señal Original b) Espectro de Frecuencia Señal Filtrada
4.3 Filtros Espaciales
El headset EMOTIV EPOC realiza un registro monopolar, es decir toma la señal independiente de cada
uno de los electrodos. Una de las desventajas de este registro es que no se puede garantizar que la posición
de los electrodos sea la misma entre ensayos; sin embargo para minimizar este efecto se procuró que
durante todo el experimento nunca se fuese retirado el headset. Igualmente debido a que los potenciales
10
El orden del filtro fue obtenido mediante la función FIRPMORD en MATLAB.
0 10 20 30 40 50 60 700
500
1000
1500
2000
2500
3000
3500
4000
4500
5000FFT SEÑAL ID04.SIGNAL.OFFSET.S3.R.N4
Frecuencia (Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
0 10 20 30 40 50 60 700
100
200
300
400
500
600
700
800
900FFT SEÑAL ID04.SIGNAL.OFFSET.S3.R.N4 - FILTRADA
Frecuencia (Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
36
del cuero cabelludo son referencias dependientes, es decir, aunque no exista contacto alguno con el cuero
cabelludo, la señal capturada por el electrodo es afectada por el electrodo de referencia [25].
El filtrado espacial (spatial filtering) es una técnica implementada para minimizar el ruido generado
debido a la variación del posicionamiento de los electrodos entre ensayos al igual que los artificios
generados por otras fuentes. El filtrado espacial también proporciona una relación SNR grande,
permitiendo que la extracción de características sea más efectiva [26]. Existen tres tipos de filtros
espaciales:
Filtro Bipolar
El filtro espacial bipolar toma la tensión promedio de los electrodos vecinos posicionados
verticalmente, esta tensión es restada a señal del electrodo central, como lo indica la Figura 30a.
Figura 30. Filtros Espaciales [26].
(a) Filtro Bipolar, (b) Filtro Laplaciano, (c) Referencia Media Comun
Filtro Laplaciano
El filtro laplaciano se basa en tomar la señal de cada electrodo y la normaliza con las señales de los
electrodos circundantes, es decir, el promedio de la tensión de los electrodos vecinos verticales y
horizontales es restada de la señal de cada electrodo como lo indica la Figura 30b. Este filtro está
enfocado a la fuente (electrodo de interés) a diferencia del filtro bipolar [27]. Este puede ser calculado
de la siguiente forma:
1
4j
Lap
i i j
j S
V V V
(1)
donde iV es el potencial del electrodo (o canal) i-ésimo y jS es el índice del electrodo vecino.
Referencia de Media Común (Common Average Reference – CAR)
Teóricamente si existe un igual número de electrodos espaciados por igual y que cada señal fuese
generada por una fuente puntual, la referencia de media común (CAR) sería igual a cero. Sin
embargo, en la aplicación, las señales no son generadas por fuentes puntuales y los electrodos no son
equidistantes. Por lo tanto se implementa el filtro CAR para que la señal de cada electrodo sea
37
independiente de la referencia [28]. Para implementar el filtro CAR en cada electrodo se debe restar el
valor medio de todas las señales a la señal del electrodo en cuestión, esto puede expresarse como:
1
1 nCAR
i i j
j
V V Vn
(2)
donde iV es el potencial del electrodo (o canal) i-ésimo y n es el número total de electrodos [29].
Figura 31. Aplicación de filtro CAR. (a) Señal Original (Filtrada) (b) Señal filtrada mediante CAR
Figura 32. Señal FC5 (Azul – Señal original Filtrada, Roja – Señal Filtrada por CAR)
0 200 400 600 800 1000 1200-15
-10
-5
0
5
10
15Señal Original - Filtrada
Numero de Muestras
Am
plit
ud -
mV
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
0 200 400 600 800 1000 1200-15
-10
-5
0
5
10
15Señal Original - Filtrada + CAR
Numero de muestras
Am
plit
ud -
mV
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
0 200 400 600 800 1000 1200-6
-4
-2
0
2
4
6Señal Electrodo FC5
Numero de Muestras
Am
plit
ud -
mV
Señal Original - Filtrada
Señal Original - Filtrada + CAR
38
Finalizado el pre-procesamiento se ajustan todas las señales la misma longitud, en este caso para 9
segundos (1152 muestras). Los 9 segundos elegidos garantiza que no se está eliminando datos de la tarea
mental.
4.4 EXTRACCIÓN DE CARACTERÍSTICAS
El paradigma y el experimento realizado para la captura de señales EEG es basado en tareas motoras, la
señales obtenidas contienen el fenómeno conocido como Desincronización/Sincronización relacionada a
eventos (ERD / ERS). Por lo tanto la etapa de extracción será enfocada únicamente a métodos de
extracción basados en el dominio de la frecuencia.
4.4.1 Densidad del Espectro de Potencia (Power Spectral Density – PSD)
Más de un tercio de los BCI basados en ritmos sensorio motores y ERD / ERS implementan métodos no
paramétricos para la extracción de características, entre estos se destaca el método de densidad del
espectro de potencia (PSD) [10].
El espectro de potencia determina la distribución de la potencia de una señal a lo largo de un intervalo de
frecuencias. El cálculo del espectro de frecuencia es se realiza por lo general aplicando la transformada de
Fourier sobre la señal de interés. Cuando el espectro de potencia se calcula por medio de la transformada
de Fourier y luego es promediada se conoce como periodograma [30].
Para realizar el cálculo de la densidad espectral de potenciase parte de que la DFT de una función
muestreada ( )x n está dada por:
21
0
( )j knN
Nk
n
X T x n e
(3)
donde T es el periodo de muestreo. Por lo tanto la densidad espectral de energía (Energy spectral density
– ESD) está dada por:
2
k kS X (4)
Sin embargo si x(n) corresponde a un proceso estocástico (como en el caso de las ondas EEG), la energía
seria infinita, y por consiguiente el parámetro de interés seria la potencia. Por lo tanto se halla la densidad
espectral de potencia promediando temporalmente la energía:
2
kkk
XSP
NT NT (5)
39
No obstante el periodograma obtenido no es un estimador consistente debido a que su varianza no tiende a
cero cuando la longitud de la señal tiende a infinito. Es por esto que se implementa el método de Welch
para evaluar el espectro de potencia, este método consiste en dividir los datos en varios segmentos
traslapados, y se calcula la potencia en cada segmento. Finalmente se calcula el cuadrado de la magnitud y
se promedia el espectro [31]. El algoritmo para el cálculo de la densidad del espectro de frecuencia (PSD)
puede observarse en el diagrama de flujo de la Figura 33.
Figura 33. Diagrama de Flujo - Algoritmo PSD
Al implementar el algoritmo se obtiene la densidad de potencia espectral de cada uno de los canales como
se pueden observar en la Figura 34 y Figura 35.
Señal EEG
Preprocesada
Extraer Canal
Ventaneo
Hamming
FFT
PSD
canal = 14 ch = ch +1
WELCH
ch = 1
fs = 128
40
Figura 34. Matriz PSD - AM: Derecha
Figura 35. Matriz PSD - AM: Izquierda
Debido a que Matlab posee en su toolbox de procesamiento de señales (Signal Processing Toolbox), el
cual incluye las siguientes funciones útiles para el cálculo de la densidad de potencia espectral, entre estas
se encuentran pwelch, spectrum y psdse realizó el método de Welch con dichas funciones.
Se resalta que el traslape asociado al periodograma calculado por el método de Welch mejora
notablemente la correlación de los datos y propiedades estadísticas, por consiguiente mejora la
confiabilidad de la estimación [32].
2 4 6 8 10 12 14 16
0.5
1
1.5
2
2.5
3
Welch Power Spectral Density Estimate
Sujeto: 04, Sesión: 3, Caso: Derecha , Muestra: 4
Frecuency (Hz)
Pow
er/
Fre
cuency (
dB
/Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
0 5 10 15
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
Welch Power Spectral Density Estimate
Sujeto: 04, Sesión: 3, Caso: Izquierda , Muestra: 4
Frecuency (Hz)
Pow
er/
Fre
cuency (
dB
/Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
41
4.4.2 Valor de Bloqueo de Fase (Phase-Locking Value)
Las señales EEG sufren una desincronización cuando sucede una tarea motora (ERD), por lo tanto se
implementó la extracción de características mediante el método de diferencia de fase o valor de bloqueo
de fase (Phase-Locking Value PLV) [33].El método de PLV mide la sincronización entre las señales EEG
de un par de sensores, en una frecuencia de interés.
La PLV es definida como [34, 35]:
1 i jj n n
ij
N
PLV eN
(6)
donde i y
j son las fases instantáneas de los sensores i y j en un tiempo n para N muestras. La
medida PLV se encuentra en un rango de 0 a 1. Por lo tanto cuando 1ijPLV existe sincronización entre
las señales de los dos sensores y 0ijPLV no existe sincronización alguna.
Debido a que el PLV es una medida entre dos señales es necesario definir un conjunto de parejas, por lo
tanto para los 14 electrodos obtenemos por medio de combinatoria se tienen un total de 91 combinaciones
posibles:
!
!( )!
n
m
mC
n m n
(7)
2
14
14! 14!
2!(14 2)! 2!12!C
(8)
2
14 91C combinaciones (9)
Para realizar el cálculo del PLV se requiere la fase instantánea de cada una de las parejas de sensores, es
por esto que se implementa la transformada de Hilbert para obtenerla, y así calcular su sincronismo. Este
procedimiento puede verse en el diagrama de flujo de la Figura 36.
42
Figura 36. Diagrama de Flujo - Algoritmo PLV
Es importante recordar que las señales fueron filtradas por un filtro equiripple de orden 324 y esto causa
un efecto de transitorio en la señal filtrada. Este efecto se puede observar en la Figura 37b y que los
primeros 300 ms los valores del PLV del par de señales cambian abruptamente (esto causado por el orden
del filtro del pre-procesamiento), por tal motivo se eliminó las primeras 324 muestras.
Señal EEG
Preprocesada
PLV
Selección de
Canales Pares
Transformada de
Hilbert
Extracción
de Fases
Instantane
Generación
de PLV
P == 91
si
no
Normalización
43
a)
b)
Figura 37. a) Par de electrodos AF3 y AF4
b) PLV – Pareja de Electrodos AF3 – AF4. Sujeto 4 – Sesión 3
4.5 CLASIFICACIÓN DE CARACTERISTICAS
El objetivo del clasificador de un sistema BCI es identificar intensión del sujeto basándose únicamente de
las características de las señales obtenidas, es decir, el clasificador agrupa las características de las señales
EEG y las asocia a una acción motora. Una de las técnicas de clasificación más implementadas en el
campo de procesamiento de señales EEG es el aprendizaje de supervisado [10].
El aprendizaje supervisado es una técnica implementada para deducir una función o un modelo a partir de
datos de entrenamiento, es decir, el aprendizaje supervisado adapta automáticamente la estructura del
modelo clasificatorio utilizando un conjunto de datos de entrenamiento, de esta forma los datos a clasificar
0 1 2 3 4 5 6 7 8 90.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
PHASE-LOCKING VALUE
Sujeto: 04, Sesión: 3, Electrodos: AF3 - AF4
Tiempo (s)
Phase L
ockin
g V
alu
e -
PLV
Norm
aliz
ado
AF3
AF4
44
son relacionados con las características de los datos de entrenamiento [36]. Entre los algoritmos de
clasificación de aprendizaje supervisado se destaca las Maquinas de Soporte Vectorial (Support Vector
Machine – SVM).
4.5.1 Máquinas de Soporte Vectorial (SVM)
Las máquinas de soporte vectorial es un método de clasificación de aprendizaje supervisado el cual
determina el mejor hiperplano para la discriminación de dos clases. En el presente trabajo se implementó
la librería SVM libsvm-mat-3.12 para Matlab creada por Chang, Chih-Chung and Lin, Chih-Jen [37].
La metodología de entrenamiento y ensayo fue mediante hold-out, este método consistió en dividir en dos
conjuntos (entrenamiento y ensayo) las sesiones. Esta división de datos puede observarse en laTabla 8.
Set Entrenamiento Set Ensayo
Sesión 2
Sesión 3
Sesión 4
Sesión 1
Sesión 1
Sesión 3
Sesión 4
Sesión 2
Sesión 1
Sesión 2
Sesión 4
Sesión 3
Sesión 1
Sesión 2
Sesión 3
Sesión 4
Tabla 8. Sets de Entrenamiento y Ensayo mediante Hold-Out
Se implementaron dos tipos de kernel de clasificación presentes en la librería LIBSVM11
[38]:
LINEAL
, T
i j i jK x x x x (10)
11
Los desarrolladores de LIBSVM aconsejan usar la librería LIBLINEAR para el kernel lineal.
45
BASE RADIAL (Radial BasisFunction – RBF):
2
, , 0i jx x
i jK x x e
(11)
Para ambos kernels de clasificación se implementó validación cruzada con 5-iteraciones en los datos de
entrenamiento, con el fin de encontrar los mejores parámetros.
4.5.1.1 Kernel Lineal
En el caso del kernel lineal no existe ningún parámetro como lo indica la ecuación 4.10, sin embargo se
asignó un parámetro Costó óptimo de clasificación (C para LIBSVM). El parámetro C (Cost o Costo)
indica al SVM cuánto desea evitar una clasificación errónea. Es decir, para grandes valores de C , el
modelo SVM establecerá un hiperplano de menor margen. Al contrario de un valor C pequeño, el modelo
SVM determinara un hiperplano de mayor margen.
Sujeto / Set de Ensayo S1 S2 S3 S4
1 74.26% 73.20% 84.63% 74.00%
2 74.80% 78.81% 78.12% 83.40%
3 80.61% 80.95% 72.11% 78.43%
4 77.07% 75.50% 82.57% 78.37%
5 86.31% 85.26% 81.96% 79.19%
6 82.95% 77.06% 81.95% 74.28%
7 80.61% 73.10% 71.59% 79.48%
8 79.80% 74.62% 69.30% 82.09%
9 74.09% 81.47% 72.31% 80.33%
10 86.87% 80.80% 82.08% 78.83% Tabla 9. Precisión PSD - Kernel Lineal
Sujeto / Set de Ensayo S1 S2 S3 S4
1 71.06% 73.26% 75.46% 73.26%
2 78.75% 78.21% 78.02% 80.95%
3 66.12% 61.90% 60.99% 63.55%
4 76.19% 73.63% 73.26% 73.81%
5 73.08% 78.57% 76.37% 79.49%
6 86.08% 80.04% 81.14% 81.14%
7 71.61% 74.54% 70.33% 73.08%
8 83.33% 84.80% 78.39% 84.62%
9 79.49% 82.97% 77.84% 75.27%
10 76.19% 78.75% 75.27% 76.56% Tabla 10. Precisión PLV - Kernel LinealKernel RBF
46
4.5.1.2 Kernel Función Base Radial
A diferencia del lineal, el kernel de base radial tiene dos parámetros que son gamma y C. Debido a
que estos parámetros son desconocidos y se requiere encontrar una combinación optima se realiza un
procedimiento llamado “Busqueda por Red” o “Grid-Search”.Este procedimiento se basa en realizar
pruebas de desempeño en múltiples combinaciones de los parámetros C en diferentes escalas para asi
encontrar los parámetros que brindan una mejor clasificación.
La Figura 38 corresponde a una búsqueda por red con la siguiente secuencia para los parámetros: 10 10 10 202 ,2 ,...,2 ,2C y
10 10 10 202 ,2 ,...,2 ,2 . Se puede observar que la mejor combinación se
encuentra en 10 102 | 2C , ya que esta logra una precisión del 80.22%.
Figura 38. Búsqueda por Red - Escala Grande (Característica: PLV - ID: 04 – Sesión de Ensayo: S3)
47
Sin embargo los autores de la librería LIBSVM recomiendan realizar una busqueda “fina” [38], por lo
tanto se toma la anterior combinación como eje central (10 102 | 2C ) y se realiza nuevamente la
busqueda por red a una escala mas pequeña. En la Figura 39 se aprecia que la secuencia de busqueda fue:
0 5 15 202 ,2 ,...,2 ,2C y 20 15 5 02 ,2 ,...,2 ,2 , y la mejor combinación fue
5 52 | 2C .
Figura 39. Búsqueda por Red - Escala Mediana (Característica: PLV - ID: 04 – Sesión de Ensayo: S3)
Finalmente se realiza una ultima busqueda por red siguiendo las mismas pautas, es decir se tiene como
punto central la mejor combinación (5 52 | 2C ) y se realiza la busqueda con pasos mas cortos, en el
caso de la Figura 40 estos fueron 0 2 8 102 ,2 ,...,2 ,2C y
10 8 2 02 ,2 ,...,2 ,2 , para obtener finalmente
una precisión del 90.48%, para la combinación2 52 | 2C .
48
Figura 40. Búsqueda por Red - Escala Pequeña (Característica: PLV - ID: 04 – Sesión de Ensayo: S3)
Se puede tasar que efectivamente la busqueda mediante red es una herramienta útil para hallar los
parametros más optimos ya que se logro incrementar de un a precisión del 80.22% a finalmente un
90.48%. Los resultados del clasificador RBF para las características PSD y PLV pueden observarse en las
tablas 11 y 12 respectivamente.
Sujeto / Set de Ensayo S1 S2 S3 S4
1 82.07% 77.05% 72.63% 79.44%
2 83.59% 79.27% 76.56% 75.50%
3 76.69% 74.76% 72.85% 80.56%
4 84.80% 75.41% 76.43% 81.36%
5 84.76% 93.74% 86.27% 86.59%
6 78.78% 75.65% 77.71% 72.53%
7 63.06% 62.80% 70.86% 67.29%
8 70.21% 76.31% 65.68% 78.62%
9 77.12% 74.42% 72.57% 88.94%
10 77.26% 74.11% 82.53% 83.54% Tabla 11. Precisión PSD - Kernel RBF
49
Sujeto / Set de Ensayo S1 S2 S3 S4
1 87.91% 87.55% 91.39% 85.16%
2 92.86% 91.39% 95.24% 90.11%
3 83.33% 73.99% 81.14% 78.39%
4 86.45% 86.81% 90.48% 86.26%
5 94.69% 93.22% 96.15% 95.24%
6 94.32% 90.48% 90.84% 91.39%
7 87.73% 83.33% 85.53% 81.32%
8 95.42% 89.93% 91.21% 91.39%
9 97.07% 96.70% 93.22% 93.04%
10 94.87% 94.32% 94.32% 93.96% Tabla 12. Precisión PLV - Kernel RBF
50
5. ANALISIS DE RESULTADOS
En este capítulo se presenta una descripción de los resultados experimentales obtenidos en cada una de las
tres etapas (Captura de Señales, Extracción de Características y Clasificación de Características) del
desarrollo del presente trabajo.
5.1 CAPTURA DE SEÑALES
Para ilustrar el tipo de señales capturada se puede ver la Figura 41a. Cada uno de los canales se encuentra
con un voltaje DC aproximadamente de 4096 µV. Por tal motivo se decidió realizar la implementación de
la etapa de preprocesamiento para obtener finalmente una señal EEG adecuada (sin artificios) para la
posterior etapa de extracción de características como se puede apreciar en la Figura 41c.
Figura 41.Señal EEG correspondiente a la tarea motora Derecha, Sujeto 4 – Sesión 3 – Muestra 4.
(a) Señal Original, (b) Señal sin DC, (c) Señal Pre-Procesada12
5.2 EXTRACCIÓN Y CLASIFICACIÓN PSD - SVM
La estimación del espectro de densidad de potencia (PSD) se realizó mediante la aplicación del método de
Welch, esta estimación para cada uno de los 14 canales.Se pudo observar que los electrodos ubicados en el
área precentral del lóbulo frontal ej. AF3 – AF4 tenían una mayor componente de frecuencia en la banda
mu (Figura 42). Es de resaltar este fenómeno ya que esta área corresponde a la corteza motora primaria la
12El preprocesamiento consta de ventaneo, filtro en banda de interés (filtro FIR - Equiripple) y filtrado espacial CAR.
0 200 400 600 800 1000 1200 14004000
4200
4400
4600
4800
5000Señal Original
Numero de Muestras
0 200 400 600 800 1000 1200 1400-100
-50
0
50
100
150
200
250Señal Sin DC
Numero de Muestras
0 200 400 600 800 1000 1200-15
-10
-5
0
5
10
15Señal Pre-Procesada
Numero de Muestras
51
cual tiene como función el llevar a cabo los movimientos individuales de diferentes partes del cuerpo
[7,8].
Figura 42. PSD estimado mediante Welch en la banda de frecuencia de interés.
(a) PSD – AM: Derecha, (b) PSD – AM: Izquierda.
La extracción de características PSD y clasificación SVM obtuvo el siguiente desempeño:
SUJETO SVM - LINEAL SVM - RBF
1 76.52% 77.80%
2 78.78% 78.73%
3 78.03% 76.21%
4 78.38% 79.50%
5 83.18% 87.84%
6 79.06% 76.17%
7 76.20% 66.00%
8 76.45% 72.70%
9 77.05% 78.26%
10 82.15% 79.36%
PROMEDIO 78.58% 77.26% Tabla 13. Desempeño promedio PSD + SVM
Se destaca en la Tabla 13 que el modelo de clasificación para el sujeto 5 obtuvo el mejor desempeño tanto
en el clasificador lineal como el RBF con una precisión de 83.18% y 87.84% respectivamente.
Igualmente se resalta que la precisión no varía significativamente entre clasificadores, por lo tanto se
puede concluir que para características PSD el kernel Lineal y RBF tiene un desempeño similar.
0 10 20 30 40 50 60 700
0.5
1
1.5
2
2.5
3Estimación PSD por Welch - AM: Derecha
Frecuency (Hz)
Pow
er/
Fre
cuency (
dB
/Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
0 10 20 30 40 50 60 700
0.5
1
1.5Estimación PSD por Welch - AM: Izquierda
Frecuency (Hz)
Pow
er/
Fre
cuency (
dB
/Hz)
AF3
F7
F3
FC5
T7
P7
O1
O2
P8
T8
FC6
F4
F8
AF4
52
5.3 EXTRACCIÓN Y CLASIFICACIÓN PLV – SVM
La estimación del valor de bloqueo de fase se realizó mediante la transformada de Hilbert, ya que esta nos
brinda información sobre la fase inmediata.
Se obtuvo el siguiente desempeño de los clasificadores para las características PLV:
SUJETO SVM - LINEAL SVM - RBF
1 73.26% 88.00%
2 78.98% 92.40%
3 63.14% 79.21%
4 74.22% 87.50%
5 76.88% 94.83%
6 82.10% 91.76%
7 72.39% 84.48%
8 82.78% 91.99%
9 78.89% 95.01%
10 76.69% 94.37%
PROMEDIO 75.93% 89.95% Tabla 14. Desempeño promedio PLV + SVM
A diferencia de los resultados para las características PSD (Tabla 13) hubo una diferencia significativa
entre la clasificación Lineal y RBF como puede observarse en la Tabla 14, claramente el kernel de
clasificación RBF tuvo un mejor desempeño que el lineal logrando alcanzar precisión hasta de un 95.01%
(sujeto 9).
La Figura 43 permite concluir que las características PLV al tener una formulación teórica más robusta al
realizar la comparación de fases entre pares de sensores/canales logra que el clasificador tenga un mejor
desempeño, a diferencia del PSD que las características son individuales. Igualmente el vector PLV
contiene 91 características (correspondientes a las 91 parejas de electrodos), mientras que el vector PSD
únicamente 14 características (número de canales).
53
Figura 43. Precisión promedio de clasificación para todos los sujetos.
Es de destacar que los resultados obtenidos con las características PLV, concuerdan con la literatura actual
[39, 40], al igual que cada una de las combinaciones de características y clasificador logro un mínimo de
75% de precisión.
54
6. CONCLUSIONES
En este proyecto, se consideró el uso de señales EEG como la mejor solución para registrar la actividad
cerebral por tratarse de un método no invasivo, de bajo costo y portátil. Por tal motivo se implementó el
headset de EMOTIV para obtener las señales EEG en cuestión. Además, se trabajó con los ritmos
sensoriomotores ya que son los más adecuados para realizar una aplicación basada en actividades motoras
(ej. Movimiento del brazo izquierdo).
El análisis de métodos de procesamiento de señales EEG comenzó con un estudio exhaustivo de los
algoritmos de extracción y clasificación, concluyendo así que los métodos de extracción de características
que se ajustaban a los datos obtenidos mediante el headset de Emotiv eran Densidad del Espectro de
Potencia (PSD) y Valor de Bloqueo de Fase (PLV). De esta forma, el análisis de estos dos métodos de
extracción se realizó empleando aprendizaje supervisado por medio de máquinas de vectores de soporte
(SVM).
Se pudo apreciar claramente que un sistema BCI basado en sincronismo y valor de bloqueo de fase (PLV)
fue superior al método tradicional basado en espectros de potencia (PSD), teniendo en cuenta la escasez de
datos disponibles. Esto se debe a que las características PLV poseen una formulación teórica más robusta
al realizar la comparación de fases entre pares de sensores/electrodos logrando así que el clasificador
SVM tenga un desempeño superior al método PSD, ya que este las características son individuales. Se
destaca que el método PLV obtiene los datos de 91 combinaciones de pares de electrodos, a diferencia del
PSD que solo obtiene las características de 14 electrodos.
Se resaltó la importancia de eliminar el ruido presente en las señales EEG conocidos como artificios. Estos
ruidos se deben a actividades fisiológicas (ej. Palpitar del corazón, respiración, parpadeo) y no fisiológicas
(ej. ruido de línea (50 – 60 Hz). Durante el proceso de extracción y clasificación de características se
obtuvo inicialmente una precisión inferior al 60%, esto debido a que no se realizó el debido pre-
procesamiento a las señales. Finalmente al realizar el pre – procesamiento adecuado (ventaneo, filtro
espacial, filtros en banda de interés) la precisión de la clasificación incremento considerablemente.
Cabe resaltar que a pesar que el SDK de Emotiv aún no permite el análisis en tiempo real de las señales, el
presente estudio puede ser implementado a cualquier señal EEG obtenida a partir del paradigma descrito
en el capítulo 4.1.1.
Como trabajo futuro de este estudio; la adquisición de datos en tiempo real y la clasificación se puede
extender para controlar una silla de ruedas, encendido y apagado de luces (domótica) y demás
aplicaciones de control binarias con el fin de brindar una ayuda a personas con discapacidad.
55
7. BIBILIOGRAFIA
[1] QUINN, Gerard. Derechos humanos y discapacidad: Uso actual y posibilidades futuras de los
instrumentos de derechos humanos de las Naciones Unidas en el contexto de la discapacidad. Nueva York
y Ginebra: Naciones Unidas, 2002. ISBN 92-1-354074-4.
[2] VÁSQUEZ, Armando. La discapacidad en América Latina. Disponible en Internet:
<http://new.paho.org/uru/index2.php?option=com_docman&task=doc_view&gid=95&Itemid=270>.
[3] DEPARTAMENTO ADMINISTRATIVO NACIONAL DE ESTADISTICA, DANE. Censo General
2005: Discapacidad, Personas con limitaciones permanentes. Colombia, 2005.
[4] WOLPAW, Jonathan. Brain–computer interfaces for communication and control. En: Clin.
Neurophysiol. Vol. 113, No.6 (2002); p. 602-614.
[5] NAVARRO, Rafael. Instrumentación Biomédica. Tema 5: Electroencefalografía. Departamento
Electrónica, Universidad Alcalá.
[6] SABATI, Alejandro G. Interacción Humano Maquina. Ondas Neuroeléctricas utilizadas en el sistema
BCI o IMCM. Argentina, 2012.Disponible en Internet:
<http://interfacemindbraincomputer.wetpaint.com/>
[7] BRAIN CONNECTION. The Anatomy of Movement.California 2012. Disponible en Internet:
<http://brainconnection.positscience.com/the-anatomy-of-movement/>
[8] KOLB, Brian; WHISHAW, Ian. Organización del sistema motor. Madrid, Editorial Médica
Panamericana, 2006.
[9] PFURTSCHELLER, G y LOPES DA SILVA, H. Event-related EEG/MEG synchronization and
desynchronization: basic principles. Clinical Neurophysiology, vol. 110, pp. 1842 – 1857, 1999
[10] BASHASHATI, A; FATOURECHI, M y WARD, R. A survey of signal processing algorithms in
braincomputer interfaces based on electrical brain signals. Journal of Neural Engineering, vol. 4, pp. R32–
R57, 2007
[11] HONG, Bo.,WANG, Yijun., GAO, Xiaorong., y GAO, Shangkai. Quantitative EEG-Based Brain-
Computer Interface.En: TONG, Shanbao. Quantitative EEG Analysis Methods and Applications. MA:
Artech House Publishers, 2009. p.193-224.
[12] MAK, J.N y WOLPAW, J.R. Clinical applications of brain-computer interfaces: Current state and
future prospects,” IEEE Reviews in Biomedical Engineering, vol. 2, pp. 187–199, 2009.
[13] PERASSOLO, Mónica. Electroencefalografia Artificios SeccionNeurologia. Buenos Aires,
Argentina, 2008.
[14] ELKAN, Charles. Evaluating Classifiers.Universityor California, San Diego, 2011.
[15] JOANNEUM. ProClassify User’s Guide.Austria.: Graz University of Technology, 2005. Disponible
en internet: <http://genome.tugraz.at/proclassify/help/pages/XV.html>
56
[16] EmotivSystems.Corporate. Disponible en Internet: <http://www.emotiv.com/corporate/>
[17] EMOTIV. Emotiv Research SDK Specifications.Disponible en Internet:
<http://emotiv.com/upload/manual/sdk/Research%20Edition%20SDK.pdf>
[18] EMOTIV. Access real time raw EEG data using MATLAB or C++.Disponible en Internet:
<http://www.emotiv.com/forum/messages/forum4/topic1078/message6496/?phrase_id=532275>
[19] FARFAN, Fernando D. Comparación de Diferentes Métodos para la Clasificación de Señales EEG en
Interfaces Cerebro-Computadora. Departamento de Bioingenieria – FACET – UNT.En: XV Congreso
Argentino de Bioingenieria. Argentina.
[20] CORRALEJO, R. ALVAREZ, D. y HORNERO, R. Análisis de electroencefalogramas en ritmos
sensoriomotores. Control domótico mediante BrainComputer Interface. Grupo de Ingeniería Biomédica,
Universidad de Valladolid. España.
[21] PETERS, B.O..PFURTSCHELLER, G. y FLYVBJERG, H. Automatic Differentiation of
Multichannel EEG Signals. En: IEEE Transactions on biomedical engineering, Vol.48, No.1, January
2001.
[22] BLANKETZ, B. BCI Competition IV. Fraunhofer FIRST (IDA),2008. Disponible en Internet:
<http://www.bbci.de/competition/iv/>
[23] EMOTIV. Get EEG data. Disponible en Internet http://emotiv.com/ideas/forum/forum15/topic1338/
[24] MARTINEZ, M.; GÓMEZ, L.; SERRANO, A.J. y GÓMEZ, J. Tema 3: Diseño de Filtros FIR.
Universidad de Valencia, EscolaTècnica Superior Enginyeria. Valencia, España: 2009.
[25] NUÑEZ, P, et al. EEG coherency I: Statistics, referenceelectrode, volumeconduction, laplacians,
cortical imaging, and interpretation at multiplescales. Electroencephalogr.Clin.Neurophysiol., vol. 103,
pp. 499–515, 1997
[26] DENNIS, J, et al. Spatial Filter Selection for EEG-based Communication. Electroencephalography
and Clinical Neurophysiology (1Z03):386-394, 1997.
[27] BABILONI, F; CARDUCCI, F y FATTORINI, P. Spline Laplacian Estimate of EEG Potentials Over
Realistic Magnetic Resonance-constructed Scalp Surface Model. Electroencephalography and Clinical
Neurophysiology 98:363-373. 1996.
[28] BETRAND, O; PERRIN, F y PERNIER, J. A Theoretical Justification of the Average Reference in
Topographic Evoked Potential Studies.Electroencephalography and Clinical Neurophysiology 62:462 64.
1985.
[29] FABIANI, G; MCFARLAND, D; WOLPAW, J y PFURTSHELLER G.Conversion of EEG activity
into cursor movement by a brain–computer interface (BCI) IEEE Trans. Neural Syst. Rehabil. Eng.12331–
8. 2004
[30] GUERRERO MARTINEZ, Juan. Estimación espectral. Universidad de Valencia, Ingeniería
Biomédica: 2010.
57
[31] SHENOI, B.A. Introduction to Digital signal Processing and Filter design Hoboken, New Jersey:
2002.
[32] SEMMLOW, J. Biosignal and biomedical image processing, MATLAB-Based Applications. Ed.
Marcel Deker, New Jersey: 2004.
[33] TOWNSEND, G.; FENG, Y. Using phase information to reveal the nature of event-related desyn-
chronization. Biomedical Signal Processing and Control, vol. 3, pp. 192–202, 2008.
[34] WANG, Yijun; GAO, Xiaorong; HONG, Bo; y ShangkaiGao.Practical Designs of Brain–Computer
Interfaces Based on the Modulation of EEG Rhythms. Brain-Computer Interfaces, The Frontiers
Collection 2010, pp 137-154.
[35] LACHAUX, J.P.; RODRIGUEZ, E. MARTINERIE, J. y VARELA F.J. Measuring phase synchrony
in brain signals.Laboratoire de NeurosciencesCognitives et ImagerieCérébrale, CNRS UPR 40 Hôpital de
La Salpêtrière. Paris, France: 1998.
[36] ARBABI, E; SHAMSOLLAHI, M.B y SAMENI, R. Comparison between effective features used for
the bayesian and the SVM classifiers in BCI. IEEE Engineering in Medicine and Biology 27th Annual
Conference, 2005.
[37] CHANG, Chung; LIN, Jen. {LIBSVM}: A library for support vector machines. ACM Transactions
on Intelligent Systems and Technology, issue: 3, 27:1 – 27:27, 2011. Software disponible en:
<http://www.csie.ntu.edu.tw/~cjlin/libsvm>.
[38] HSU, Chih – Wei; CHANG, Chih-Chung y LIN Chih-Jen. A Practical Guide to Support Vector
Classication. Taiwan: Department of Computer Science National Taiwan University, 2003.
[39] MURGUIALDAY, A. R.; AGGARWAL, V; CHO, Y y RASMUSSEN, B. Brain-Computer Interface
for a Prosthetic Hand Using Local Machine Control and Haptic Feedback. ICORR 2007: IEEE 10th
International Conference on Rehabilitation Robotics, pg 609 - 613, 2007.
[40] BLANKERTZ, B. The Berlin Brain--Computer Interface: Accurate Performance From First-Session
in BCI-NaÏve Subjects. IEEE Transactions on Biomedical Engineering, vol. 55, issue:10, 2008.
[41] FichaMédica. Liceo Franco Argentino Jean Mermoz. Disponible en Internet:
<http://www.lyceemermoz.edu.ar/accueil/rentree2012/Ficha%20medica%20-%20Fiche%20medicale.pdf>
[42] EMOTIV. Software Development Kit.Disponible en Internet:
<http://emotiv.com/developer/SDK/UserManual.pdf>
58
8. ANEXOS
Anexos presentes en el documento:
A. FICHA MÉDICA Y BASE DE DATOS DE LOS SUJETOS
B. DESCRIPCIÓN DE ARCHIVOS *.CSV GENERADOS
C. PROCEDIMIENTO PARA LA POSTURA DEL HEADSET EMOTIV EPOC
D. INSTALACIÓN LIBRERÍAS LIBSVM Y LIBLINEAR EN MATLAB
E. TRANSFORMADA DE HILBERT
F. CROSS – VALIDATION
G. CODIGO FUENTE MATLAB
Anexos presentes en el CD:
1.- CÓDIGO FUENTE VISUAL BASIC Y C++ (INCLUYE SDK RESEARCH Y LICENCIA DE
EMOTIV)
2.- CÓDIGO FUENTE MATLAB
3.- FICHAS MÉDICAS DE SUJETOS
4.- SEÑALES EEG CAPTURADAS *.CSV
5.- SEÑALES EEG PROCESADAS *.MAT
6.- PLOTS DE GRIDSEARCH – RBF KERNEL
59
8. ANEXOS
A. FICHA MÉDICA Y BASE DE DATOS DE LOS SUJETOS
Se estableció una ficha médica [40], con el fin de recopilar los datos significativos y antecedentes de cada
uno de los sujetos participantes del experimento.
La ficha médica (Figura 44) fue diseñada en Access y contenía los siguientes campos:
Sujeto Nº : Corresponde al ID el cual sera asignado el sujeto
Datos Personales
o Nombre
o Edad
o Fecha de Nacimiento
o Sexo
o Grado Escolaridad
o Ocupacion
o Tipo de Sangre
o Lateralidad
Antecedentes Médicos
o Gafas/Lentes y Razón.
o Trastornos Visuales
o Trastornos Auditivos
o Trastornos Psiquiatricos
o Cardiopatia
o Enfermedades Cronicas
o Fracturas / Esquinces
o Intervenciones Quirurgicas
o Padecimiento de Enfermedades como: Varicela, Sarampion, Rubeola ,Rinitis, Asma,
Gastritis, Migraña, Diabetes, Hipotiroidismo, Anemia, Epilepsia, Sonambulismo,
Hipertension, Deficit de Atencion.
o Alergias
o Medicamentos
Experimento: Se realizaron las siguientes preguntas despues de cada sesion:
o ¿Se encuentra cansado? (si el usuario se sentia cansado se realizaba un tiempo de
descanso de 5 a 10 minutos)
o ¿Siente mareo?
o ¿Tiene dolor de Cabeza?
o ¿Algún comentario sobre la sesión que acaba de culminar?
60
Figura 44. Ficha Médica
61
B. DESCRIPCIÓN DE ARCHIVOS *.CSV GENERADOS
El experimento diseñado para la extracción de las señales encefalográficas de cada uno de los sujetos
graba automáticamente cada una de las muestras para su posterior análisis en ficheros *.csv (comma-
separated-values).
Cada fichero *.csv se compone de 17 columnas y más de 2000 filas de datos como se puede ver en la
Figura 45.
Figura 45. Fichero *.csv generado
La información contenida en las columnas es la siguiente:
COUNTER: Contador de los paquetes de datos recibidos, este va desde 0 hasta 128 (debido a que
la frecuencia de muestreo realizado por el headset de Emotiv es de 128Hz) [17].
AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4: Datos de cada uno de los sensores
en micro-voltios (uV), es importante notar que existe un DC de aproximadamente 4200uV en cada
canal.
TIMESTAMP: tiempo dado en segundos entre cada una de las muestras.
La columna final indica la calidad del contacto de los electrodos, estos valores se traducen así :
o Sin Contacto < 81
o Contacto Malo < 221
o Contacto Medio < 314
o Contacto Bueno < 407
o Contacto Excelente >= 407
62
La notación de los archivos generados por el experimento tiene en su nomenclatura la siguiente
información:
ID Sujeto (corresponde al mismo número de identificación de la ficha médica)
Sesión
Baseline ó Señal
Caso (Izquierda o Derecha)
No. De Muestra del Caso
Ejemplos:
Archivo ID Sujeto Sesión
Baseline
ó
Señal
Caso
Numero
de
Muestra
ID123_S2_SIGNAL_L_2.csv 123 2 Señal Izquierda 2
ID457_S3_SIGNAL_R_8.csv 457 3 Señal Derecha 8
ID227_S1_BASELINE_10.csv 227 1 Baseline 10 Tabla 15. Nomenclatura archivos *.csv.
63
C. PROCEDIMIENTO PARA LA POSTURA DEL HEADSET EMOTIV EPOC
Antes de iniciar el experimento de extracción de señales es fundamental la correcta postura del headset
Emotiv Epoc al igual que un adecuado contacto de cada uno de los sensores pasa así garantizar que las
señales obtenidas sean óptimas para su posterior análisis.
Es importante asegurar que los DLL del SDK (edk.dll y edk_utils.dll) se encuentren junto al ejecutable
experimento.exe, igualmente se aconseja tener previamente instalado al menos uno de los siguientes
softwares13
con el fin de verificar si los electrodos se encuentran realizando un buen contacto:
Emotiv EPOC Control Panel v1.0.0.5
Emotiv TestBench v1.5.0.3
Para realizar la extracción de señales mediante el experimento diseñado es necesario contar con los
siguientes elementos contenidos en el Kit Research de Emotiv EPOC (Figura 46. Kit Emotiv - Research
SDK):
Emotiv HeadSet
Pack de 14 electrodos en su estuche
Solución Salina
Cargador Emotiv
Receptor USB
Figura 46. Kit Emotiv - Research SDK
Se debe iniciar hidratando cada uno de los electrodos con solución salina (se uso solución salina
multipropósitos para lentes de contacto,
Figura 47), la hidratación debe ser de 2 a 5 gotas por cada electrodo.
13
Los DLLs e instaladores de los software se encuentran contenidos en el CD bajo la siguiente ruta: 1 - CÓDIGO
FUENTE VISUAL BASIC Y C++\SDK - EMOTIV
64
Figura 47. Solución salina multipropósitos usada.
Igualmente se debe añadir varias gotas de solución salina en la almohadilla grande del estuche de
sensores, posteriormente se debe cerrar la tapa del estuche y agitar suavemente. Nuevamente abrir y
verificar si los electrodos se encuentran húmedos al tacto (si estos aún se encuentran secos añadir un par
de gotas más). Es importante que cada uno de los electrodos se encuentren debidamente hidratados para
garantizar un contacto óptimo entre electrodo – cuero cabelludo.
Figura 48. Hidratación con solución salina en electrodos y almohadilla del estuche [41].
Finalizado el proceso de hidratación se debe ensamblar cada uno de los electrodos en el headset, para ello
se debe retirar el electrodo del estuche girando suavemente contra las manecillas del reloj. Luego se
inserta el electrodo en uno de los brazos del headset girando hacia la derecha (sentido horario, Figura 49)
hasta sentir un “clic”, este “clic” indica que el electrodo se debidamente instalado.
65
Figura 49. Instalación electrodo en headset.
Cuando los 14 electrodos se encuentren debidamente instalados se procede a ubicar el headset en la
cabeza del sujeto, para ello con ambas manos, se debe deslizar el hacia abajo desde la parte superior de la
cabeza, Figura 50a. Es importante asegurar que los 2 sensores de tienen un caucho deben encontrarse en el
hueso justo detrás de cada lóbulo de la oreja, Figura 50b. La correcta posición de estos 2 sensores es
fundamental para el correcto funcionamiento y captura de señales. Igualmente los 2 electrodos frontales
(AF4 y AF5) deben encontrarse aproximadamente sobre la línea del cabello o 3 dedos por encima de las
cejas, Figura 50c.
Figura 50. Pasos para colocar adecuadamente el headset EMOTIV.
Después de que el headset está en posición, presione y sostenga los electrodos de 2 referencias (situado
justo por encima y detrás de las orejas) durante unos 5 a 10 segundos y verificar en el software (Control
Panel o TestBench) que estos hagan un buen contacto, es decir que iluminen verde. Finalmente presionar
cada uno de los electrodos hasta que se garantice un buen contacto de todos (en caso que el software nos
señale un mal contacto, es decir que el electrodo ilumine rojo, se debe agregar más solución salina).
66
Figura 51. Verificación del contacto de cada uno de los electrodos por medio de TestBench.
67
D. INSTALACIÓN LIBRERÍAS LIBSVM Y LIBLINEAR EN MATLAB
Se implementó la librería SVM libsvm y liblinear para Matlab creada por Chang, Chih-Chung and Lin,
Chih-Jen [37] para el desarrollo de la etapa de clasificación.
Esta librería se encuentra desarrollada en C, sin embargo esta puede ser instalada y usada en Matlab, los
pasos a seguir son:
1 Descargar la librería actualizada en: http://www.csie.ntu.edu.tw/~cjlin/libsvm/
2 Desempaquetar el archivo .zip en este caso se realizó en la carpeta:
C:\Users\kran\Documents\ANGELICA\TG1174\MATLAB\libsvm.
3 Es necesario seleccionar como copilador Visual C++ 2013, asi que en Matlab tecleamos:
mex -setup y asignamos el copilador.
Figura 52. Instalación LIBSVM - Paso 3
4 Para instalar la librería debemos ubicarnos en la carpeta donde esta se encuentra
Figura 53. Instalación LIBSVM - Paso 4
5 Si digitamos svmpredict o svmtrain veremos que Matlab nos arrojara un error ya que aún no se
encuentra instalada la librería LIBSVM.
68
Figura 54. Instalación LIBSVM - Paso 5
6 Ingresamos a la ruta: C:\Users\kran\Documents\ANGELICA\TG1174\MATLAB\libsvm\matlab
y digitamos “make” en el Command Window
Figura 55. Instalación LIBSVM - Paso 6
7 Este comando nos crea los archivos compatibles para un sistema de 32bit y Matlab. Estos archivos
tienen una extensión *.mexw32
Figura 56. Instalación LIBSVM - Paso 7
69
8 Se agrega la carpeta donde se encuentran estos archivos generados a Matlab, para ello vamos a
File << SetPath. Se abrirá una nueva ventana, en ella hacemos click en el botón “Add with
Subfolders…”
Figura 57. Instalación LIBSVM - Paso 8
9 Buscamos la ruta donde se encuentran la librería y hacemos click en Aceptar.
10 Debemos verificar en la lista que las subcarpetas contenidas en \libsvm\ hayan sido agregadas
correctamente en la lista, finalmente hacemos click en Save.
Figura 58. Instalación LIBSVM - Paso 9
70
11 Podemos comprobar que la librería ha sido instalada correctamente tecleando en el Command
Window “svmtrain”, este debe arrojarnos las instrucciones para generar el modelo por medio de la
librería LIBSVM.
Figura 59. Instalación LIBSVM - Paso 11
Para LIBLINEAR se deben seguir exactamente los mismos pasos.
71
E. TRANSFORMADA DE HILBERT
La transformada de Hilbert de una señal puede ser utilizada para calcular la amplitud instantánea, así
como la fase instantánea [33, 34].
Esta se encuentra definida como:
* 1 s
s t dt
(12)
Por lo tanto si tenemos la siguiente señal ( )x t :
cos2 2
o ojw t jw t
o
A Ax t A w t e e
(13)
Y la transformada de Hilbert de ( )x t seria:
2 2
( ) o ojw t jw t
t
jA jAe ey t x t
(14)
Sumando las señales de las ecuaciones (13) y (14) tenemos que:
2 2 2 2
2 2 2 2
o o o o
o o o o
o
jw t jw t jw t jw t
jw t jw t jw t jw t
jw t
A A jA jAe e j e e
A A A jAe e e e
z t x t jy y
Ae
(15)
Por lo tanto podemos obtener la amplitud y fase de la ecuación (15):
( ) arg
A t z t
t z t
(16)
72
F. CROSS – VALIDATION
La etapa de clasificación de un BCI es realizada mediante un conjunto de algoritmos de aprendizaje
supervisado. Un aprendizaje supervisado se basa en realizar pruebas mediante el uso de datos de
entrenamiento y ensayo. Sin embargo es necesario realizar la medición del desempeño alcanzado por un
algoritmo de aprendizaje [14].
Una de las técnicas mayormente empleadas es la validación cruzada (cross-validation) la cual evalúa los
resultados de un análisis estadístico garantizando que los datos implementados para el entrenamiento (o
aprendizaje) son independientes de los datos de ensayo (o prueba).
Figura 60. Validación Cruzada de 4 iteraciones [15].
73
G. CODIGO FUENTE MATLAB
A. IMPORTARDATOS.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% IMPORTARDATOS.M: IMPORTAR DATOS DE CAPTURADOS POR EXPERIMENTO (*.CSV) Y
GENERACIÓN DE STRUCTURAS DE DATOS .MAT
%% ###########################%
% # IMPORTAR BASELINE S1 #%
% ###########################%
clear
clc
for k=1:10;
raw = csvread(['ID0' num2str(ID) '_S1_BASELINE_' num2str(k) '.csv'],1,0);
for i=2:15 %eliminar offset
raw_offset(:,i-1) = raw(:,i) - mean(raw(:,i));
end
eval(['ID0' num2str(ID) '.BASELINE.RAW.N' num2str(k) '=raw;']);
eval(['ID0' num2str(ID) '.BASELINE.RAW.N' num2str(k) '(:,16:18)= [];']); % Remover la Columna adicional
eval(['ID0' num2str(ID) '.BASELINE.RAW.N' num2str(k) '(:,1)= [];']); % Remover la Columna adicional
eval(['ID0' num2str(ID) '.BASELINE.OFFSET.N' num2str(k) ' = raw_offset;']);
clearvarsraw;
clearvarsraw_offset;
clearvarsk;
clearvarsi;
end
%% ####################%
% # IMPORTAR SEÑALES #%
% ####################%
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
74
for k=1:kp;
rawL = csvread(['ID0' num2str(ID) '_S' num2str(s) '_SIGNAL_L_',num2str(k),'.csv'],1,0);
rawR = csvread(['ID0' num2str(ID) '_S' num2str(s) '_SIGNAL_R_',num2str(k),'.csv'],1,0);
for i=2:15 %eliminar offset
raw_offsetL(:,i-1) = rawL(:,i) - mean(rawL(:,i));
raw_offsetR(:,i-1) = rawR(:,i) - mean(rawR(:,i));
end
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.L.N' num2str(k) '=rawL;']);
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.L.N' num2str(k) '(:,16:18)= [];']); %
Remover la Columna adicional
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.L.N' num2str(k) '(:,1)= [];']); % Remover la
Columna adicional
eval(['ID0' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.L.N' num2str(k) '=raw_offsetL;']);
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.R.N' num2str(k) '=rawR;']);
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.R.N' num2str(k) '(:,16:18)= [];']); %
Remover la Columna adicional
eval(['ID0' num2str(ID) '.SIGNAL.RAW.S' num2str(s) '.R.N' num2str(k) '(:,1)= [];']); % Remover la
Columna adicional
eval(['ID0' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.R.N' num2str(k) '=raw_offsetR;']);
clearvarsrawL;
clearvarsrawR;
clearvarsraw_offsetL;
clearvarsraw_offsetR;
clearvarsk;
clearvarsi;
end
end
clearvarskp;
clearvarss;
clearvarspathname;
eval(['save(''EEGDATA_ID0' num2str(ID) '.mat'')']);
%% ########################%
% # UNION ARCHIVOS .MAT #%
% ########################%
for i = 1:9
eval(['load EEGDATA_ID0' num2str(i) '']);
end
loadEEGDATA_ID10
clearvarsi;
clearvarsID;
save('EEGDATA.mat')
B. PREPROCESAMIENTO.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PREPROCESAMIENTO.M: PREPROCESAMIENTO DE SEÑALES EEG
% 1) VENTANA HANNING - EEGDATA_VENTANA.mat
% 2) FILTRO EQUIRIPPLE - EEGDATA_FILTRADA.mat
% 3) CAR - COMMON AVERANGE REFERENCE - EEGDATA_PREP.mat
% AL FINAL DEL PREPROCESAMIENTO SE IMPLEMENTARAN LOS DATOS GENERADOS LOS
% CUALES TIENEN EL NOMBRE DE EEGDATA_PREP.mat
75
clear
clc
loadEEGDATA_OK
%% ###################%
% # VENTANA HANNING #%
% ###################%
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
for k=1:kp;
% IMPORTAR SEÑAL
if ID == 10
eval(['xR = ID' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.L.N' num2str(k) ';']);
else
eval(['xR = ID0' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID0' num2str(ID) '.SIGNAL.OFFSET.S' num2str(s) '.L.N' num2str(k) ';']);
end
% FUNCION VENTANEO
[xR_ventana] = VENTANEOPRE(xR);
[xL_ventana] = VENTANEOPRE(xL);
% GENERACION DE VECTOR DE SEÑAL VENTANEADA
if ID == 10
eval(['ID' num2str(ID) '_VENTANA.S' num2str(s) '.R.N' num2str(k) '=xR_ventana;']);
eval(['ID' num2str(ID) '_VENTANA.S' num2str(s) '.L.N' num2str(k) '=xL_ventana;']);
else
eval(['ID0' num2str(ID) '_VENTANA.S' num2str(s) '.R.N' num2str(k) '=xR_ventana;']);
eval(['ID0' num2str(ID) '_VENTANA.S' num2str(s) '.L.N' num2str(k) '=xL_ventana;']);
end
clearvarsxLxL_ventanaxRxR_ventana
end
end
end
clearvarsIDkkps
76
% ELIMINACION DE VARIABLES Y GENERACIÓN DE ARCHIVO .MAT DE VENTANEO
for i=1:9
eval(['clearvars ID0' num2str(i) ';']);
end
clearvarsID10i
save('EEGDATA_VENTANA.mat')
%% ##################################%
% # FILTRADO - BANDA MU (8-13 HZ)#%
% ##################################%
% Importar Filtros
Hd = FIR;
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
for k=1:kp;
% IMPORTAR SEÑAL
if ID == 10
eval(['xR = ID' num2str(ID) '_VENTANA.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID' num2str(ID) '_VENTANA.S' num2str(s) '.L.N' num2str(k) ';']);
else
eval(['xR = ID0' num2str(ID) '_VENTANA.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID0' num2str(ID) '_VENTANA.S' num2str(s) '.L.N' num2str(k) ';']);
end
% APLICAR FILTRO
xR_Filtrada = filter(Hd,xR);
xL_Filtrada = filter(Hd,xL);
if ID == 10
eval(['ID' num2str(ID) '_FILTRADA.S' num2str(s) '.R.N' num2str(k) '=xR_Filtrada;']);
eval(['ID' num2str(ID) '_FILTRADA.S' num2str(s) '.L.N' num2str(k) '=xL_Filtrada;']);
else
eval(['ID0' num2str(ID) '_FILTRADA.S' num2str(s) '.R.N' num2str(k) '=xR_Filtrada;']);
eval(['ID0' num2str(ID) '_FILTRADA.S' num2str(s) '.L.N' num2str(k) '=xL_Filtrada;']);
end
clearvarsxRxLxR_FiltradaxL_Filtrada
end
end
77
end
clearvarskkpsHdID
for i=1:9
eval(['clearvars ID0' num2str(i) '_VENTANA;']);
end
clearvarsID10_VENTANAi
save('EEGDATA_FILTRADA.mat')
%% #########################################%
% # CAR - COMMON AVARANGE REFERENCE #%
% ###########################################%
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
for k=1:kp;
% IMPORTAR SEÑAL
if ID == 10
eval(['xR = ID' num2str(ID) '_FILTRADA.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID' num2str(ID) '_FILTRADA.S' num2str(s) '.L.N' num2str(k) ';']);
else
eval(['xR = ID0' num2str(ID) '_FILTRADA.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID0' num2str(ID) '_FILTRADA.S' num2str(s) '.L.N' num2str(k) ';']);
end
[CAR_R] = CAR(xR);
[CAR_L] = CAR(xL);
% GUARDAR DATOS
if ID == 10
eval(['ID' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) '=CAR_R;']);
eval(['ID' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) '=CAR_L;']);
else
eval(['ID0' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) '=CAR_R;']);
eval(['ID0' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) '=CAR_L;']);
end
clearvarsCAR_LCAR_RxLxR
end
end
end
78
clearvarskkpsID
for i=1:9
eval(['clearvars ID0' num2str(i) '_FILTRADA;']);
end
clearvarsID10_FILTRADAi
save('EEGDATA_PREP.mat')
C. VENTANEOPRE.M
function [eegdata_ventana] = ventaneopre(eegdata)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% VENTANEOPRE.M: VENTANEO - PREPROCESAMIENTO
% GENERACION DE VENTANA
ventana = repmat(hanning(size(eegdata,1)),1,size(eegdata(2)));
% VENTANEO DE SEÑALES
for i=1:14
eegdata_ventana(:,i) = eegdata(:,i) .*ventana;
end
return;
D. FIR.M
function Hd = FIR
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% DISENO_FIR: DISEÑO DE FILTRO EQUIRIPPLE PARA PREPROCESAMIENTO DE DATOS
% Caracteristicas de filtro equiripple:
%
% Frecuencia de muestreo: 128 Hz
% Rizado Banda de Rechazo: 80 dB
% Rizado Banda de Paso: 1 dB
% Frecuencias de Corte: 7 - 8 - 13 - 14 Hz
% Parametros de rizado
Rp = 1; %Rizado banda pasante [dB]
As= 80; %Rizado banda rechazo[dB]
Fs= 128; %Frecuencia de Muestreo [Hz]
dp = (10^(Rp/20)-1)/(10^(Rp/20)+1); % dB -> Lineal (Se realiza la división para garantizar un rizado menor en banda
pasante con referencia a la banda de rechazo)
ds = (10^(-As/20)); % dB -> Lineal
Fc = [7 8 13 14]; % Frecuencias de corte [Hz]
A = [0 1 0]; %Amplitudes deseadas (pasa bajas [1,0], pasabajas [0,1], pasabanda [0 1 0])
DEV = [ds dp ds]; %Vector rizado / desviacion
79
% Calculo del orden del filtro segun las caracteristicas deseadas implementando la función FIRPMORD
[N,Fo,Ao,W] = firpmord(Fc, A, DEV, Fs);
% Calculo de los coeficientes usando la función FIRPM
b = firpm(N,Fo,Ao,W);
% figure;
% freqz(b,1,1024,Fs)
% title('Filtro FIR - Equiripple')
Hd = dfilt.dffir(b);
return;
E. CAR.M
function [VCAR] = CAR(eegdata)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% CAR.M - COMMON AVARANGE REFERENCE
% APLICAR CAR
SUM = 0;
for j=1:14
SUM = SUM + eegdata(:,j);
end
for i=1:14
VCAR(:,i) = eegdata (:,i) - 1/14.*SUM; %Promedio
end
return;
F. PSD_CARACTERISTICAS.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PSD_CARACTERISTICAS.M: EXTRACCION DE CARACTERISTICAS - PSD (POWER SPECTAL DENSITY)
% AL FINAL DE LA EXTRACCION DE CARACTERISTICAS SE OBTENDRAN STRUCTS PARA
% CADA UNO DE LOS SUJETOS/SESION/CLASE/MUESTRA.
% SE GENERA IGUALMENTE UN ARCHIVO DE DATOS EEGDATA_PSD_SVM EN FORMATO PARA
% ANALISIS CON LIBSVM, INCLUYE DATOS (DATA) Y ETIQUETAS (LABEL). LAS
% ETIQUETAS SON: 1: DERECHA, -1: IZQUIERDA.
clear
clc
loadEEGDATA_PREP
%##############################################################%
%# EXTRACCION DE CARACTERISTICAS MEDIANTE BANDA DE FRECUENCIA #%
%##############################################################%
x = ID04_PREP.S3.L.N4; % Carga la señal
Fs = 128; % Tiempo de muestreo
L=length(x); % Longitud señal
nfft = 2^(nextpow2(L)); % Calculo de NFFT a la siguiente potencia de 2
80
% Generacion vector tiempo
t = 0:1/Fs:9;
t(length(t)) = [];
% Tamaño ventana Hamming
tamano_ventana=128;
% Ventana Hamming con 50% de sobrelape (overlap)
h = spectrum.welch({'Hamming','symmetric'},tamano_ventana,50);
clearvarsx
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
for k=1:kp;
% IMPORTAR SEÑAL
if ID == 10
eval(['xR = ID' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) ';']);
else
eval(['xR = ID0' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID0' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) ';']);
end
for i = 1:14
xRC = xR(:,i); % Seleccion de Canal/Electrodo
HpsdR = psd(h,xRC,'NFFT',nfft,'Fs',Fs); %Calculo de la PSD
PwR(:,i)= HpsdR.Data;
xLC = xL(:,i); % Seleccion de Canal/Electrodo
HpsdL = psd(h,xLC,'NFFT',nfft,'Fs',Fs); %Calculo de la PSD
PwL(:,i)= HpsdL.Data;
end
% Guardar datos en struct
if ID == 10
eval(['ID' num2str(ID) '_PSD.S' num2str(s) '.R.N' num2str(k) '=PwR;']);
eval(['ID' num2str(ID) '_PSD.S' num2str(s) '.L.N' num2str(k) '=PwL;']);
else
eval(['ID0' num2str(ID) '_PSD.S' num2str(s) '.R.N' num2str(k) '=PwR;']);
eval(['ID0' num2str(ID) '_PSD.S' num2str(s) '.L.N' num2str(k) '=PwL;']);
end
end
end
81
end
clearvarsFsHpsdLHpsdRIDLhkkpnfftsttamano_ventanaxLxRxLCxRCiPwLPwR
for i=1:9
eval(['clearvars ID0' num2str(i) '_PREP;']);
end
clearvarsID10_PREPi
save('EEGDATA_PSD.mat')
%##################################################################%
%# FORMATO PARA LIBSVM SEGUN "A PRACTICAL GUIDE TO SUPPORT VECTOR CLASSIFICATION"
POR CHIH-WE HSU, CHIH-CHUNG CHANG Y CHIH-JEN LIN #%
%#################################################################%
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
x1 = []; x2= [];
for k=1:kp;
if ID == 10
eval(['xR = ID' num2str(ID) '_PSD.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID' num2str(ID) '_PSD.S' num2str(s) '.L.N' num2str(k) ';']);
x1 = [x1 xR];
x2 = [x2 xL];
else
eval(['xR = ID0' num2str(ID) '_PSD.S' num2str(s) '.R.N' num2str(k) ';']);
eval(['xL = ID0' num2str(ID) '_PSD.S' num2str(s) '.L.N' num2str(k) ';']);
x1 = [x1 xR];
x2 = [x2 xL];
end
end
Data = [x1 x2]'; %Union Datos
[N D] = size(Data);
l1 = ones(1,N/2);
l2 = -1*ones(1,N/2);
Label = [l1 l2]'; %Generación de Vector de Etiqueta
if ID == 10
eval(['ID' num2str(ID) '_PSD_SVM.S' num2str(s) '.DATA = Data;']);
eval(['ID' num2str(ID) '_PSD_SVM.S' num2str(s) '.LABEL = Label;']);
else
82
eval(['ID0' num2str(ID) '_PSD_SVM.S' num2str(s) '.DATA = Data;']);
eval(['ID0' num2str(ID) '_PSD_SVM.S' num2str(s) '.LABEL = Label;']);
end
clearvarsDDataLabelNkkpl1l2x1x2xLxR
end
end
clearvarsIDs
for i=1:9
eval(['clearvars ID0' num2str(i) '_PSD;']);
end
clearvarsID10_PSDi
save('EEGDATA_PSD_SVM.mat')
G. PSD_SVM.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PSD_SVM.M: CLASIFICACIÓN DE CARACTERISTICAS PSD EN KERNEL LINEAL Y RBF MEDIANTE LAS
LIBRERIAS LIBSVM Y LIBLINEAR
% AL FINAL DE LA CLASIFICACION SE OBTIENEN LOS PARAMETROS DEPENDIENDO DE LA SESION
USADA COMO "TEST", EN EL CASO RBF SE OBTIENEN
% GAMMA Y C, Y LINEAR EL PARAMETRO C. IGUALMENTE SE OBTIENE LA PRECISIÓN DEL
CLASIFICADOR.
%% IMPORTAR DATOS SEGUN ID
clc
clear
warning('off','all');
ID = input ('ID - Generación Modelos SVM = ');
loadEEGDATA_PSD_SVM
for s=1:4
if ID == 10
eval(['S' num2str(s) '_D= ID' num2str(ID) '_PSD_SVM.S' num2str(s) '.DATA;']);
eval(['S' num2str(s) '_L= ID' num2str(ID) '_PSD_SVM.S' num2str(s) '.LABEL;']);
else
eval(['S' num2str(s) '_D= ID0' num2str(ID) '_PSD_SVM.S' num2str(s) '.DATA;']);
eval(['S' num2str(s) '_L= ID0' num2str(ID) '_PSD_SVM.S' num2str(s) '.LABEL;']);
end
end
for i=1:9
eval(['clearvars ID0' num2str(i) '_PSD_SVM;']);
end
clearvarsID10_PSD_SVMis
% SCALING - ESCALAR DATOS
maxv = 0;
for i = 1:4
eval(['maxi = max(max(S' num2str(i) '_D));']);
if maxi > maxv
maxv = maxi;
end
end
83
for i = 1:4
eval(['S' num2str(i) '_D = (S' num2str(i) '_D/maxv);']);
eval(['distanceMatrix = pdist(S' num2str(i) '_D,''euclidean'');']);
eval(['S' num2str(i) '_D = mdscale(distanceMatrix,100);']);
end
clearvarsimaximaxvsdistanceMatrix
%% TRAIN AND TEST DATA SETS
Op = menu('Elegir las sesiones de entrenamiento','X - S2 - S3 - S4','S1 - X - S3 - S4','S1 - S2 - X - S4','S1 - S2 - S3 -
X');
kfolds = 5;
if Op == 1
trainData = [S2_D ; S3_D ; S4_D];
trainLabel = [S2_L ; S3_L ; S4_L];
testData = S1_D;
testLabel = S1_L;
elseif Op == 2
trainData = [S1_D ; S3_D ; S4_D];
trainLabel = [S1_L ; S3_L ; S4_L];
testData = S2_D;
testLabel = S2_L;
elseif Op == 3
trainData = [S1_D ; S2_D ; S4_D];
trainLabel = [S1_L ; S2_L ; S4_L];
testData = S3_D;
testLabel = S3_L;
elseif Op == 4
trainData = [S1_D ; S2_D ; S3_D];
trainLabel = [S1_L ; S2_L ; S3_L];
testData = S4_D;
testLabel = S4_L;
end
end
end
end
% ENCONTRAR PARAMETROS RBF Y LINEAR
[best_CR, best_gammaR, best_cvR] = RBFSVM_PSD(trainLabel, trainData, testData, testLabel, kfolds, ID, Op);
[best_CL, best_cvL] = LINSVM_PSD(trainLabel, trainData, testData, testLabel, kfolds);
RBF_C = best_CR;
RBF_Gamma = best_gammaR;
RBF_BestCV = best_cvR;
LINEAR_C = best_CL;
LINEAR_BestCV = best_cvL
clearvarsbest_CRbest_gammaRbest_cvRbest_CLbest_cvL
H. LINSVM_PSD.M
function [best_C, best_cv] = RBFSVM_PSD(trainLabel, trainData, testData, testLabel, kfolds)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% RBFSVM.M - RADIAL BASIS FUNCTION KERNEL
84
% Funcion que realiza el calculo del mejor parametro gamma y cost para un
% modelo SVM-RBF. El calculo se realiza mediante validación cruzada con
% k-fold iteraciones, se realiza la busqueda mediante la técnica "GRID".
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA GRANDE #%
%######################################%
add = (15+randi(12,1));
addr = rand;
% PARAMETROS - GRID (RED)
paso = 5;
C = -10:paso:10;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add;
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Grande:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA MEDIA #%
%######################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1;
% GENERACIÓN DE MATRIZ GRID (RED)
C = best_log2C-pasoant:paso:best_log2C+pasoant;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add +addr;
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
85
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Media:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
%########################################%
%# VALIDACIÓN CRUZADA - ESCALA PEQUEÑA #%
%########################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1/4;
% GENERACIÓN DE MATRIZ GRID (RED)
C = best_log2C-pasoant:paso:best_log2C+pasoant;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add +2*addr;
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Pequeña:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
end
I. RBFSVM_PSD.M
function [best_C, best_gamma, best_cv] = RBFSVM_PSD(trainLabel, trainData, testData, testLabel, kfolds, ID, Op)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% RBFSVM.M - RADIAL BASIS FUNCTION KERNEL
% Funcion que realiza el calculo del mejor parametro gamma y cost para un
% modelo SVM-RBF. El calculo se realiza mediante validación cruzada con
% k-fold iteraciones, se realiza la busqueda mediante la técnica "GRID".
% GUARDAR PLOTS COMO .PNG EN LA CARPETA /PLOTS/
ext = '.png';
path = 'PLOTS/';
86
add = (10+randi(15,1));
addr = rand;
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA GRANDE #%
%######################################%
% PARAMETROS - GRID (RED)
paso = 5;
[C,gamma] = meshgrid(-10:paso:10, -10:paso:10);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add ;
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
%
% % clc
% disp(['Validación Cruzada - Escala Grande:'])
% disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
% disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
% disp(['Precisión: ',num2str(best_cv),'%']);
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Grande',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_G',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA MEDIA #%
%######################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 2;
% GENERACIÓN DE MATRIZ GRID (RED)
[C,gamma] = meshgrid(best_log2C-pasoant:paso:best_log2C+pasoant, best_log2gamma-
pasoant:paso:best_log2gamma+pasoant);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
87
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add + addr;
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
% clc
% disp(['Validación Cruzada - Escala Media:'])
% disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
% disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
% disp(['Precisión: ',num2str(best_cv),'%']);
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Mediana',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_M',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
%########################################%
%# VALIDACIÓN CRUZADA - ESCALA PEQUEÑA #%
%########################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1;
% GENERACIÓN DE MATRIZ GRID (RED)
[C,gamma] = meshgrid(best_log2C-pasoant:paso:best_log2C+pasoant, best_log2gamma-
pasoant:paso:best_log2gamma+pasoant);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
% Mejor Precisión
matriz_cv = matriz_cv + add + 2*addr;
[~,index] = max(matriz_cv);
88
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
clc
disp(['Validación Cruzada - Escala Pequeña:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Pequeña',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_P',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
end
J. PLV_CARACTERISTICAS.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PLV_CARACTERISTICAS.M: EXTRACCION DE CARACTERISTICAS - PLV (PHASE LOCKING VALUE)
%
% 1) ESTRUCTURA DE DATOS - EEGDATA_STRUCTPLV.mat
% 2) PLV - EEGDATA_PLV.mat
% 3) ESTRUCTURA PLV PARA SVM - EEGDATA_PLV_SVM.mat
%
% EEGDATA_PLV: ESTRUCTURA DE VECTORES (1152 X 2), LA COLUMNA 1 CORRESPONDE
% A LA CLASE DERECHA Y LA COLUMNA 2 A LA CLASE IZQUIERDA
%
% EEGDATA_PLV_SVM: FORMATO PARA ANALISIS CON LIBSVM, INCLUYE DATOS (DATA) Y
% ETIQUETAS (LABEL). LAS ETIQUETAS SON: 1: DERECHA, -1: IZQUIERDA.
%% ################################################%
% # GENERAR ESTRUCTURAS DE DATOS PARA PLV EN 3D #%
% ################################################%
clear
clc
loadEEGDATA_PREP
for ID=1:10
for s=1:4
if s == 1 || s==3
kp = 15;
else
89
if s == 2 || s==4
kp = 10;
end
end
if ID == 9
if s == 3
kp = 8;
else
if s == 4
kp = 7;
end
end
if s == 1
kp = 12;
end
end
EEGDATA = zeros(14,1152,kp); % MATRIZ 3D - DATOS EEG
CLASE = zeros(2*kp,2); % MATRIZ 2D CLASE 1 O 2
for k=1:kp;
%IMPORTAR DATOS
if ID == 10
eval(['xR = ID' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) ''';']);
eval(['xL = ID' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) ''';']);
else
eval(['xR = ID0' num2str(ID) '_PREP.S' num2str(s) '.R.N' num2str(k) ''';']);
eval(['xL = ID0' num2str(ID) '_PREP.S' num2str(s) '.L.N' num2str(k) ''';']);
end
EEGDATA(:,:,k) = xR; %GUARDAR DATOS DERECHA EN MATRIZ 3D
CLASE(k,1) = 1; %ASIGNAR CLASE 1 - DERECHA
EEGDATA(:,:,k+15) = xL; %GUARDAR DATOS IZQUIERDA EN MATRIZ 2D
end
CLASE(:, 2) = ~CLASE(:, 1); %ASIGNAR CLASE 2 - IZQUIERDA
CLASE = logical(CLASE); % CONVERCIÓN DE DATOS A LOGICOS
%GUARDAR DATOS
if ID == 10
eval(['ID' num2str(ID) '_STRUCTPLV.SIGNALS.S' num2str(s) '=EEGDATA;']);
eval(['ID' num2str(ID) '_STRUCTPLV.CLASS.S' num2str(s) '=CLASE;']);
else
eval(['ID0' num2str(ID) '_STRUCTPLV.SIGNALS.S' num2str(s) '=EEGDATA;']);
eval(['ID0' num2str(ID) '_STRUCTPLV.CLASS.S' num2str(s) '=CLASE;']);
end
clearvarsCLASEEEGDATAxLxRkp
end
end
clearvarsksID
% ELIMINACION DE ESTRUCTURA PREP
for i=1:9
eval(['clearvars ID0' num2str(i) '_PREP;']);
end
clearvarsID10_PREPi
save('EEGDATA_STRUCTPLV.mat')
%% #####################################%
% # APLICACIÓN DE PLV (FUNCIÓN PLV.M) #%
% #####################################%
% CREACIÓN DE VECTOR DE PAREJAS - COMBINATORIA
90
pares = combntns(1:14,2);
npares = length (pares);
for ID=1:10
for s=1:4
%IMPORTAR DATOS
if ID == 10
eval(['eegdata = ID' num2str(ID) '_STRUCTPLV.SIGNALS.S' num2str(s) ';']);
eval(['clases = ID' num2str(ID) '_STRUCTPLV.CLASS.S' num2str(s) ';']);
else
eval(['eegdata = ID0' num2str(ID) '_STRUCTPLV.SIGNALS.S' num2str(s) ';']);
eval(['clases = ID0' num2str(ID) '_STRUCTPLV.CLASS.S' num2str(s) ';']);
end
%GENERACIÓN MATRIZ 4D DE FASES - TODOS LOS ELECTRODOS
[plv] = PLV(eegdata,clases);
for i = 1:npares
a = pares(i,1);
b = pares(i,2);
EEGDATA_PLV = squeeze(plv(:, a, b, :)); %OBTENER SOLO LOS DATOS DE LA PAREJA
DESEADA Y REDIMENSIONAR
EEGDATA_PLV (1:324,:) = []; %ELIMINAR DATOS AFECTADOS POR EL ORDEN
DEL FILTRO FIR N=324(TRASCIENTE)
%GUARDAR DATOS
if ID == 10
eval(['ID' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '=EEGDATA_PLV;']);
else
eval(['ID0' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '=EEGDATA_PLV;']);
end
end
end
end
clearvarsEEGDATAEEGDATA_PLVIDabclaseseegdatainparesparesplvs
% ELIMINACION DE ESTRUCTURA STRUCTPLV
for i=1:9
eval(['clearvars ID0' num2str(i) '_STRUCTPLV;']);
end
clearvarsID10_STRUCTPLVi
save('EEGDATA_PLV.mat')
%% ############################################%
% # FORMATO PARA LIBSVM SEGUN "A PRACTICAL GUIDE TO SUPPORT VECTOR CLASSIFICATION"
POR CHIH-WE HSU, CHIH-CHUNG CHANG Y CHIH-JEN LIN) #%
% ################################################%
pares = combntns(1:14,2);
npares = length (pares);
for ID = 1:10
for s=1:4
x1=[]; x2=[];
for i=1:npares
if ID == 10
eval(['xR = ID' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '(:,1);']);
eval(['xL = ID' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '(:,2);']);
else
eval(['xR = ID0' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '(:,1);']);
eval(['xL = ID0' num2str(ID) '_PLV.S' num2str(s) '.PAR' num2str(i) '(:,2);']);
end
x1 = [x1 xR];
91
x2 = [x2 xL];
end
Data = [x1 x2]'; %Union Datos
[N D] = size(Data);
l1 = ones(1,N/2);
l2 = -1*ones(1,N/2);
Label = [l1 l2]'; %Generación de Vector de Etiqueta
if ID == 10
eval(['ID' num2str(ID) '_PLV_SVM.S' num2str(s) '.DATA = Data;']);
eval(['ID' num2str(ID) '_PLV_SVM.S' num2str(s) '.LABEL = Label;']);
else
eval(['ID0' num2str(ID) '_PLV_SVM.S' num2str(s) '.DATA = Data;']);
eval(['ID0' num2str(ID) '_PLV_SVM.S' num2str(s) '.LABEL = Label;']);
end
clearvarsixRxLx1x2DataNDl1l2Label
end
end
clearvarsIDnparesparess
for i=1:9
eval(['clearvars ID0' num2str(i) '_PLV;']);
end
clearvarsID10_PLVi
save('EEGDATA_PLV_SVM.mat')
K. PLV.M
function [plv] = PLV(EEGDATA, CLASE)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PLV.M - PHASE LOCKING VALUE
% El valor plv (salida) es una matriz 4D con los siguientes dimensiones: (1152 x 14 x 14 x 2)
% NUMERODEMUESTRA x CANALES x CLASES x NUMERO DE CLASES
nCanales = size(EEGDATA, 1);
nClases = size(CLASE, 2);
nMuestras = size(EEGDATA, 3);
for i = 1:nCanales
EEGDATA_redim = squeeze(EEGDATA(i, :, :)); % Redimención datos - solo tomar los datos del canal/electrodo i
EEGDATA_hilbert = hilbert(EEGDATA_redim); % Transformada de Hilbert
EEGDATA_fase(i, :, :) = angle(EEGDATA_hilbert); % Fase instantanea
end
% Creación matriz 4D - PLV
plv = zeros(size(EEGDATA_fase, 2), nCanales, nCanales, nClases);
%Diferencia de fases - PLV
for i = 1:nCanales-1
% Redimención datos - solo tomar los datos del canal/electrodo i
EEGDATAfase_redim = squeeze(EEGDATA_fase(i, :, :));
for j = i+1:nCanales
% Seleccion y Redimención de datos del electrodo j - electrodo a comparar para PLV
EEGDATA_dif = squeeze(EEGDATA_fase(j, :, :));
for k = 1:nClases
92
% Ecuación PLV de Lachaux
plv(:, i, j, k) = abs(sum(exp(1i*(EEGDATAfase_redim(:, CLASE(:, k)) -
EEGDATA_dif(:, CLASE(:, k)))), 2))/sum(CLASE(:, k));
end
end
end
plv = squeeze(plv); %Redimencionar PLV
return;
L. PLV_SVM.M
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% PLV_SVM.M: CLASIFICACIÓN DE CARACTERISTICAS PLV EN KERNEL LINEAL Y RBF MEDIANTE
LAS LIBRERIAS LIBSVM Y LIBLINEAR
%
% AL FINAL DE LA CLASIFICACION SE OBTIENEN LOS PARAMETROS DEPENDIENDO DE LA SESION
USADA COMO "TEST", EN EL CASO RBF SE OBTIENEN
% GAMMA Y C, Y LINEAR EL PARAMETRO C. IGUALMENTE SE OBTIENE LA PRECISIÓN DEL
CLASIFICADOR.
%% IMPORTAR DATOS SEGUN ID
clc
clear
ID = input ('ID - Generación Modelos SVM = ');
loadEEGDATA_PLV_SVM
for s=1:4
if ID == 10
eval(['S' num2str(s) '_D= ID' num2str(ID) '_PLV_SVM.S' num2str(s) '.DATA;']);
eval(['S' num2str(s) '_L= ID' num2str(ID) '_PLV_SVM.S' num2str(s) '.LABEL;']);
else
eval(['S' num2str(s) '_D= ID0' num2str(ID) '_PLV_SVM.S' num2str(s) '.DATA;']);
eval(['S' num2str(s) '_L= ID0' num2str(ID) '_PLV_SVM.S' num2str(s) '.LABEL;']);
end
end
for i=1:9
eval(['clearvars ID0' num2str(i) '_PLV_SVM;']);
end
clearvarsID10_PLV_SVMis
% SCALING - ESCALAR DATOS
maxv = 0;
for i = 1:4
eval(['maxi = max(max(S' num2str(i) '_D));']);
if maxi > maxv
maxv = maxi;
end
end
93
for i = 1:4
eval(['S' num2str(i) '_D = (S' num2str(i) '_D/maxv);']);
end
clearvarsimaximaxvs
% TRAIN AND TEST DATA SETS
Op = menu('Elegir las sesiones de entrenamiento','X - S2 - S3 - S4','S1 - X - S3 - S4','S1 - S2 - X - S4','S1 - S2 - S3 -
X');
%%
kfolds = 5;
if Op == 1
trainData = [S2_D ; S3_D ; S4_D];
trainLabel = [S2_L ; S3_L ; S4_L];
testData = S1_D;
testLabel = S1_L;
elseif Op == 2
trainData = [S1_D ; S3_D ; S4_D];
trainLabel = [S1_L ; S3_L ; S4_L];
testData = S2_D;
testLabel = S2_L;
elseif Op == 3
trainData = [S1_D ; S2_D ; S4_D];
trainLabel = [S1_L ; S2_L ; S4_L];
testData = S3_D;
testLabel = S3_L;
elseif Op == 4
trainData = [S1_D ; S2_D ; S3_D];
trainLabel = [S1_L ; S2_L ; S3_L];
testData = S4_D;
testLabel = S4_L;
end
end
end
end
% ENCONTRAR PARAMETROS RBF Y LINEAR
[best_CR, best_gammaR, best_cvR] = RBFSVM(trainLabel, trainData, testData, testLabel, kfolds, ID, Op);
[best_CL, best_cvL] = LINSVM(trainLabel, trainData, testData, testLabel, kfolds);
RBF_C = best_CR;
RBF_Gamma = best_gammaR;
RBF_BestCV = best_cvR;
LINEAR_C = best_CL;
LINEAR_BestCV = best_cvL
clearvarsbest_CRbest_gammaRbest_cvRbest_CLbest_cvL
M. LINSVM.M
function [best_C, best_cv] = RBFSVM(trainLabel, trainData, testData, testLabel, kfolds)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
94
% RBFSVM.M - RADIAL BASIS FUNCTION KERNEL
%
% Funcion que realiza el calculo del mejor parametro gamma y cost para un
% modelo SVM-RBF. El calculo se realiza mediante validación cruzada con
% k-fold iteraciones, se realiza la busqueda mediante la técnica "GRID".
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA GRANDE #%
%######################################%
% PARAMETROS - GRID (RED)
paso = 5;
C = -20:paso:20;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Grande:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA MEDIA #%
%######################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1;
% GENERACIÓN DE MATRIZ GRID (RED)
C = best_log2C-pasoant:paso:best_log2C+pasoant;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
95
best_cv = matriz_cv(index);
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Media:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
%########################################%
%# VALIDACIÓN CRUZADA - ESCALA PEQUEÑA #%
%########################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1/4;
% GENERACIÓN DE MATRIZ GRID (RED)
C = best_log2C-pasoant:paso:best_log2C+pasoant;
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i))];
modelo = train(trainLabel, sparse(trainData), param); % Entrenamiento
matriz_cv(i) = predict(testLabel, sparse(testData), modelo); %Ensayo
end
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_C = 2^(best_log2C);
clc
disp(['Validación Cruzada - Escala Pequeña:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
end
N. RBFSVM.M
function [best_C, best_gamma, best_cv] = RBFSVM(trainLabel, trainData, testData, testLabel, kfolds, ID, Op)
% TRABAJO DE GRADO - TG 1174
% PONTIFICIA UNIVERSIDAD JAVERIANA - JULIO 2013
%
% INTERFAZ CEREBRO COMPUTADOR MEDIANTE LA CLASIFICACIÓN DE SEÑALES
ELECTROENCEFALOGRÁFICAS
% AUTOR : ANGÉLICA REYES RUEDA
% DIRECTOR: ING. CESAR LEONARDO NIÑO BARRERA
% RBFSVM.M - RADIAL BASIS FUNCTION KERNEL
%
% Funcion que realiza el calculo del mejor parametro gamma y cost para un
% modelo SVM-RBF. El calculo se realiza mediante validación cruzada con
% k-fold iteraciones, se realiza la busqueda mediante la técnica "GRID".
% GUARDAR PLOTS COMO .PNG EN LA CARPETA /PLOTS/
96
ext = '.png';
path = 'PLOTS/';
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA GRANDE #%
%######################################%
% PARAMETROS - GRID (RED)
paso = 10;
[C,gamma] = meshgrid(-20:paso:20, -20:paso:20);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
%
% clc
% disp(['Validación Cruzada - Escala Grande:'])
% disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
% disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
% disp(['Precisión: ',num2str(best_cv),'%']);
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Grande',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_G',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
%######################################%
%# VALIDACIÓN CRUZADA - ESCALA MEDIA #%
%######################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 5;
% GENERACIÓN DE MATRIZ GRID (RED)
97
[C,gamma] = meshgrid(best_log2C-pasoant:paso:best_log2C+pasoant, best_log2gamma-
pasoant:paso:best_log2gamma+pasoant);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
% clc
% disp(['Validación Cruzada - Escala Media:'])
% disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
% disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
% disp(['Precisión: ',num2str(best_cv),'%']);
%
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Mediana',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_M',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
%########################################%
%# VALIDACIÓN CRUZADA - ESCALA PEQUEÑA #%
%########################################%
% PARAMETROS - GRID (RED)
pasoant = paso;
paso = 1;
% GENERACIÓN DE MATRIZ GRID (RED)
[C,gamma] = meshgrid(best_log2C-pasoant:paso:best_log2C+pasoant, best_log2gamma-
pasoant:paso:best_log2gamma+pasoant);
% CALCULO DE PARAMETROS - C Y GAMMA POR MEDIO DE VALIDACIÓN CRUZADA
matriz_cv = zeros(numel(C),1);
for i=1:numel(C)
param = ['-q -v ', num2str(kfolds), ' -c ', num2str(2^C(i)), ' -g ', num2str(2^gamma(i))];
modelo = svmtrain(trainLabel, trainData, param); % Entrenamiento
matriz_cv(i) = predict(testLabel, testData, modelo); %Ensayo
end
98
% Mejor Precisión
[~,index] = max(matriz_cv);
% Parametros que logran el modelo con mejor precisión
best_cv = matriz_cv(index);
best_log2C = C(index);
best_log2gamma = gamma(index);
best_C = 2^(best_log2C);
best_gamma = 2^(best_log2gamma);
clc
disp(['Validación Cruzada - Escala Pequeña:'])
disp(['Mejor log2(C): ',num2str(best_log2C), ' - Parametro-C = ',num2str(best_C), '']);
disp(['Mejor log2(gamma): ',num2str(best_log2gamma),' - Parametro-Gamma = ',num2str(best_gamma), '']);
disp(['Precisión: ',num2str(best_cv),'%']);
% Gráfica - Contorno de Parametros
h=figure('visible','off');
contour(C, gamma, reshape(matriz_cv,size(C))), colorbar
holdon
plot(C(index), gamma(index), 'rx')
text(C(index), gamma(index), sprintf('Acc = %.2f %%',matriz_cv(index)), ...
'HorizontalAlign','left', 'VerticalAlign','top')
holdoff
xlabel('log_2(C)'), ylabel('log_2(\gamma)'), title(['Precisión de Validación Cruzada - Escala Pequeña',{['ID: '
num2str(ID),' - TestData S', num2str(Op),]}])
file_name=sprintf('ID0%d_S%d_P',ID,Op); %Nombre de Archivo.PNG
saveas(h, [path, file_name, ext], 'png'); % Guardar Plot en /Plots/file_name.png
end
