Publicación:
Asistencia de investigación: Diseño de un sistema de adquisición de señales encefalográficas a partir de AFE

dc.contributor.advisorGallo Sánchez, Luisa Fernandaes-CO
dc.contributor.authorAnaya Torres, Winston Slames_CO
dc.contributor.authorSerrano Cubides, Andrés Felipees_CO
dc.creator.degreeIngeniero Electrónicoes-CO
dc.date.accessioned2019-06-11T14:53:55Z
dc.date.available2019-06-11T14:53:55Z
dc.date.issued2019
dc.descriptionNuestro cerebro produce impulsos eléctricos que viajan a través de las neuronas, estos impulsos son llamados ondas cerebrales, dependiendo del estado mental del sujeto en cuestión, estas ondas se dividen en 4 tipos: delta, theta, alfa y beta. Este proyecto busca determinar el nivel de concentración de las personas a partir de un Analog Front End (AFE). Para realizar este estudio, la recopilación de la base de datos de Electroencefalografía (EEG) se llevó a cabo por medio de la tarjeta de adquisición ADS1299EEG-FE de Texas Instruments con su software respectivo. Posteriormente en el software MATLAB se implementaron cuatro métodos de clasificación entre los que se encuentran el método 1, que usa un análisis de densidad espectral de potencia (PSD) y clasifica mediante una red neuronal y un umbral de relación entre potencias de bandas alfa y beta, el método 2, que realiza la transformada de Hilbert Huang (HHT) y clasifica mediante una red neuronal, el método 3, que hace la clasificación por medio de patrones comunes espaciales (CSP) y el método 4, que utiliza la Transformada Discreta de Wavelet (DWT), estos métodos permiten determinar el estado mental de los pacientes (concentrado o no concentrado), con precisión de acierto de: FFT 85%, HHT 74%, CSP 87%, DWT 70%, para base de datos adquirida con la AFE. Finalmente se selecciona el método que logró mejores resultados para la finalidad de proyecto.es_CO
dc.description.abstractOur brain produces electrical impulses that travel through neurons, these impulses are called brain waves, depending on the mental state of the subject in question, these waves are divided into 4 types: delta, theta, alpha and beta. This project seeks to determine the level of concentration of people from an Analog Front End (AFE). To carry out this study, the compilation of the Electroencephalography (EEG) database was carried out using the Texas Instruments ADS1299EEG-FE acquisition card with its respective software. Subsequently, four classification methods were implemented in the MATLAB software, four methods were implemented, including method 1, which uses Power Spectral Density Analysis (PSD) that classifies using a neural network and a relationship between powers of alpha and beta bands, method 2, Hilbert Huang's Method (HHT) that classifies with a neural network, method 3, Common Spatial Pattern Classification (CSP), and method 4, Discrete Wavelet Transformed (DWT). These methods allow the mental state of patients to be determined (concentrated or not concentrated) with accuracy of success: FFT 85%, HHT 74%, CSP 87%, DWT 70%, for database acquired with AFE. Finally, the method that gave the best results is selected for the purpose of the project.Eng_USA
dc.formatApplication/pdf
dc.identifier.citationAnaya Torres, W.S. & Serrano Cubides, A.F. (2018). Asistencia de investigación: Diseño de un sistema de adquisición de señales encefalográficas a partir de AFE. [Tesis de pregrado, Universidad de Ibagué]. http://repositorio.unibague.edu.co:80/jspui/handle/20.500.12313/1151es_CO
dc.identifier.urihttps://hdl.handle.net/20.500.12313/1151
dc.language.isoeses_CO
dc.publisherUniversidad de Ibaguées_CO
dc.publisher.departmentFacultad de Ingenieríaes-CO
dc.rightsCreative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License
dc.rights.licenseManifiesto(amos) que el documento objeto de esta autorización es de mi(nuestra) exclusiva autoría, tengo(emos) la titularidad plena sobre él y el mismo fue elaborado sin quebrantar ni suplantar los derechos de autor de terceros. En caso de queja o acción por parte de un tercero referente a los derechos de autor sobre el mismo, asumiré(mos) la responsabilidad total, y saldré(mos) en defensa de los derechos aquí autorizados a la Universidad de Ibagué; por tanto, para todos los efectos, la Universidad de Ibagué actúa como un tercero de buena fe. Esta autorización no implica renunciar al derecho que tengo(emos) de publicar total o parcialmente el documento. Toda persona que consulte el documento, ya sea en la biblioteca o el medio electrónico en donde sea reproducido, podrá copiar apartes del texto, siempre y cuando cite la fuente, es decir el título del documento y a mí(nosotros) como su(s) autor(es).es-CO
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectElectroencefalografíaes_CO
dc.subjectOndas cerebraleses_CO
dc.subjectRed neuronales_CO
dc.subjectEstado mentales_CO
dc.subjectProcesamientoes_CO
dc.subjectConcentraciónes_CO
dc.subject.keywordElectroencephalographyEng_USA
dc.subject.keywordBrain wavesEng_USA
dc.subject.keywordNeural networkEng_USA
dc.subject.keywordMental stateEng_USA
dc.subject.keywordProcessingEng_USA
dc.subject.keywordConcentrationEng_USA
dc.titleAsistencia de investigación: Diseño de un sistema de adquisición de señales encefalográficas a partir de AFEes_CO
dc.typeBachelor ThesisEng_USA
dc.typeTesis de pregradoes-CO
dcterms.bibliographicCitationE. Niedermeyer y F. L. Da Silva, Electroencephalography: basic principles, clinical applications, and related fields, Sixth edition ed., Philadelphia USA: Wolters Kluvert, 2001.
dcterms.bibliographicCitationD. R. Edla, K. Mangalorekar, G. Dhavalikar y S. Dodia, «Classification of EEG data for human mental state analysis using Random Forest Classifier,» de Procedia Computer Science, India, 2018.
dcterms.bibliographicCitationR. Aler Mur, A. Vega, I. M. Galván León y N. Antonio J, «Multi-objective metaheuristics for preprocessing EEG data in brain–computer interfaces,» pp. 373-390, 2012.
dcterms.bibliographicCitationG. Schalk y E. C. Leuthardt, «Brain-Computer Interfaces Using Electrocorticographic Signals,» 2011.
dcterms.bibliographicCitationJ. Yanbing, W. S. Oluwarotimi, L. Xueyu , W. Xin, P. Oluwagbenga Idowu, L. Peng, C. Fei, Z. Mingxing , G. Yanjuan, W. Fengxia, C. Shixiong y L. Guanglin, «Effective Biopotential Signal Acquisition: Comparison of Different Shielded Drive Technologies,» Applied Sciences., vol. 8, 2018.
dcterms.bibliographicCitationC. A. Aldana Ramirez y E. Buitrago Bolivar, «Actualidad en la investigación de electroencefalograma - resonancia magnética funcional simultáneos en el estudio de epilepsia y dolor,» Revista Cubana de Investigaciones Biomédicas, 2013.
dcterms.bibliographicCitationH. Zhang, C. Guan, A. S. Hamadi Charef, C. Wang y K. S. Phu, «Method And System For Concentration Detection». Estados Unidos Patente US8862581B2, 14 Octubre 2014.
dcterms.bibliographicCitationJ. D. Cowan y A. J. Prell, «Method for determining an individual's intensity of focused atention and integrating same into computer program». Estados Unidos Patente US5983129A, 9 Novimbre 1999.
dcterms.bibliographicCitationV. J. Monastra y J. F. Lubar, «Quantitative Electroencephalographic (QEEG) process and apparatus for assessing attention deficit hyperactivity disorder». Estados Unidos Patente US6097980A, 1 Agosto 2000.
dcterms.bibliographicCitationZ. Xiong, S. Shi y H. Xu, «Controlled study of the effectiveness of EEG biofeedback training on children with attention deficit hyperactivity disorder,» Journal of Huazhong University of Science and Technology, 2005.
dcterms.bibliographicCitationY. Zhang, Z. Li, J. Xu y T. Zhu, «The influence of relaxation training on EEG and mood».
dcterms.bibliographicCitationHuiche Science Company, «Kether,» [En línea]. Available: https://kether.cn/index.html. [Último acceso: 7 Diciembre 2018].
dcterms.bibliographicCitationM. Doppelmayr, W. Klimesh y P. Sauseng, «Intelligence related differences in EEG-bandpower,» Neuroscience letters, pp. 309-13., 2005.
dcterms.bibliographicCitationH. Armin, W. Mumtaz, A. Subhani, M. Saad y A. Malik, «Classification of EEG Signals Based on Pattern Recognition Approach,» Frontiers in Computational Neuroscience, 2017.
dcterms.bibliographicCitationP. Bashivan, I. Rish y S. Heisig, «Mental State Recognition via Wearable EEG,» Memphis, TN, USA, 2016.
dcterms.bibliographicCitationF. A. Abdul Aziz, N. A. Setiwan, M. I. Shapiai y Y. Mitsukura, «Classification of Human Concentration in EEG Signals using Hilbert Huang Transform,» de International Journal of Simulation: Systems, Science and Technology., Malasia, 2017.
dcterms.bibliographicCitationL. Boquete Vázquez y R. Barea Navarro, «Actividades en ingeniería biomédica en el departamento de Electrónica de la Universidad de Alcalá,» 2003.
dcterms.bibliographicCitationT. Talamillo García, «Manual básico para enfermeros en electroencefalografía,» Enfermería Docente, pp. 94: 29-33, 2011.
dcterms.bibliographicCitationE. A. Sciotto, «Ondas cerebrales, conciencia y cognición,» Researchgate, 2018.
dcterms.bibliographicCitationR. A. Alagia Gimeno, Procesamiento de artefactos en EEG para aplicaciones, Valencia, España, 2018.
dcterms.bibliographicCitationJ. G. Proakis y D. K. Manokalis, Digital Signal Processing, Third Edition ed., Prentice Hall , 2009.
dcterms.bibliographicCitationN. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N.-C. Yen, C. C. Tung y h. H. Liu, «The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,» Royal Societyy, vol. 454, nº 1971, 8 Marzo 1998.
dcterms.bibliographicCitationF. A. Marengo Rodriguez, «Transformada de Hilbert-Huang y sus aplicaciones en ingeniería y ciencias,» Rosario, Argentina, 2013.
dcterms.bibliographicCitationD. J. Matich, «Redes Neuronales: Conceptos Básicos y Aplicaciones,» 2001.
dcterms.bibliographicCitationF. J. Olías Sánchez, Estudio del método Common Spatial Patterns y sus variantes en interfaces cerebro ordenador, Sevilla, España: Universidad de Sevilla, 2016.
dcterms.bibliographicCitationI. Xygonakis, A. Athanasiou, N. Pandria , D. Kugiumtzis y P. D. Bamidis, «Decoding Motor Imagery through Common Spatial Pattern Filters at the EEG Source Space,» Computational Intelligence and Neuroscience, vol. 2018, nº 7957408, p. 10, 2018.
dcterms.bibliographicCitationA. Ortega Tello y E. Hernandez Hernandez, «Transformada Wavelet Curso,» 2006, pp. 50-62.
dcterms.bibliographicCitationS. Patel, «SVM (Support Vector Machine) — Theory,» 3 Mayo 2017. [En línea]. Available: https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72. [Último acceso: 13 Febrero 2019].
dcterms.bibliographicCitationTexas Instruments, ADS1299-x Low-Noise, 4-, 6-, 8-Channel, 24-Bit, Analog-to-Digital Converter for EEG and Biopotential Measurements, National Instrument, 2017.
dcterms.bibliographicCitationA. Subasi, «Automatic recognition of alertness level from EEG by using neural network and wavelet coefficients,» de Expert Systems with Applications, Kahramanmars, Turquía, ELSEVIER, 2005, pp. 603-840.
dcterms.bibliographicCitationD. Verma, D. Bhatia y M. Duhan, «Neural Network Training to Recognize Mental State,» Department of Electronics and Communication Engineering, Deenbandhu Chhotu Ram University of Science , 2012.
dcterms.bibliographicCitationTexas Instruments, EEG Front-End Performance Demonstration Kit, 2016.
dcterms.bibliographicCitationA. Franco García, «Transformada rápida de Fourier (I),» 2016. [En línea]. Available: http://www.sc.ehu.es/sbweb/fisica3/datos/fourier/fourier_1.html. [Último acceso: 27 Enero 2019].
dcterms.bibliographicCitationI. M. Galván y J. M. Valls, «REDES DE NEURONAS ARTIFICIALES,» Madrid, España, 2017.
dcterms.bibliographicCitationM. Duarte Ortigueira , «Hilbert-Huang Transform,» MathWorks, 31 Marzo 2016. [En línea]. Available: https://www.mathworks.com/matlabcentral/fileexchange/19681-hilbert-huang-transform. [Último acceso: 4 Febrero 2019].
dcterms.bibliographicCitationJ. Ethridge y W. Weaver, «Common Spatial Patterns,» MathWorks, 7 Febrero 2009. [En línea]. Available: https://la.mathworks.com/matlabcentral/fileexchange/22915-common-spatial-patterns. [Último acceso: 2 Febrero 2019].
dcterms.bibliographicCitationL. Vézard, P. Legrand, M. Chavent, F. Faïta-Aïnseba y L. Trujillo , «EEG classification for the detection of mental states,» de Applied Soft Computing, Tijuana, Baja California, México, ELSEVIER, 2015, pp. 113-131.
dcterms.bibliographicCitationI. Zyma, S. Tukaev, I. Seleznov, K. Kiyono , A. Popov, M. Chernykh y O. Shpenkov, «EEG Durin Mental Arithmetic Tasks,» PhysioNet, 2018 Diciembre 18. [En línea]. Available: https://physionet.org/physiobank/database/eegmat/. [Último acceso: 26 Febrero 2019].
dcterms.bibliographicCitationJ. Perez Porto y A. Gardey, «Definicion.de,» 2013. [En línea]. Available: https://definicion.de/positron/. [Último acceso: 15 Marzo 2019].
dcterms.bibliographicCitationBionic Iberica S.A., «Bionic,» [En línea]. Available: http://www.bionic.es/product/espectroscopia-funcional-del-infrarrojo-cercano-fnirs/. [Último acceso: 15 Marzo 2019].
dspace.entity.typePublication
Archivos
Bloque original
Mostrando1 - 3 de 3
Cargando...
Miniatura
Nombre:
Trabajo de grado.pdf
Tamaño:
3.14 MB
Formato:
Adobe Portable Document Format
Descripción:
Cargando...
Miniatura
Nombre:
ANEXOS.zip
Tamaño:
20.74 MB
Formato:
Unknown data format
Descripción:
Cargando...
Miniatura
Nombre:
Autorizacion de publicacion.pdf
Tamaño:
453.82 KB
Formato:
Adobe Portable Document Format
Descripción:
Bloque de licencias
Mostrando1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
134 B
Formato:
Item-specific license agreed upon to submission
Descripción: