Obtención y manipulación de señales electroencefalográficas por medio de metaheurísticas híbridas

Abstract

Resumen La intención de movimiento comprende la representación mental de movimiento sin la ejecución real. Se trata de un mecanismo neurológico endógeno que comprende la realización interna de una tarea mental que provoca cambios en la actividad bioeléctrica del cerebro. El trabajo de tesis reportado en este documento expone el desarrollo e implementación de un mecanismo híbrido, denominando MHH-FSS-RNA, basado en metaheurísticas para la clasificación de señales electroencefalográficas con intención de movimiento cinestésico (EEG-MI) el cual, aprovecha los cambios en la actividad bioeléctrica del cerebro para la identificación de la intención de abrir y cerrar la mano derecha. Para el diseño del mecanismo MHH-FSS-RNA se siguió una metodología propuesta, constituida por fases y que permitió el desarrollo de un mecanismo de un clasificador de intención de movimiento. Dicho clasificador fue validado con la manipulación de un brazo mecánico que obedece a la intención de movimiento a través de señales electroencefalográficas. La primera de las fases de la metodología propuesta consistió en la selección del dispositivo Emotiv EPOC+ de catorce electrodos para la captura de las señales EEG-MI. Este dispositivo tiene la ventaja de ser comercial y permitir la lectura de una amplia zona de cuero cabelludo siguiendo el sistema internacional 10-20 para la colocación de electrodos de electroencefalograma. Gracias a este dispositivo se logró, además, la construcción de diferentes repositorios utilizados para experimentaciones y, consiguientes implementaciones. Partiendo de repositorios de datos disponibles para investigación de forma abierta, se realizó un análisis de diferentes técnicas de preprocesamiento y de selección de características con el objetivo de facilitar su clasificación. Las técnicas de preprocesamiento estudiadas fueron la transformada rápida de Fourier y la normalización Z-score. Donde la normalización, resultó ser la más adecuada al permitir un mejor desempeño de clasificación. Para la selección de características se aplicó la teoría de testores con la cual, se obtuvo un conjunto de testores típicos. Este conjunto de testores típicos permitió reducir la dimensionalidad del problema y, por lo tanto, disminuir los requerimientos computacionales para su procesamiento y clasificación. Sin embargo, cabe destacar que encontrar el conjunto de testores típicos permitió conocer aquellos nodos determinantes en la lectura de la intención de abrir y cerrar la mano derecha. A partir del conjunto de testores típicos, se seleccionó uno de acuerdo con el desempeño de clasificación. Todo ello, analizando las métricas obtenidas de la construcción de una matriz de confusión por medio de un estudio de TOPSIS, un método para la toma de decisiones multicriterio. La metodología propuesta continúo con el análisis de modelos metaheurísticos de clasificación: las máquinas de soporte vectorial y las redes neuronales artificiales. Este análisis permitió conocer el desempeño y comportamiento de la clasificación de ambas intenciones de movimiento. Esta sección permitió la afinación de parámetros en ambas metaheurísticas con el objetivo de beneficiar el desempeño en la clasificación, por medio de un diseño de experimentos factorial. Al final de esta investigación se contó con un mecanismo híbrido basado en metaheurísticas para la clasificación de señales EEG-MI designado como MHH-FSS-RNA. Este modelo obedece a un testor típico compuesto por aquellos nodos/electrodos del dispositivo Emotiv que inciden de forma determinante en la descripción de las intenciones de abrir/cerrar la mano. El modelo cuenta, además, con una red neuronal artificial con parámetros afinados encaminados a un alto desempeño de clasificación. El mecanismo MHH-FSS-RNA fue aplicado al control de un brazo mecánico con cual, se le dio la capacidad de responder a registros de electroencefalograma que evocan la intención de movimiento de abrir y cerrar la mano derecha de un sujeto de prueba, pues, al ser señales complejas y completamente personales, el mecanismo debe ser entrenado y afinado para cada usuario.

Abstract Movement intention is the mental representation of movement without actual execution. It is an endogenous neurological mechanism involving the internal performance of a mental task that causes changes in the bioelectrical activity of the brain. The present thesis research paper presents the development and implementation of a hybrid mechanism, called MHH-FSS-RNA, based on metaheuristics for the classification of electroencephalographic signals with kinesthetic movement intention (EEG-MI), which takes advantage of changes in the bioelectrical activity of the brain for the identification of the intention to open and close the right hand. For the design of the MHH-FSS-RNA mechanism, a proposed methodology was followed, which consisted of phases and allowed the development of a movement intention classifier mechanism. This classifier was validated with the manipulation of a mechanical arm that obeys the movement intention through electroencephalographic signals. The first phase of the proposed methodology consisted in the selection of the Emotiv EPOC+ device with fourteen electrodes to capture EEG-MI signals. This device has the advantage of being commercial and allowing the reading of a wide scalp area following the international 10-20 system for the placement of electroencephalogram electrodes. Thanks to this device, the construction of different repositories used for experimentation and, consequent implementations, was also achieved. Based on openly available data repositories for research, an analysis of different preprocessing and feature selection techniques was carried out to facilitate their classification. The preprocessing techniques studied were the fast Fourier transform and Z-score normalization. Where normalization proved to be the most appropriate as it allowed a better classification performance. For feature selection, the testor theory was applied to obtain a set of typical testors. This set of typical testors allowed for the reduction of the dimensionality of the problem and, therefore, reduced the computational requirements for its processing and classification. However, it should be noted that finding the set of typical testors allowed us to know those nodes that were determinant in the reading of the intention to open and close the right hand. From the set of typical testors, one was selected according to the classification performance. All this, analyzing the metrics obtained from the construction of a confusion matrix by means of a TOPSIS study, a method for multi-criteria decision-making. The proposed methodology continued with the analysis of metaheuristic classification models: support vector machines and artificial neural networks. This analysis allowed to know the performance and classification behavior of both movement intentions. This section allowed the tuning of parameters in both metaheuristics with the objective of benefiting the classification performance, by means of a factorial design of experiments. At the end of this research, a hybrid mechanism based on metaheuristics for the classification of EEG-MI signals, designated as MHH-FSS-RNA, was implemented. This model obeys a typical testor composed of those nodes/electrodes of the Emotiv device that have a determining influence on the description of the intentions to open/close the hand. The model also has an artificial neural network with tuned parameters aimed at high classification performance. The MHH-FSS-RNA mechanism was applied to the control of a mechanical arm with which it was given the ability to respond to electroencephalogram recordings that evoke the movement intention of opening and closing the right hand of a test subject, since, being complex and completely personal signals, the mechanism must be trained and tuned for each user.