Ponente
Descripción
Resumen:
Las interfaces cerebro-computadora (BCI) han avanzado notablemente, especialmente en aplicaciones de rehabilitación y asistencia para personas con discapacidades motoras. En este contexto, la clasificación de diferentes tipos de agarre mediante señales EEG durante tareas de imaginación motora es fundamental para el desarrollo de sistemas no invasivos que permitan controlar prótesis de mano de manera precisa y personalizada, mejorando así la calidad de vida de los usuarios. Este trabajo tiene como objetivo diseñar y evaluar un modelo de clasificación capaz de distinguir entre el estado de reposo y cuatro tipos de agarre de la mano derecha: esférico, cilíndrico, de gancho y de pinza. Para ello, se propone el uso de una red neuronal LSTM, un tipo de red neuronal recurrente adecuada para el análisis de datos secuenciales como las señales EEG. El estudio se llevó a cabo con señales EEG adquiridas de 15 participantes mediante una interfaz cerebro-computadora equipada con 14 electrodos. Para optimizar el rendimiento del modelo y minimizar el sobreajuste, el conjunto de datos se dividió en proporciones del 70% para entrenamiento, 15% para validación y 15% para prueba, asegurando una distribución equilibrada de las clases. Se utilizaron 12 características extraídas de las señales EEG, previamente filtradas mediante análisis de componentes independientes (ICA) y normalizadas antes de su introducción en la red. Los resultados obtenidos en la fase de validación alcanzaron una precisión del 89.72 %, demostrando la eficacia del modelo LSTM para identificar patrones complejos de actividad cerebral asociados a distintos tipos de agarre, lo que representa un avance hacia el control más natural y funcional de prótesis de mano mediante BCI.
Palabras clave: Señales cerebrales, BCI, EEG, Redes Neuronales LSTM, Análisis de Componentes Independientes (ICA), Patrones de agarre, Prótesis.
