%0 Journal Article %A Martínez León, Juan Antonio %T Sistemas de interfaz cerebro-ordenador basados en dispositivos EEG de bajo coste y modelos neurodifusos aplicados a la imaginación de movimiento %D 2018 %U http://hdl.handle.net/10317/7866 %X [SPA] La presente tesis doctoral detalla la evaluación de un dispositivo de electroencefalografía de bajo coste a partir de su inclusión en un sistema de interfaz cerebro-máquina completo (BCI del inglés Brain-Computer Interfaces) basado en técnicas neurodifusas. El paradigma elegido se centra en la imaginación de movimiento multiclase sin realimentación, donde la operación es completamente asíncrona. También se ha aportado un avance en el área de la selección de características, desarrollando e implementando una metodología capaz de minimizar las componentes del vector de características necesarias para operar sistemas BCI, facilitando así la integración de éstos en plataformas móviles. En primer lugar, se ha seleccionado el dispositivo Emotiv EPOC en torno a criterios de coste, número de sensores, acceso a la señal capturada, ergonomía y relevancia para la comunidad científica. Del mismo modo, se ha abordado el problema definido en el BCI Competition III dataset V dada la disponibilidad de las señales capturadas sobre el cuero cabelludo por un equipo profesional, la exhaustiva definición del experimento y la facilidad para reproducirlo. Adicionalmente, la existencia de estudios utilizando estos mismos datos ha ofrecido una guía sobre las mejores técnicas a aplicar. Entre éstas destaca el modelo neurodifuso S-dFasArt, que hasta ahora ha presentado los mejores resultados cumpliendo las restricciones del problema. Por tanto, se ha construido un sistema BCI propio utilizando Emotiv EPOC como dispositivo de obtención de la señal EEG y S-dFasArt como sistema de inteligencia artificial. La valoración se ha realizado desde el punto de vista de un sistema BCI completo por lo que, en lugar de examinar la forma de la señal detectada, se ha calculado el rendimiento del mismo para datos capturados con diferentes equipos. Para ello se han comparado los resultados alcanzados tanto a partir de la base de datos BCI Competition como de cuatro conjuntos propios en los que han colaborado 19 voluntarios, quienes han participado en uno o varios experimentos. Se han incluido tanto sesiones utilizando Emotiv EPOC para la obtención de datos, como pruebas donde se ha utilizado una versión híbrida del mismo, en la cual se mantiene la unidad de procesamiento pero varía la tecnología y la ubicación de los sensores. Así, se ha demostrado que el sistema BCI construido integrando Emotiv EPOC junto al clasificador S-dFasArt alcanza una precisión asimilable a la lograda sobre datos capturados por equipos de investigación manteniendo el problema y la posición de los sensores. Además, la ubicación de los mismos sobre la corteza motora ha hecho posible un incremento en torno al 7% en el nivel de acierto medio (desde el 62% al 66.53 %). Igualmente, se ha corroborado la influencia positiva de la realimentación, que ha permitido lograr precisiones de por encima del 70% con Emotiv EPOC. Finamente, se ha presentado una metodología de selección de características en la que el S-dFasArt se ha integrado con modelos basados en combinaciones entre el método estadístico y el criterio difuso con la selección por orden y GMDH. La metodología desarrollada ha seleccionado automáticamente las componentes más relevantes del vector de características, alcanzando el modelo reducido obtenido por las diferentes variantes mejores resultados que el completo para dos de cada tres sujetos. Igualmente, la disminución del tamaño del conjunto de datos es muy significativa, presentando un decremento medio desde 168 a 5 características para la mejor combinación. [ENG] This PhD thesis details the evaluation process of a low-cost electroencephalography device when included into a brain-computer interface system (BCI) based on neuro-fuzzy techniques. The chosen paradigm focuses on the multi-class motor imagery problem, with no feedback and asynchronous operation. Also, a contribution to the feature selection area is presented, developing and implementing a new methodology able to minimise the number of feature vector components required to operate BCI systems, thus facilitating their integration into mobile platforms. First, the Emotiv EPOC EEG device has been selected after performing an economic evaluation considering cost and aspects such as the number of sensors, the available capabilities to access the raw brain data, the ergonomics and the relevance for the scientist community. Likewise, the BCI Competition III Dataset V defined problem has been undertaken. This has been chosen based on the availability of the raw brain signals, the detailed description of the experiment and the ability to reproduce it. Also, the existence of a number of research papers has provided guidance about the best performing approaches tackling this problem. Among then, the S-dFasArt neuro-fuzzy model has shown the best performance following the experiment rules so far. Therefore, a new BCI system has been built using Emotiv EPOC as a data capture device and S-dFasArt as an artificial intelligence unit. This assessment has been performed from the perspective of a complete BCI system so, instead of examining the shape of the detected brainwave, the performance of the setup using different data gathering devices has been analysed. Given that, a comparison of the results obtained has been performed processing data from several databases, including the BCI Competition and other four purposely-built datasets containing brain signals recorded from 19 volunteers participating in one or more experiments. Datasets include scalp potentials recorded using Emotiv EPOC as well as sessions recorded by a hybrid version of it, which maintains the processing unit while integrating a different sensor technology and allowing the setup at different electrode locations. Thus, the BCI system built integrating Emotiv EPOC and the S-dFasArt classiffier has shown an accuracy level comparable to that achieved using research EEG devices for the same problem and sensor locations. Besides, placing the electrodes over the motor cortex has allowed a 7% increase of the average success rate (from 62% to 66.53 %). Additionally, the importance of providing users with live feedback of their performance has been corroborated, obtaining accuracy levels above 70% using Emotiv EPOC. Finally, a new methodology where S- S-dFasArt is integrated with a combination of eit-her the statistic method or the fuzzy criteria and the order selection or GMDH has been introduced. The developed methodology has automatically selected the most relevant components from the feature vector, allowing the reduced model calculated from the different variations to achieve better than original accuracy levels for two out of three subjects. Moreover, a very significant average reduction from 168 to 5 features has been achieved for the highest performing combination. %K Ingeniería de Sistemas y Automática %K Electroencefalografía %K Inteligencia artificial %K Brain Computer Interfaces (BCI) %K Electroencephalography %K 3311.02 Ingeniería de Control %~ GOEDOC, SUB GOETTINGEN