Procesamiento de señales EEG basado en Python

Abstract

El presente trabajo se centra en el desarrollo de una arquitectura software en lenguaje Python capaz de preprocesar, extraer características y clasificar señales electro encefálicas (EEG) obtenidas a través de técnicas no invasivas. El código de dicha arquitectura se ha concebido de forma dinámica y podrá adaptarse según las necesidades de una posterior utilización. Por tanto, el uso de esta herramienta facilita la visualización de la totalidad del proceso y la elección de los mejores métodos de clasificación independientemente de los datos de entrada. Este resultado se logra mediante el desarrollo generalista de la solución que incluye procesos agnósticos, construyendo código desacoplado de las definiciones de los datos tratados en este trabajo y aplicando técnicas ampliamente usadas en la industria del desarrollo de software. A su vez, se implementan modelos de machine learning para la clasificación de los datos obtenidos. Junto con ellos, se desarrollan procesos que encuentran, de forma automática, los mejores parámetros de configuración de los modelos para cada grupo específico de datos a clasificar.

This project focuses on the development of a software architecture in Python coding language able to pre-process, mine features and classify signals EEG acquired through non-invasive techniques. The code of this software architecture has been conceived in a dynamic way to be adapted according to ulterior usage needs. As a consequence, when using this tool, a visualization of the whole process is provided as well as the best choice of the classification methods disregarding the input data. This result is achieved through a generalist development of the solution that includes agnostic procedures, creating loose coupling code from the definitions of the data processed in this project and applying techniques widespread used in the software development industry. Likewise, machine learning models are used to classify the acquired data. At the same time, processes are developed to find out automatically the best configuration parameters for each specific classified group.