Jordan Querales

Análisis y reconocimiento de patrones de actividad cerebral asociados a tareas mentales mediante RNA para un sistema (ICC).

       El diseño de un clasificador para el reconocimiento de las tareas mentales es una parte muy importante en el desarrollo de una interfaz cerebro computador (ICC), basada en el reconocimiento de patrones, debido al hecho de  que esta parte del sistema tiene que ser capaz de interpretar la tarea mental especifica que el sujeto está ejecutando en un determinado momento. Por este motivo, diversos enfoques se han utilizado al momento de buscar la mejor manera de clasificar, los patrones de actividad cerebral asociados a las tareas mentales. Este trabajo se describe el uso de dos tipos, de redes neuronales artificiales (perceptor multicapa y base radial) para efectuar esta clasificación.

      En la implementación de una interfaz cerebro computador (ICC) existe una etapa llamada clasificación, que consiste en la discriminación o identificación de patrones provenientes de la actividad cerebral, realizada por el individuo en un momento determinado. Para obtener una mínima tasa de error en la interpretación de las tareas mentales, la clasificación de patrones asociados a la realización de tareas mentales, ha sido estudiada por diversos grupos de investigación que han utilizado diferentes métodos, como por ejemplo: Clasificadores Lineales, Clasificador Logístico Bayesiano y clasificadores basados en redes neuronales. Las experiencias obtenidas por estos grupos de investigación indican la factibilidad de utilizar redes neuronales artificiales, para la clasificación de tareas mentales.

Ante esta situación, se implementó un prototipo de sistema de clasificación, para tres tareas mentales a través de sus respectivos patrones de actividad registrados en el electroencefalograma (EEG), utilizando el “toolbox” de redes neuronales del ambiente Matlab.

       La tasa de aciertos obtenidos en la clasificación, asciende en algunos casos a un 79.43%. Los resultados indican que al tratar de generalizar el clasificador para que trabaje con varios usuarios, se pierde la capacidad de generar una respuesta acertada, permitiendo concluir que al utilizar clasificadores adaptativos, entrenados y ajustados para cada usuario se logra obtener una tasa de clasificación acertada más elevada. Una de la redes neuronales más utilizadas hoy en día es la red Backpropagation, debido a que es una red que permite trabajar con sistemas no lineales y que además es una red de propagación adaptación, lo que significa que una vez mostrado un estímulo a la entrada de la red, ésta compara la salida obtenida con la deseada, calcula el error y lo propaga a las capas anteriores para que las neuronas se adapten.

        Se concluye que la información proveniente de la red Backpropagation  es suficiente para construir un clasificador de las tareas mentales, descritas en la base de datos experimental utilizada, y es más eficaz ya que presenta un índice de error menor a los otros clasificadores. Esta reducción ahorra tiempo de procesamiento y hardware en la construcción de un ICC, además aumenta la rapidez de respuesta de la red y su arquitectura disminuye. Es importante hacer un estudio previo del EEG de cada individuo, ya que esto permitirá ahorrar tiempo en el diseño de la red neuronal y dará más posibilidad de que su aprendizaje en el proceso de entrenamiento, converja para un error cercano al establecido.