Diseño e implementación de una interfaz cerebro-computadora basada en potenciales visuales evocados en estado estable con estímulos visuales en movimiento

Abstract

El desarrollo de Interfaces Cerebro-Computadora basadas en Potenciales Visuales Evocados en Estado Estable (SSVEP-BCI) ha experimentado avances significativos en términos de precisión. Sin embargo, persisten desafíos, como la adaptación visual, que afecta el rendimiento de estos sistemas. Aunque algunas investigaciones sugieren el uso de estímulos visuales en movimiento para mejorar la precisión, su rendimiento suele ser inferior al de los estímulos estáticos. En esta Tesis, se proponen estímulos visuales en movimiento para un sistema SSVEP-BCI, comparándolos con estímulos estáticos. Se realizaron encuestas a doce sujetos: diez para crear una base de datos para los paradigmas en movimiento (PM) y estático (PE), y dos para el sistema en línea. Las señales se procesaron y clasificaron con los modelos Logistic Regression, Bayes Naive, Canonical Correlation Analysis (CCA) y Support Vector Machine (SVM), buscando el modelo más preciso. Los resultados indicaron que el PM supero al PE en un 3.82 % con CCA para una ventana de 4 segundos y en un 6.86 % para una ventana de 3 segundos en el entrenamiento Subject Dependent. La encuesta mostro una reducción en la fatiga ocular y un aumento en la concentración al utilizar estímulos PM, corroborado por el test estadístico Kruskal-Wallis.

The development of Brain-Computer Interfaces based on Steady State Visual Evoked Evoked Potentials (SSVEP-BCI) has seen significant advances in terms of classification accuracy. However, challenges remain, such as visual adaptation, which affects the performance of these systems. Although some research suggests the use of moving visual stimuli to improve accuracy, their performance is often inferior to that of static stimuli. In this Thesis, moving visual stimuli are proposed for a SSVEP-BCI system and compared with static stimuli. Twelve subjects were surveyed: ten to create a database for the moving (PM) and static (PE) paradigms, and two for the online system. The signals were processed and classified with the Logistic Regression, Bayes Naive, Canonical Correlation Analysis (CCA) and Support Vector Machine (SVM) models, looking for the most accurate model. The results indicated that PM outperformed PE by 3.82 % with CCA for a 4-second window and by 6.86 % for a 3-second window in the Subject Dependent training. The survey showed a reduction in eye fatigue and an increase in concentration when using PM stimuli, corroborated by the Kruskal-Wallis statistical test.