Escudo de la República de Colombia
Sistema Nacional de Biliotecas - Repositorio Institucional Universidad Nacional de Colombia Biblioteca Digital - Repositorio Institucional UN Sistema Nacional de Bibliotecas UN

Feature Representation Frameworks to support Brain Activity Signals Analysis

Velásquez Martínez, Luisa Fernanda (2015) Feature Representation Frameworks to support Brain Activity Signals Analysis. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.

Texto completo

[img]
Vista previa
PDF - Versión Aceptada
Available under License Creative Commons Attribution Non-commercial No Derivatives.

9MB

Resumen

La electroencefalografía (EEG) ha sido un método ampliamente usado para medir y monitorear la actividad cerebral, pues bien, es un registro de la actividad eléctrica neuronal medida a través del cráneo, la cual, ha sido ampliamente utilizada en diferentes aplicaciones. Las interfaces cerebro-máquina (Brain-Computer Interface - BCI), son sistemas que utilizan la información inferida de la señal de EEG proporcionando un nuevo canal no muscular para enviar mensajes y comandos a dispositivos externos. Algunos sistemas BCI se basan en el paradigma de la neurociencia cognitiva denominado como imaginación motora (Motor Imagery - MI). Así, MI se basa en la detección de los patrones de actividad cerebral de la imaginación de una acción motriz, pero sin su implementación física, como por ejemplo, la imaginación de los movimientos de la mano. Sin embargo, el análisis de registros EEG requiere el desarrollo de una etapa de preprocesamiento apropiada, así como, una representación de características, una selección de características y unas metodologías de clasificación de patrones adecuadas para mejorar el rendimiento de los sistemas de reconocimiento. Además, debido a la naturaleza de las señales de EEG, durante su captura pueden ser registradas otras señales o artefactos que no corresponden a la actividad eléctrica del cerebro. Estas perturbaciones pueden dificultar la interpretación y análisis de la señal EEG, pues bien, los artefactos pueden imitar anormalidades cerebrales, sumados a la pobre resolución espacial de la señal. Estas dificultades requieren el diseño de métodos de preprocesamiento señales que mejores la condición de los registros EEG de dos maneras: 1) mejorar la resolución espacial y 2) mejorar la relación señal-ruido de los datos. Se desarrollan dos métodos de preprocesamiento de datos de EEG diferentes. La primera es una metodología orientada a resaltar las bandas de frecuencias interés y mejorar la resolución espacial de los datos de EEG para aplicaciones BCI y se basa en el método de Descomposición Empírica (Empirical Mode Decomposition - EMD), el filtro Butterworth como pre-filtro y el método de patrones espaciales comunes (Common Saptial Patterns - CSP) para mejorar la resolución espacial. La segunda metodología de preprocesamiento servirá para el problema de la aparición de artefactos oculares en los registros. Por medio de Análisis de Componentes Principales (Principal Component Analyis – PCA) y el Análisis de Componentes Independientes (Independent Component Analysis – ICA) se identifica la componente asociado al ruido ocular y posteriormente es cancelado, mejorando así, la relación señal-ruido de los datos. Por otra parte, para interpretar la información del cerebro a partir de la serie temporal de EEG, debido a su compleja estructura de aleatoriedad (no estacionariedad y no linealidad), se requieren unas etapas de representación, selección y/o extracción de características y clasificación, que deben ser construidas de manera adecuada para revelar los principales patrones de MI a partir de datos de EEG. Además, es necesario revelar la dinámica subyacente del proceso estudiado para relacionar correctamente la información contenida en los registros de EEG con ciertas clases, patrones o estímulos de la actividad cerebral. El método aborda el problema del hallazgo directo y automático de las características variables en el tiempo que influyen, en mayor proporción, en distinguir las tareas motoras (MI). Para ello, se introduce una etapa relevancia estocástica. Dado que el algoritmo propuesto codifica la dinámica de la actividad neural, los resultados experimentales son comparados con otros enfoques del estado de la técnica. Además, la relevancia calculada en los canales de EEG está de acuerdo con otros hallazgos clínicos reportados en la literatura. Consecuentemente, el análisis de las regiones coactivas durante una tarea de MI se convierte en un tema importante para revelar la actividad neuronal primaria proporcionada por las intenciones del movimiento. Por esta razón, es esencial desarrollar un marco basado el aprendizaje de máquina que se ocupe de encontrar las conexiones entre diferentes áreas del cerebro y permita revelar los patrones de la actividad neuronal y su relación con ciertos estímulos. Comparamos los resultados obtenidos basado en la similaridad de los canales usando kernel (Kernel-based pairwise Inter-Channel Similarity – K-ICS) contra la correlación de Pearson y la medida generalizada de asociación (Generalized Measure of Association – GMA). Los resultados basados en K-ICS y la correlación de Pearson son capaces de capturar las principales relaciones de actividad cerebral, de acuerdo con los hallazgos clínicos de la coactivación de tarea MI reportados en la literatura. Posteriormente, con el fin de revelar las dinámicas subyacentes del proceso estudiado para relacionar adecuadamente la información contenida en los registros de EEG con las determinadas clases, patrones o estímulos de actividad cerebral, los procesos de caracterización de las señales de EEG deben considerar las bandas o frecuencias de los fenómenos de interés y las restricciones estadísticas de los datos. Por otro lado, al identificar la conectividad de regiones cerebrales in un determinado estímulo, uno de los mayores impedimentos en este proceso radica en el hecho de que los sistemas neuronales son altamente distribuidos, dinámicos y complejos, por tanto, la gran cantidad de conexiones estructurales del cerebro dificulta la decodificación y la interpretación de sus procesos. Lo anterior implica que es imprescindible desarrollar un método basado en aprendizaje de máquina y procesado de señales EEG que contemple las conexiones entre las distintas zonas cerebrales y permita revelar apropiadamente los patrones de actividad neuronal y su relación con determinados estímulos, Abstract : The most commonly employed method for monitoring brain activity is the Electroencephalographic signal (EEG) due to it is a not invasive method. The EEG signal is a record of electric neural activity measured through of skull and it has been a widely used in different research applications. Based on EEG signal Brain-Computer Interfaces (BCI) are systems that use inferred information to provide new non-muscular channel for sending messages and commands to external devices. Some BCI systems are based on the cognitive neuroscience paradigm termed as Motor Imagery (MI). The MI relies on brain activity patterns of the imagination of a motor action, but without its physical implementation, e.g., the imagination of hand movements. Nevertheless, the EEG data analysis requires developing an appropriate preprocessing stage, as well as, feature representation, feature selection, and pattern classification methodologies to improve the performance of pattern recognition systems. During the capture of the EEG record can be registered other signals or artifacts that not correspond to brain electrical activity. These perturbations can difficult the interpretation and analysis of EEG signal due to the artifacts can mimic brain abnormalities, added to the EEG poor spatial resolution. These difficulties require designing signal preprocessing methods enhancing the condition of EEG records in two ways: 1) improve the spatial resolution and 2)improve the signal-to-noise ratio of data. Then, two different EEG data preprocessing frameworks are developed. The first one is a preprocessing methodology oriented to highlight the interesting frequency band and improve the spatial resolution of EEG data for BCI applications. The framework is based on Empirical Mode Decomposition (EMD) method and Butterworth filter as pre-filter and Common Spatial Patterns (CSP) is considered to improve spatial resolution. The second preprocessing framework is addressed to ocular artefact cancellation problem. By mean of Principal Component Analysis (PCA) and Independent Component Analysis (ICA) identify the component associated with the ocular noise and then remove it improving the signal-to-noise ratio of data. Moreover, to interpret the brain information from the time series of EEG because of its complex structure of randomness (non-stationarity and nonlinearity). Particularly, feature representation, feature selection and/or extraction, and classification methodologies have to be suitably constructed to reveal the main MI patterns from EEG data. Also, it is necessary to reveal the underlying dynamics of the process studied to relate properly the information contained in EEG records with certain classes, patterns or stimulus of brain activity. The method addresses the problem of a direct and automatic finding of the time-varying features influencing the most on distinguishing Motor Imagery tasks. Besides, the method introduces a stochastic relevance stage that is primarily used for properly handling the set of short-time features, which are extracted as to make prominent the nonstationary behavior of the EEG data. Since the proposed algorithm better encodes neural activity dynamics, experimental results carried out, which are also contrasted with other state-of-the-art approaches. In addition, the computed relevance on the EEG channels are in accordance with other clinical findings reported in the literature. Consequently, the analysis of coactive regions during an MI task becomes an important issue for revealing the primary neural activity provided by movement intentions. For this reason, it is essential to develop a framework based on machine learning that addresses the connections between different brain areas and allows to reveal suitable patterns of neural activity and its relation to certain stimuli that is showed. We compare the performance of kernel-based pairwise Inter-Channel Similarity (K-ICS) against Pearson’s correlation and the Generalized Measure of Association (GMA) methods. The results based on K-ICS and Pearson’s correlation are able to capture the main brain activity relationships in accordance with clinical findings of channel activation for MI task reported in the literature

Tipo de documento:Tesis/trabajos de grado - Thesis (Maestría)
Colaborador / Asesor:Castellanos Domínguez, César Germán and Alvarez Meza, Andrés Marino
Información adicional:Tesis presentada como requisito parcial para optar al título de: Magíster en Ingeniería - Automatización Industrial.
Palabras clave:Electroencefalografía (EEG), Interfaz hombre máquina, Imaginación motora, Características de tiempo corto, Análisis de relevancia de características, Análisis de conectividad, Actividad cerebral, Electroencephalography (EEG) signal, Brain-machine interface, Motor imagery, Short-time features, Feature relevance analysis, Connectivity analysis, Neural activity
Temática:0 Generalidades / Computer science, information & general works
6 Tecnología (ciencias aplicadas) / Technology
6 Tecnología (ciencias aplicadas) / Technology > 61 Ciencias médicas; Medicina / Medicine & health
Unidad administrativa:Sede Manizales > Facultad de Ingeniería y Arquitectura > Departamento de Ingeniería Eléctrica, Electrónica y Computación
Código ID:52706
Enviado por : LUISA FERNANDA VELASQUEZ MARTINEZ
Enviado el día :21 Junio 2016 21:15
Ultima modificación:21 Junio 2016 21:38
Ultima modificación:21 Junio 2016 21:38
Exportar:Clic aquí
Estadísticas:Clic aquí
Compartir:

Solamente administradores del repositorio: página de control del ítem

Vicerrectoría de Investigación: Número uno en investigación
Indexado por:
Indexado por Scholar Google WorldCat DRIVER Registry of Open Access Repositories OpenDOAR Metabiblioteca BDCOL OAIster Red de repositorios latinoamericanos DSpace BASE Open archives La referencia Colombiae Open Access Theses and Dissertations Tesis latinoamericanas CLACSO
Este sitio web se ve mejor en Firefox