Detección de la intención de cambios de dirección durante la marcha a partir de señales EEG

Abstract

Hoy en día, los exoesqueletos y las interfaces cerebro máquina (BMI) se están convirtiendo en un instrumento muy importante en el proceso de rehabilitación de pacientes con problemas locomotores. Esto es gracias a su gran habilidad para recuperar la conexión entre el cerebro y las extremidades por medio de la plasticidad neuronal. Este trabajo propone la detección de la intención de cambiar de dirección durante la marcha basada en potenciales de desincronización relacionados con eventos (ERD). Para ello, se caracteriza a las señales electroencefalográficas (EEG) adquiridas mediante la extracción de características frecuenciales y temporales. Además, se lleva a cabo un proceso de selección de aquellas características y electrodos que más influyen a la hora de diferenciar la intención de cambiar de dirección frente a caminar. Tras aplicar clasificadores a las características extraídas siguiendo diferentes métodos de selección y acondicionamiento del modelo, los mejores resultados se obtienen cuando se combinan características frecuenciales y temporales con porcentaje medio de acierto del 95% y 3,7 falsos positivos. Los resultados son muy prometedores para, en un futuro, aplicar este sistema en el control de exoesqueletos.

Nowadays, the exoskeletons and the Brain-Computer Interfaces (BCI) are becoming an important instrument for the rehabilitation process of patients with locomotor problems, due to their ability to recover the connection between the brain and limbs by means of neural plasticity. This project proposes the detection of the intention to change the direction during gait based on event-related desynchronization (ERD). Frequency and temporal features of the electroencephalographic (EEG) signals are characterized. Then, a selection of the most influential features and electrodes to differentiate the direction change intention from the walking is carried out. After applying a classifier to the features extracted by means of different methods, best results are obtained when combining frequency and temporal features with an average accuracy of 95% and 3.7 false positives which are promising to be applied to the control of an exoskeleton.