Estudio de técnicas de Deep Learning para la diferenciación de tareas mentales

Abstract

Este trabajo aplica técnicas de Deep Learning con el objetivo de diferenciar tareas mentales relacionadas con la marcha humana, a partir de registros de señales EEG. Dentro del proceso de un sistema BCI, se enfoca en la etapa de clasificación de señales para reducirlas a comandos o tareas sencillas. Tras un estudio de dichos sistemas BCI a modo de introducción, se plantean los experimentos realizados. Se implementan dos arquitecturas neuronales convolucionales basadas en Python. A partir de ellas, se estudian los resultados de clasificación obtenidos con diferentes métodos de entrenamiento, variando parámetros y simulando la aplicación de los modelos. Los experimentos fueron realizados con dos conjuntos de datos: un dataset público y otro de nuestro propio laboratorio. Además, se analiza el efecto de la herramienta CUDA en las variables temporales. Finalmente, se ofrece una discusión y la configuración que mejor clasificó las clases de información nunca antes vista.

This work applies Deep Learning techniques in order to differentiate mental tasks related to human gait, from EEG signal records. Within the process of a BCI system, it focuses on the signal classification stage to reduce them to simple commands or tasks. After a study of these BCI systems as an introduction, the experiments carried out are explained. Two convolutional neural architectures based on Python are implemented. From them, the classification results obtained with different training methods are studied, varying parameters and simulating the application of the models. The experiments were carried out with two data sets: a public dataset and another from our own laboratory. In addition, the effect of the CUDA tool on temporal variables is analyzed. Finally, a discussion is offered and the configuration that best classified the classes of information never seen before.