Non-Invasive Brain-Machine Interfaces for Mental Tasks Classification and Upper-Limb Movement Decoding

Abstract

Una Interfaz Cerebro-M aquina (del ingl es, Brain-Machine Interface, BMI) es un dispositivo que permite registrar, procesar y clasi car las se~nales cerebrales de un sujeto para generar comandos de control. En otras palabras, una BMI permite a una persona prescindir de los caminos neuromusculares convencionales para interacturar con el entorno. Las BMI pueden ser invasivas o no invasivas. Las BMI no invasivas se basan en el an alisis y la clasi caci on de patrones mentales sin la necesidad de realizar ning un tipo de implante quir urgico. Un ejemplo de esta tecnolog a es el an alisis de se~nales electroencefalogr a cas (EEG) medidas sobre el cuero cabelludo. Estos sistemas han experimentado un gran avance en su uso sobre humanos debido a su facilidad de preparaci on y sus ventajas eticas y de seguridad frente a las alternativas invasivas. La tecnolog a BMI tiene un futuro prometedor en la rehabilitaci on de las capacidades motoras, la restauraci on del control motor en pacientes con discapacidades severas o en la asistencia de personas con una p erdida total de movilidad. En esta tesis se han desarrollado varios tipos de BMI no invasivas con las que se pretende alcanzar una mejor comprensi on de la comunicaci on cerebro-m aquina y que sirven como base de futuras herramientas de rehabilitaci on y asistencia para personas con discapacidad motora. En un primer estudio, el concepto de mapeado EEG se ha aplicado a una BMI espont anea en tiempo real basada la imaginaci on motora para obtener clasi cadores precisos de dos tareas mentales. El clasi cador se basa en una correlaci on de im agenes entre mapas EEG. Los par ametros del clasi cador se han optimizado para obtener una clasi caci on robusta y able. Este clasi cador se ha probado en la clasificaci on en tiempo real de tareas mentales y posteriormente se ha empleado con exito para controlar un robot planar asistivo para alcanzar objetivos en un entorno bidimensional. Para ello, se han dise~nado varias estrategias de control del robot y se han probado en tiempo real para maximizar la abilidad del sistema BMI. En un segundo estudio, se ha analizado la decodi caci on del movimiento del miembro superior de la persona aplicando t ecnicas de regresi on lineal a las componentes EEG de baja frecuencia. Se han llevado a cabo distintos procedimientos experimentales para mostrar las posibilidades reales de usar m etodos de regresi on lineal para decodi car la cinem atica del miembro superior a partir de se~nales EEG. Se ha estudiado la actividad neural asociada al movimiento real e imaginado del miembro superior para mostrar correlaciones signi cativas entre la cinem atica real y decodi cada. Adicionalmente, la decodi caci on continua de la cinem atica del miembro superior se ha simpli cado a una alternativa discreta para clasi car diferentes objetivos alcanzados mostrando ventajas prometedoras en relaci on a la precisi on y abilidad del proceso. Tambi en se ha estudiado la in uencia del movimiento del brazo realizado en relaci on a su velocidad, trayectoria y variabilidad. Finalmente, el m etodo de decodi caci on se ha aplicado en tiempo real para detectar movimientos horizontales de la mano. Esta tesis proporciona metodolog as que se pueden emplear en multitud de aplicaciones asistivas o de rehabilitaci on de personas con discapacidad motora. Esta tesis ha permitido adem as avanzar en la comprensi on de las correlaciones neuro-motoras y proporciona nuevos onocimientos para investigaciones futuras.