Richard Santos - Tesis - Titulo Profesional - 2018

UNIVERSIDAD TECNOLÓGICA DEL PERÚ
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA ELECTRÓNICA
“ANÁLISIS DE SEÑALES DE
ELECTROENCEFALOGRAMA, PARA LA
CLASIFICACIÓN DE MOVIMIENTO DE MANO
DERECHA E IZQUIERDA, MEDIANTE LA CAPA DE
KOHONEN ART”
PARA OPTAR POR EL TÍTULO PROFESIONAL DE
INGENIERO ELECTRÓNICO
AUTOR: SANTOS PONCE, RICHARD EDUARDO
ASESOR: MELO, SAÚL LUIZ DE
LIMA - PERÚ
2018
DEDICATORIA
A mi familia, guiándome por el buen
sendero, por darme salud y paz,
colmarme de mucha sapiencia y
juicio.
i
AGRADECIMIENTO
Estas líneas son para expresar mi más profundo y sincera gratitud a mi asesor, que sin su
ayuda y conocimiento no hubiese sido posible realizar este proyecto.
No ha sido fácil el camino hasta ahora, pero gracias a sus aportes, a su amor, a su enorme
bondad y sustento, lo dificultoso de lograr esta meta se ha notado menos. Les reconozco
y hago presente mi gran afecto hacia ustedes, mi encantadora familia.
ii
RESUMEN
En el cerebro hay neuronas que se constituyen en distintas áreas, de tal manera que la
información absorbida por medio de los órganos sensoriales se representa en forma de
planos bidimensionales. Si bien en gran parte esta distribución neuronal está establecida
genéticamente, es realizable que parte de ella se lleve a cabo gracias al aprendizaje.
El movimiento o intento de movimiento, tanto como de la mano derecha como de la mano
izquierda, proporciona una variación de amplitud en las señales del cerebro y estas señales
se reflejan en los exámenes de señales EEG que es utilizado para ver cómo está actuando
el cerebro en diversas situaciones y momentos.
Por lo tanto, se propone una red para clasificar las señales EEG, utilizando modelos de
redes neuronales mediante Kohonen (ART), por su poder de generalización y relativa
facilidad de modelar casos complejos a comparación de otras redes.
Se posee una base de datos que contienen señales EEG, para luego separar los datos en
dos grupos una de mano derecha y otra de mano izquierda para luego dividir en grupo de
entrenamiento y prueba, posteriormente las señales pasan por el filtro pasa banda para
limitar el rango de frecuencia importante para la clasificación, eliminando así el rango de
frecuencia que no es necesario, posteriormente se pasa del dominio del tiempo al dominio
de la frecuencia usando la Transformada Discreta de Fourier. De esta manera las señales
ya están preparadas para el proceso de entrenamiento donde la red neuronal tiene la
capacidad de separar las señales pertenecientes a la mano derecha e izquierda, una vez
que la red neuronal ya paso por el algoritmo Kohonen Art se realiza el proceso de
clasificación con un grupo de pruebas y se compara los resultados obtenidos con los datos
reales.
La investigación con la ayuda de un software adecuado puede ser usada en interfaces
cerebro – computador para poder ayudar a personas con discapacidad física, como por
ejemplo la clasificación de mano derecha e izquierda una persona puede direccionar una
silla de ruedas solo con el pensamiento.
iii
ÍNDICE GENERAL
DEDICATORIA ................................................................................................................... i
AGRADECIMIENTO .......................................................................................................... ii
RESUMEN ........................................................................................................................ iii
ÍNDICE GENERAL ........................................................................................................... iv
ÍNDICE DE FIGURAS ...................................................................................................... vii
ÍNDICE DE TABLAS .......................................................................................................... x
INTRODUCCIÓN ............................................................................................................... 1
CAPÍTULO 1 ...................................................................................................................... 3
ASPECTOS GENERALES................................................................................................. 3
1.1 Definición del problema................................................................................................ 3
1.1.1 Descripción del problema ...................................................................................... 4
1.1.2 Formulación del problema ..................................................................................... 4
1.1.2.1 Problema principal .......................................................................................... 4
1.1.2.2 Problemas específicos .................................................................................... 4
1.2 Definición de los objetivos ............................................................................................ 4
1.2.1 Objetivo general .................................................................................................... 4
1.2.2 Objetivos específicos ............................................................................................. 5
1.2.3 Limitaciones y facilidades ...................................................................................... 5
1.2.3.1 Limitación teórica ............................................................................................ 5
1.2.3.2 Limitación temporal ......................................................................................... 5
1.2.3.3 Limitación espacial .......................................................................................... 6
1.2.3.4 Facilidades ...................................................................................................... 6
1.2.4 Justificación ........................................................................................................... 6
1.2.4.1 Justificación teórica científica .......................................................................... 6
1.2.4.2 Justificación metodológica............................................................................... 6
1.2.4.3 Justificación socioeconómica .......................................................................... 7
1.2.5 Antecedentes teóricos ........................................................................................... 7
CAPÍTULO 2 .................................................................................................................... 18
iv
MARCO TEÓRICO .......................................................................................................... 18
2.1 Fundamento teórico ................................................................................................... 18
2.1.1 Señales biomédicas.............................................................................................. 18
2.1.1.1 Señales bioeléctricas ..................................................................................... 22
2.1.2 Señales de electroencefalograma ......................................................................... 26
2.1.2.1 Ritmos ........................................................................................................... 29
2.1.2.2 Sistemas de posicionamiento 10-20 .............................................................. 30
2.1.2.3 Montaje de un electroencefalograma ............................................................ 33
2.1.3 Filtro digital ........................................................................................................... 35
2.1.3.1 Tipos de filtro ................................................................................................ 35
2.1.3.2 Filtros digitales FIR ....................................................................................... 39
2.1.3.3 Método de ventanas ...................................................................................... 40
2.1.4 Transformada Discreta de Fourier ........................................................................ 42
2.1.4.1 Transformada Discreta de Fourier (DFT)....................................................... 44
2.1.4.2 FFT (Fast Fourier Transform) ........................................................................ 46
2.1.5 Inteligencia artificial .............................................................................................. 47
2.1.5.1 Redes neuronales biológicas ........................................................................ 49
2.1.5.2 Definición de una red neuronal artificial ......................................................... 50
2.1.5.3 Elementos de una red neuronal artificial........................................................ 52
2.1.5.4 Entrenamiento de las redes neurales ............................................................ 53
2.1.5.5 La capa de Kohonen original y modificada .................................................... 53
2.1.5.6 Red ART y Red ART modificada ................................................................... 54
CAPÍTULO 3 .................................................................................................................... 59
DESARROLLO DE LA SOLUCIÓN.................................................................................. 59
3.1 Descarga de la base de datos.................................................................................... 60
3.2 Cargar los datos en el MATLAB R2015a ................................................................... 61
3.3 División de la base de datos ...................................................................................... 61
3.4 Pre procesamiento de datos ...................................................................................... 63
v
3.5 Entrenamiento y prueba ............................................................................................. 66
3.6 Indicadores de la investigación .................................................................................. 70
CAPÍTULO 4 .................................................................................................................... 71
RESULTADOS ................................................................................................................ 71
4.1 Resultados ................................................................................................................. 71
4.1.1 Resultados de la investigación sin el uso de filtro. ............................................. 72
4.1.2 Resultados de la investigación con el uso de filtros pasa banda de (8 – 12Hz) con
ventana “Hamming”. .......................................................................................... 73
ventana “Blackman”. ......................................................................................... 74
ventana “Rectangular”. ...................................................................................... 75
ventana “Triangular”. ......................................................................................... 76
4.1.6 Resultados comparativos entre las diferentes ventanas empleadas ................... 77
4.1.7 Resultados de la investigación con el uso de filtro pasa banda Delta (0.5 – 3.5Hz)
........................................................................................................................... 78
4.1.8 Resultados de la investigación con el uso de filtro pasa banda Theta (4 – 7.5Hz)
........................................................................................................................... 79
4.1.9 Resultados de la investigación con el uso de filtro pasa banda Alfa .................. 80
4.1.10 Resultados de la investigación con el uso de filtro pasa banda Beta ............... 81
4.1.11 Resultados comparativos entre las diferentes bandas empleadas.................... 82
4.1.12 Memoria empleada en entrenamiento y prueba ................................................ 84
4.1.13 Presupuesto ..................................................................................................... 84
4.1.14 Cronograma de la investigación ....................................................................... 85
CONCLUSIONES ............................................................................................................ 86
RECOMENDACIONES .................................................................................................... 87
BIBLIOGRAFÍA ................................................................................................................ 88
ANEXOS.......................................................................................................................... 91
vi
ÍNDICE DE FIGURAS
Figura 2.1: Tabla de las distintas señales biomédicas existentes. Fuente: Cosano (2016
p.10) ................................................................................................................................ 20
Figura 2.2: Circuito equivalente del potencial de reposo. Fuente: Cosano (2016 p.17) .... 24
Figura 2.3: Circuito equivalente del potencial de acción. Fuente: Cosano (2016 p.18)..... 25
Figura 2.4: Potencial de membrana. Fuente: Álvarez (2007 p.16) ................................... 26
Figura 2.5: A. Vista de perfil. B. Vista superior. Fp. Punto frontal polar. O. Punto occipital.
Fuente: Barea (2013 p.11) ............................................................................................... 32
Figura 2.6: A. Vista perfil. B. Vista superior. Posición de los 21 electrodos típicos. Fuente:
Barea (2013 p.15) ............................................................................................................ 32
Figura 2.7: Posición de los electrodos según sistema 10-20 extendido. Fuente: Gómez
(2016 p.7) ........................................................................................................................ 33
Figura 2.8: Esquema que representa el montaje para un registro monopolar. Fuente: Barea
(2013 p.17). Fuente: Barea (2013 p.17). .......................................................................... 34
Figura 2.9: Esquema de un montaje para un registro bipolar. El electrodo “a” está a un
potencial de +5, el electrodo “b” a un potencial de +2, registrándose así un potencial de
(+5) - (+2)= +3. Fuente; Barea (2013 p.19) ...................................................................... 34
Figura 2.10: Esquema de sistema, señal de entrada y respuesta o salida del sistema.
Fuente: Facultad de ciencias exactas, físicas y naturales (2015 p.3) ............................... 37
Figura 2.11: Interconexiones de sistemas. Fuente: Vargas (2015 p.3) ............................. 37
Figura 2.12: Representación en diagrama de bloques del filtro FIR, para un total de 12
coeficientes: Fuente: Vargas (2015 p.6)........................................................................... 40
Figura 2.13: Filtro real por medio de ventana. Fuente: Elaboración propia. ..................... 40
Figura 2.14: Elementos neurales. Fuente: Ponce (2010 p.194) ....................................... 49
Figura 2.15: Esquemas básicos de una RNA. Fuente: Ponce (2010 p.202) ..................... 52
Figura 2.16: Capa de Kohonen. Fuente: Melo (2000 p.5) ................................................ 54
Figura 2.17: Red ART modificada. Fuente Melo (2000 p.7) ............................................. 56
Figura 2.18: Red ART compuesta de sub redes. Fuente Melo (2000 p.8) ........................ 57
vii
Figura 3.1: Diagrama de flujo de la tesis. Fuente: Elaboración propia ............................. 59
Figura 3.2: Esquema de sincronización. Fuente: Universidad de Graz (2003 p.1) ........... 60
Figura 3.3: Diagrama de flujo para cargar los datos en el MATLAB. Fuente: Elaboración
propia ............................................................................................................................. 61
Figura 3.4: División de la base de datos (GUIDE) en el programa MATLAB. Fuente:

Elaboración propia .......................................................................................................... 62
Figura 3.5: Pre procesamiento de los datos. (GUIDE) en el programa MATLAB. Fuente:
Figura 3.6: Entrenamiento y prueba. (GUIDE) en el programa MATLAB. Fuente:

Figura 3.7: Primera neurona de la red. Fuente: Elaboración propia ................................ 67
Figura 3.8: Ubicación de la neurona. Fuente: Elaboración propia ................................... 68
Figura 3.9: Entrenamiento de la neurona. Fuente: Elaboración propia ............................ 68
Figura 3.10: Creación de la neurona. Fuente: Elaboración propia .................................. 69
Figura 4.1: Diseño total de la investigación. (GUIDE) en el programa MATLAB. Fuente:

Figura 4.2: Resultado de la investigación. (GUIDE) en el programa MATLAB. Fuente:

Figura 4.3: Filtro pasa banda de 8 a 12Hz con ventana Hamming. Fuente: Elaboración
propia. ............................................................................................................................. 73
Figura 4.4: Filtro pasa banda de 8 a 12Hz con ventana Blackman. Fuente: Elaboración
propia. ............................................................................................................................. 74
Figura 4.5: Filtro pasa banda de 8 a 12Hz con ventana Rectangular. Fuente: Elaboración
propia. ............................................................................................................................. 75
Figura 4.6: Filtro pasa banda de 8 a 12Hz con ventana Triangular. Fuente: Elaboración
propia .............................................................................................................................. 76
Figura 4.7: Comparación de resultados entre diferentes tipos de ventana, para la mano
derecha. Fuente: Elaboración propia. .............................................................................. 77
Figura 4.8: Comparación de resultados entre diferentes tipos de ventana, para la mano
izquierda. Fuente: Elaboración propia. ............................................................................. 77
Figura 4.9: Filtro pasa banda Delta (0.5 a 3.5Hz). Fuente: Elaboración propia. ............... 78
viii
Figura 4.10: Filtro pasa banda Theta (4 a 7.5Hz). Fuente: Elaboración propia................. 79
Figura 4.11: Filtro pasa banda Alfa (8 – 13.5Hz). Fuente: Elaboración propia.................. 80
Figura 4.12: Filtro pasa banda Beta (14 – 30Hz). Fuente: Elaboración propia. ................ 81
Figura 4.13: Comparación de resultados entre diferentes tipos de bandas, para la mano
derecha. Fuente: Elaboración propia. .............................................................................. 82
Figura 4.14: Comparación de resultados entre diferentes tipos de bandas, para la mano
izquierda. Fuente: Elaboración propia. ............................................................................. 82
Figura 4.15: Memoria empleada en el entrenamiento y prueba. Fuente: Elaboración propia.

........................................................................................................................................ 84
Figura 4.16: Cronograma de la implementación. Fuente: Elaboración propia. ................. 85
Figura 4.17: Cronograma de conceptos. Fuente: Elaboración propia............................... 85
ix
ÍNDICE DE TABLAS
Tabla 2.1: Principales características de las señales bioeléctricas. Fuente: Cosano (2016
p.20) ................................................................................................................................ 22
Tabla 2.2: Método de adquisición de señales cerebrales. Fuente: Acuña (2017 p.19) ..... 28
Tabla 2.3: Bandas de frecuencia de los ritmos cerebrales. Fuente: Gómez (2016 p.8) .... 29
Tabla 2.4: Identificación de electrodos según su posición. Gómez (2016 p.13) ............... 31
Tabla 2.5: Ventanas más utilizadas en las operaciones de ventaneo. Fuente: Luis de Melo
(2016 p.10) .................................................................................................................41-64
Tabla 4.1: Resultados de la investigación efectuando diversos valores de entrenamiento y

prueba con frecuencia de 0.5 a 30Hz. Fuente: Elaboración propia) ................................. 73

prueba con frecuencia de 8 a 12Hz – ventana Hamming. Fuente: Elaboración propia) ... 73

prueba con frecuencia de 8 a 12Hz – ventana Blackman. Fuente: Elaboración propia) ... 74

prueba con frecuencia de 8 a 12Hz – ventana Rectangular. Fuente: Elaboración propia)75

prueba con frecuencia de 8 a 12Hz – ventana Rectangular. Fuente: Elaboración propia)76
Tabla 4.6: Resultados de la investigación efectuando diversos datos de entrenamiento y

prueba con filtro pasa banda Delta (0.5 - 3.5Hz). Fuente: Elaboración propia.................. 78

prueba con filtro pasa banda Theta (4 – 7.5Hz). Fuente: Elaboración propia. .................. 79

prueba con filtro pasa banda Alfa (8 – 13.5Hz). Fuente: Elaboración propia. ................... 80

prueba con filtro pasa banda Beta (14 – 30Hz). Fuente: Elaboración propia. ................... 81
Tabla 4.10: Presupuesto de la investigación. Fuente: Elaboración propia........................ 84
x
INTRODUCCIÓN
Desde que se dio inicio a las pesquisas sobre las interfaces cerebro computador, por sus
siglas en inglés (BCI), a partir de los años setenta se desarrolló aplicaciones innovadoras
que buscan regenerar los deterioros del oído, la vista y la actividad del cuerpo. Los
incipientes mecanismos instaurados en las personas se desarrollan a mitad de los años
noventa.
Una BCI es capaz de traducir las señales electroencefalogramas (EEG) en comandos para
un computador. La motivación principal es aportar con las investigaciones que se vienen
dando para la asistencia de personas con discapacidades físicas, enfermedades que
afectan de manera severa el funcionamiento del sistema muscular, etc.
El cerebro puede poseer la capacidad de formar mapas bidimensionales con la información
de los órganos sensoriales. A partir de esta idea Teuvo Kohonen exhibió a inicios de los
ochenta, un procedimiento con una conducta parecida. Se trataba de un modelo de red
neuronal con la facultad para formar mapas de atributos de manera similar a como ocurre
en el cerebro. El propósito de Kohonen era definir que un estímulo externo (información de
admisión), admitiendo una distribución correcta y una representación simple del
comportamiento de la red, era capaz para la formación de los mapas.
Una vez incluido la instrucción, la red está habilitada para desempeñar y no se permite
ningún cambio adicional de los pesos. Esta táctica es viable si el problema que se procura
1
disipar por la red está bien condicionada y puede tener un correcto conjunto de información
de entrada que permita entrenar a la red para solucionar la molestia. No obstante, en
muchas circunstancias existentes los problemas a solucionar no tienen unos límites claros.
Como refutación a esta contrariedad, Grossberg, Carpenter y otros participantes
desarrollaron la denominada teoría de Resonancia Adaptativa (ART). Esta teoría se emplea
a procedimientos competitivos en los cuales se presenta una cierta investigación de
ingreso, solo una de las neuronas de egreso de la red se activa y consigue su valor de
respuesta máxima luego de disputar con las otras. Esta neurona adopta el calificativo de
vencedora. Las informaciones similares son clasificadas y, por lo tanto, deben activar la
misma neurona de salida (la neurona vencedora). Las variedades de clases deben ser
instauradas por la propia red puesto que se trata de un aprendizaje no supervisado, a través
de los datos de entrada.
La investigación comprende la realización del trabajo en los laboratorios de la Universidad
Tecnológica del Perú, domicilio del investigador y domicilio del asesor.
La investigación cuenta con las facilidades como: El apoyo del asesor designado por la
Universidad Tecnológica del Perú para el desarrollo de esta tesis, así también como el uso
del software Matlab usado frecuentemente en el área de ingeniería y el uso de la base de
datos de la Universidad de Graz (Austria), para el desarrollo de la investigación.
Al comparar los resultados con otras investigaciones que usaron la misma base de datos
como: “Implementación de métodos de procesamiento de señales EEG para aplicación de
comunicación y control”, “Clasificación de señales cerebrales durante la ejecución de
actividad motora imaginaria”, “Clasificación mediante mapas auto organizados de señales
EEG orientado al control de interface cerebro máquina” y el algoritmo propuesto por la
presente investigación tiene resultados de clasificación de 88.69%, 86.43%, 90% y 98%
respectivamente por lo tanto es un buen aporte que se viene dando a los temas referentes
a las redes neuronales artificiales.
2
CAPÍTULO 1
ASPECTOS GENERALES
1.1 Definición del problema.
Un factor importante se debe a que muchos algoritmos se enfocan en analizar y procesar
información de múltiples canales del EEG. Es por ello de la interrogante acerca de cómo
explorar eficientemente la naturaleza del EEG.
En individuos despiertos, la superficie de corteza motora demuestra una asignación de
EEG en la frecuencia de 8-12 Hz, que se denomina simetría alpha, Estas se encuentran
vigente en el punto en que no se formalizan los procesos de accesos sensoriales ni se
producen salidas motoras. Igualmente tenemos la simetría beta de 16-26 Hz que tiene una
gran parte de armónicos del ritmo alpha.
Las redes neuronales son modelos matemáticos capaces de adoptar su comportamiento
en respuesta a ejemplos presentados de manera supervisada y no supervisada (esto es
aprendizaje automático). Están inspiradas en la construcción del cerebro y las neuronas
biológicas.
3
1.1.1 Descripción del problema.
El movimiento o intento de movimiento, tanto de la palma diestra como de la mano zurda,
proporciona una variación de amplitud en las señales del cerebro y estas señales se
reflejan en los exámenes de señales EEG que es utilizado para ver cómo está actuando el
cerebro en diversas situaciones y momentos.
Por lo tanto, se propone una red para clasificar las señales EEG, utilizando modelos de
redes neuronales mediante Kohonen (ART), por su poder de generalización y relativa
facilidad de modelar casos complejos a comparación de otras redes.
1.1.2 Formulación del problema.
1.1.2.1 Problema principal.
¿De qué manera se realiza el análisis de señales de electroencefalograma, para la
clasificación de movimiento de palma diestra e izquierda, mediante la capa de Kohonen
Art?
1.1.2.2 Problemas específicos.
 ¿Cómo influye la eliminación de ruidos en el análisis de señal de
electroencefalograma, para la clasificación de movimiento de palma diestra e
izquierda?
 ¿De qué manera la transformada discreta de Fourier facilita el análisis de señales de
electroencefalograma, para la clasificación de palma diestra e izquierda?
 ¿De qué forma se puede aplicar el método de la capa de Kohonen Art en la
clasificación de movimiento de palma diestra e izquierda, de las señales de
electroencefalograma?
1.2 Definición de los objetivos.
1.2.1 Objetivo general.
Realizar el análisis de señales de electroencefalograma de la palma diestra e izquierda, y
clasificarlas mediante la capa de Kohonen Art.
4
1.2.2 Objetivos específicos.
 Plantear la utilización del filtro pasa banda para seleccionar la banda alpha de la señal
de electroencefalograma.
 Utilizar el método de transformada discreta de Fourier como un pre- procesamiento a
fin de facilitar el análisis de las señales de electroencefalograma.
 Plantear la utilización de redes neuronales (capa de Kohonen Art) para la clasificación
de mano derecha e izquierda.
1.2.3 Limitaciones y facilidades.
1.2.3.1 Limitación teórica.
Se detallan teorías científicas necesarias que desarrollarán fundamentos teóricos y se
aplicarán en la tesis.
 Señales biomédicas.
 Señales bioeléctricas.
 Señales EEG.
 Procesamiento de señales EEG.
 Filtro de señales.
 Filtro pasa banda.
 Transformada discreta de Fourier.
 Inteligencia artificial.
 Redes neuronales artificiales.
 Capa de Kohonen Art.
1.2.3.2 Limitación temporal.
 El estudio es del tipo transversal.
 Su realización se lleva a cabo desde octubre del 2017, y su posible término en octubre
del 2018.
5
1.2.3.3 Limitación espacial.
 La investigación comprende el espacio geográfico de los laboratorios de la Universidad
Tecnológica del Perú.
 El trabajo tiene una implementación a nivel de simulación.
 El escenario de pruebas se implementa en el laboratorio de la Universidad Tecnológica
del Perú, domicilio del asesor a cargo y domicilio del investigador.
1.2.3.4 Facilidades.
 La investigación cuenta con el apoyo del asesor designado por la Universidad
Tecnológica del Perú, para el desarrollo de esta tesis.
 Uso del software Matlab, usado frecuentemente en el área de ingeniería.
 Uso de la base de datos de la Universidad de Graz (Austria), para el desarrollo de la
investigación.
1.2.4 Justificación.
1.2.4.1 Justificación teórica científica.
Se sustenta esta exploración a causa de los resultados podrán generalizarse e
incorporarse al conocimiento científico, al emplear las redes neuronales artificiales
(Kohonen Art) para el entrenamiento y clasificación de trabajos futuros relacionas al tema.
1.2.4.2 Justificación metodológica.
Se busca dar un aporte a las investigaciones que se están realizando, referente al
tratamiento de señales de electroencefalograma. Y demostrar que los métodos y
procedimientos empleados en el desarrollo de la investigación tienen validez y
confiabilidad, para su uso futuro en diversos trabajos de investigación para el área de
ingeniería biomédica.
6
1.2.4.3 Justificación socioeconómica.
Se describe los efectos de la investigación posibilita el diseño de una BCI (Interfaz cerebro
- computador), para el movimiento o intento de movimiento de las extremidades del cuerpo
humano, con estos resultados obtener beneficios y utilidades para la población.
1.2.5 Antecedentes teóricos.
A continuación se detallan investigaciones que sirvieron de referencia para la elaboración
de la presente investigación.
Gómez (2006) En su trabajo de fin de master: “Análisis de señales EEG para detección de
eventos oculares, musculares y cognitivos” de la Universidad Politécnica de Madrid
Desarrolla una pesquisa a fondo de cómo se desempeñan las unidades
electroencefalogramas móviles, como el cerebro humano es fraccionado en franjas para la
categorización de la información emanada de los electroencefalogramas, que
conmutaciones son idóneos de regular y cómo se puede relacionarse esta investigación
para conseguir a edificar una superficie de contacto cerebro- computador. Para ello se
experimentan las unidades EEG portátiles más manipulados en el mercado durante los
últimos años, así como muchas de las pesquisas consumadas en los últimos años, que
concurrieron encauzadas al progreso de interfaces que admitan dilucidar las ondas
cerebrales para concebir caracteres de control para terminales, o que permitan hallar
modelos que distingan la agilidad cerebral de individuos sanos de otros con dolencias
neurológicas. Se aprenden los métodos matemáticos que son la base de las principales
técnicas de desintegración en tiempo y tiempo-frecuencia, dichas técnicas se manejan para
separar información de señales estocásticas que contienen mucho ruido como la generada
por el EEG, para luego hacer un análisis de cada una y como se relacionan entre ellas,
empezando por la transformada rápida de Fourier, que solo transforma al dominio de la
frecuencia, por lo que sólo obtiene información de la potencia de las frecuencias
involucradas y cómo al buscar mejores resultados, da origen a procedimientos que extraen
información más completa como los wavelets de Morlet complejos y la transformada de

t
7
Hilbert, que transfigura la instrucción al dominio del tiempo-frecuencia, por lo que es capaz
de extraer información del espectro de potencia de la frecuencia y de como ocurre en el
tiempo, el ángulo de fase como indicador de calidad de los datos obtenidos y la misma
onda original filtrada por la periodicidad experimentada.
Cordova, Perez y Román (2013) En el trabajo: “Implementación de métodos de
procesamiento de señales EEG para aplicaciones de comunicación y control” de la
Universidad Nacional San Antonio Abad Cusco
Realizan una pesquisa a partir de que se ha desarrollado la tecnología que permite capturar
las señales electroencefalográficas (EEG), se ha venido investigando la posibilidad de
interpretarlas y usarlas como un medio de comunicación o control de dispositivos. Este tipo
de tecnología es conocido como BCI por sus siglas en inglés (Brain – Computer Interface),
se descubren y presentan cada vez nuevas dificultades en la forma de cómo hacer que los
datos tomados a partir de un electroencefalograma sean procesados de tal forma que los
resultados sean lo suficientemente confiables, por lo que es necesario la implementación
de métodos que permitan el desarrollo de este tipo de interfaces de manera eficiente y
confiable.
En la actualidad se cuenta con varias alternativas para la implementación de BCIs, pero no
se sabe a ciencia cierta cuál es el método más efectivo para hacer confiables estos
dispositivos, por lo que el presente trabajo está orientado a analizar los diferentes métodos
de procesamiento de señales EEG para aplicaciones BCI existentes con el objetivo de
encontrar el algoritmo óptimo para el desarrollo de aplicaciones de BCI. Las BCI son
utilizadas principalmente para personas discapacitadas por diferentes motivos descritos.
Es necesario mencionar que la metodología usada para el análisis de las señales EEG
desarrolladas hasta la fecha, no garantizan una máxima eficiencia para los diversos
métodos de diseño de una interfaz Cerebro-Computadora, ya que como se verá más
8
adelante existen diversos puntos de partida y por consiguiente métodos de estudio e
implementación de cada etapa de una BCI.
Dentro de esta área de investigación existen muchos puntos que aún hay que estudiar para
así resolver algunos problemas que aún siguen vigentes, como lo es la optimización del
tiempo de entrenamiento y la precisión para interpretar los comandos del usuario. No
obstante, este trabajo centrará su investigación dentro de puntos específicos y
primordiales, los cuales son:
- La caracterización de las señales EEG (extracción de características.
- La clasificación de las señales EEG.
Henríquez (2014) en su investigación “Estudio de Técnicas de análisis y clasificación de
señales EEG en el contexto de Sistemas BCI (Brain Computer Interface)”, menciona que
las Interfaces Cerebro Computador (BCI) son un conjunto de técnicas fundada en la
transacción y proceso de indicaciones cerebrales para la revisión de varios terminales.
Constantemente los BCI se orientan en reconocer hechos que son logrados por métodos
como el Electroencefalograma (EEG). Dichos acontecimientos personifican diferentes
estados mentales, que deberán identificarse como distintas clases mediante un sistema de
clasificación. En BCI, tras la adquisición de las señales cerebrales se procede a prepararlas
para su posterior procesamiento. Para desenterrar y elegir las particularidades se destinan
varias metodologías, en los que, en función del tipo de señales de control que se utilice,
será conveniente identificar un subconjunto que optimice las labores para su categorización
En esta labor se ha ejecutado una disertación del curso del arte de BCI, de las
metodologías más distinguidas de procesado de la señal EEG manejados en la fase de
procedencia y ordenamiento de distintivos. El empleo y esbozo de dichos procesos, es
usado a cabo de representación empírica mediante una investigación offline y un estudio
online simulado, con la intención de certificar una mayor superación en el desempeño del
sistema BCI en tiempo real.
9
Ambos ejemplares de estudio son obligatorios y adicionales para el diseño de algoritmos
prácticos, en el que el beneficiario recibe feedback del BCI. Aplicando la técnica de análisis
planteado de “online simulado”, con la que los resultados de los experimentos elaborados
son pugnados para conseguir una estimación de los mismos como si el usuario hubiera
utilizado el sistema en tiempo real, fue posible mermar el tiempo de detección de eventos
y así perfeccionar el tiempo de respuesta del BCI.
Para este estudio se utilizó de datos reales de EEG relacionados con los Potenciales
Corticales Lentos (SCP), que contiene dos experimentos diferentes denominados “Ia”,
provenientes de sujetos sanos y “Ib” provenientes de sujetos con la enfermedad ELA
(esclerosis lateral amiotrófica), es una enfermedad neurodegenerativa progresiva que
afecta a las células nerviosas del cerebro y a la medula espinal. Dichos datos, se obtuvieron
de la competición “BCI Competitions II” de 2003.
Se han desarrollado diferentes metodologías para despegar las peculiaridades más
distinguidas de estas señales SCP. En una primera fase, se realizó la clasificación con
cada una de las técnicas estadísticas y métodos de extracción de características por
separado.
En un segundo periodo las metodologías y técnicas con los que se obtuvo sobresalientes
resultados, se han empleado para consentir nuevos modelos (súper vectores de tipologías)
que se han manejado en los distintos procesos de codificación aprendidos. Con ello se
minimiza las tasas de error emanadas, mejorando el rendimiento en la clasificación y
destacando los resultados conseguidos por los triunfadores de “BCI Competitions II” tanto
en “Ia” (sujetos sanos) como en “Ib” (sujetos con enfermedad ELA).
Torres (2016) en su investigación: “Análisis y clasificación de electroencefalogramas (EEG)
registrados durante el habla imaginada”, nos menciona que el lenguaje oral es la forma
más sencilla para comunicarnos con otras personas, pero a veces hay situaciones en la
que es difícil emitir señal acústica entendible, o bien, se requiere comunicar mensajes en
10
forma privadas, o en ambientes ruidosos. En estas situaciones son deseables sistemas,
conocidos como “interfaces de habla silente”, que tratan de aprovechar diferentes tipos de
habla registrados en diferentes órganos involucrados en la emisión del lenguaje hablado
como son: el tracto vocal, el rostro, la lengua, los dientes e inclusive el cerebro. El cerebro
también ha sido de interés para el área de investigación de las interfaces cerebro –
computador (BCI por sus siglas en inglés), los cuales tienen a la comunicación como uno
de sus propósitos principales. Para poder obtener estos propósitos, los BCI registran la
actividad cerebral mediante encefalogramas (EEG) y se basan en cuatro neuro –
paradigmas que son los potenciales corticales lentos, imágenes motoras, señales P300 y
potenciales y potenciales visuales evocados que suelen ser poco intuitivos y necesitan una
traducción al dominio del lenguaje. Es por ello que en esta tesis se exploró un neuro –
paradigma alternativo llamado habla imaginada, el cual se refiere a la pronunciación interna
de las palabras pero sin emitir sonido ni articular gestos faciales.
El objetivo del trabajo es analizar y clasificar señales de EEG registradas durante el habla
imaginada de una persona. La naturaleza multi – clase de esta tarea hace que la
investigación se enfoque en un vocabulario reducido compuesto de cinco palabras del
idioma español (“arriba”, “abajo”, “izquierda”, “derecha” y “seleccionar”), con lo que se
podría controlar un cursor de computadora. Se utilizarán las señales EEG registradas de
27 sujetos y fue tratado bajo el enfoque de clasificación supervisada, donde el modelo
computacional conoce de antemano en que parte de la señal EEG la persona la persona
imagina la pronunciación de las palabras.
Para resolver el problema se contribuyó con el desarrollo de un método para el
reconocimiento de habla imaginada, utilizando una representación compacta de la
información de cada canal basada en la energía instantánea wavelet y un número de
canales seleccionados de forma automática y eliminando instancias afectadas por
artefactos asociados con latidos del corazón, parpadeos y movimiento de cuello.
11
La selección de canales costa de dos etapas, la primera de ella teniendo en cuenta que no
es posible beneficiar a una persona ni perjudicar a otra, fue orientada como un problema
de optimización multi-objetivo cuyos objetivos fueron el error y el número de canales.
Mientras que la segunda etapa selecciona por medio de un sistema de inferencia difuso
(FIS), una solución (combinación de canales) del frente para evaluar el desempeño del
método usando combinaciones de los canales y un cumulo de prueba no usado en la
generación del frente. Se exploraron varias configuraciones de FIS mostrando que el FIS
3x3 (3 funciones de membresía para la variable error y número de canales).
El porcentaje de exactitud promedio obtenido en este trabajo es de 70.94% usando
alrededor de 7 canales, se da evidencia experimental de que el método presentado supera
a otros trabajos relacionados al tema.
Se presentaron dos evaluaciones para dar evidencia de la factibilidad de reconocer el habla
imaginada a partir de señales EEG. La primera avaluación fue hecha utilizando datos
adicionales de sujetos no hispanohablantes, que dio evidencia de que el reconocimiento
de habla imaginada está más relacionado con el idioma, en el que las palabras son
pronunciadas, que con alguna idea o concepto genérico asociado con las palabras
independientemente del idioma. Mientras que con la segunda evaluación, mediante una
prueba de permutación, dio evidencia de que existe una dependencia real entre las
palabras del vocabulario reducido y las características que lo describen,
Liberczuck (2013) en su investigación “Clasificación mediante mapas auto organizados de
señales EEG orientado al control de interfaces cerebro computadora”, menciona que
traducir los pensamientos en acciones, sin actuar físicamente, ha sido materia para
literatura de ciencia ficción desde siempre. Desarrollos recientes en el área de Interfaces
Cerebro Computadora abren las puertas a que dicha ficción pueda hacerse finalmente
realidad.
12
Las interfaces cerebro computadora (BCI: Brain Computer Interfaces) constituyen un canal
de comunicación y/o control que no utiliza las salidas normales del cerebro como nervios
periféricos y músculos. Esto aumenta notablemente las posibilidades de comunicación y
relación con el medio de pacientes con severos cuadros de incapacidad motora. Aunque
quizás sea este su principal o más noble aporte, las BCI configuran un amplio espectro de
aplicaciones que van desde rehabilitación de miembros atrofiados y/o lesionados hasta la
navegación en entornos virtuales, deletreadores, juegos y demás aplicaciones referidas a
la industria del entretenimiento.
Los primeros dispositivos desarrollados estaban basados en electroencefalograma (EEG)
convencional dado que no requerían de procesos quirúrgicos, ni de costosos implantes,
pero tienen una relación señal-ruido bastante pobre y una peor resolución espacial todavía.
No obstante, el avance en las técnicas de aprendizaje maquinal y procesamiento de
señales y las nuevas tecnologías en electrodos secos deja este enfoque como un abordaje
bastante atractivo.
Dentro de las BCI no invasivas se encuentran diferentes estrategias o paradigmas
utilizados para su diseño, dependiendo de la señal empleada y de la información de la
misma que se utilice para establecer la comunicación cerebro - computadora. Entre los
paradigmas más referenciados por la literatura se encuentra el interesante enfoque de la
imaginería motora. En sujetos despiertos, el área de corteza motora presenta una actividad
de EEG en los 8–12 Hz, que se denominada ritmo mu. Éstas se encuentran presentes
cuando no se realizan procesamientos de entradas sensoriales ni se producen salidas
motoras. Además existe el ritmo beta (16-26 Hz.) que, si bien en gran parte son armónicos
del ritmo mu, posee energías separables topográfica y/o temporalmente y puede proveer
información independiente de éste. En particular, la ejecución de movimientos o su
preparación mental disminuyen la actividad de los ritmos mu y beta y ésto se denomina
Desincronización Relacionada a Eventos (ERD, Event Related Desyncronization). Lo
opuesto, un aumento de los ritmos mu y beta, se logra en cambio después de un
13
movimiento y con la relajación, produciendo lo que se denomina una Sincronización
Relacionada a Eventos (ERS, Event Related Syncronization).
Más relevante aún para el uso en BCI, es que la ERD y la ERS no requieren de un
movimiento real, sino que también ocurren con la imaginación de movimientos. También
se han propuestos BCI basadas en el Potencial de Predisposición (Readiness Potencial:
RP), el cual se encuentra sincronizado y es previo (600 a 800 ms) a la realización o
imaginación de un movimiento.
Pfurtscheller y Aranibar fueron los primeros en cuantificar la ERD en 1977 y lograron
desarrollar su primera BCI llamada “La ICC de Graz” en los 90s.
Las redes neuronales han sido utilizadas con resultados interesantes en el área de las BCI
desde sus comienzos. El algoritmo LVQ de Kohonen fue previamente utilizado en la
predicción del movimiento de ambas manos o dedos en varias de sus versiones LVQ2 y
LVQ3. Una paso más en la refinación de este algoritmo lo constituye el DSLVQ (Distinction
Sensitive Learning Vector Quantisation). Este algoritmo permite dar diferentes pesos a las
características que se están clasificando según su influencia o poder discriminatorio.
El presente trabajo pretende explorar la clasificación de señales de EEG mediante SOM
rotulando las neuronas de la grilla, luego del entrenamiento, asignándola a alguna de las
clases del conjunto de entrenamiento, con el objetivo de evaluar su performance como
clasificador y poder lograr una mejora en las tasas de acierto reportadas hasta el momento.
Delgado (2011) en su artículo “Clasificación de señales cerebrales durante la ejecución de
actividad motora imaginaria”, nos dicen que una interfaz Cerebro-Computadora (BCI) es
un sistema capaz de traducir señales electroencefalográficas (EEG) en comandos para un
ordenador, haciendo posible el control de dispositivos externos. Una de las principales
motivaciones para estos desarrollos es la asistencia de personas con discapacidades
físicas como es el caso de pacientes con Esclerosis Lateral Amiotrófica o parálisis general,
enfermedades que comprometen de manera severa el funcionamiento del sistema
14
muscular afectando la habilidad de la persona para comunicarse a través de gestos, el
habla y escritura. Una BCI incluye dentro de sus bloques generales: adquisición de las
señales EEG, pre-procesamiento de las señales, extracción y selección de características,
clasificación y retroalimentación. El sub-sistema de adquisición de señales debe garantizar
una buena relación señal-ruido mediante la implementación de filtros y otras técnicas de
procesamiento digital de señales para la eliminación de componentes no deseadas en la
señal EEG. La selección de características se realiza de manera dependiente al tipo de
fenómeno fisiológico que se desea emplear en el funcionamiento de la BCI. Los fenómenos
más empleados en la actualidad involucran potenciales relacionados a eventos (ERP´s)
como son, la actividad oscilatoria cerebral relacionada con actividad muscular o
imaginación de la misma, (IM) potenciales corticales lentos (CSP) y potenciales P300 que
se producen como respuesta a eventos no esperados o sorpresivos. [2], [1], [3] and [4]. En
este trabajo, el fenómeno relacionado con la imaginación de actividad muscular que
produce actividad oscilatoria cerebral es bandas de frecuencia específica: Alfa (8Hz-12Hz)
y beta (18Hz-26Hz) es empleado. Las señales son modeladas empleando modelos auto-
regresivos, obteniendo la respuesta en frecuencia de estos últimos como estimación de la
densidad espectral de potencia. La clasificación de las señales se realiza por medio de 3
distintos métodos: Redes Neuronales Artificiales, Maquinas de vector de soporte y Análisis
discriminante. Se presentan los resultados experimentales y se compara el desempeño
obtenido con cada uno de los métodos.
Leeb, Chavarriaga y Millán (2016) en su artículo “10 Brain-Machine Symbiosis”, nos dicen
que imaginemos que queramos que nuestra computadora o cualquier otro dispositivo
informático realicen una acción. Pero antes de que tengamos que levantarnos e interactuar
con él, ¡el dispositivo ya lo está haciendo! Porque directamente de la intensión, del
pensamiento se identifica la señal de control para la acción. ¿Nos interesaría una técnica
de interacción tan nueva o sería demasiado aterradora? ¿Cuán lejos está la tecnología de
15
dispositivos controlados directamente por el cerebro? En esta investigación se presenta el
campo de las interfaces cerebro-computadora, que permite el control directo de dispositivos
sin necesidad de ningún movimiento. Presenta robots controlados por el cerebro, las sillas
de ruedas y neuroprótesis, se presentan conceptos subyacentes, como el conocimiento del
contexto o los sistemas híbridos. También las señales cognitivas o estados mentales son
posible fuentes de interacción. Cada vez que el cerebro identifica un error realizado por el
sistema, podemos corregirlo automáticamente basándonos en nuestra atención u otros
estados mentales, el sistema de interacción podría adaptarse a nuestras necesidades
actuales de velocidad, soporte o autonomía. Especialmente, dado que la confluencia de la
computadora humana se refiere a la interacción invisible, implícita, incorporada o incluso
implantada entre humanos y componentes del sistema, las interfaces cerebro –
computador son solo una opción posible para lograr ese objetivo, pero ¿Cómo podríamos
nosotros o nuestro cerebro incorporar esos dispositivos externos en nuestro esquema del
cuerpo?
Wagner, Makeig, Gola, Neuper y Muller (2016) en su trabajo “Distinct β Band Oscillatory
Networks Subserving Motor and Cognitive Control during Gait Adaptation”, nos comentan
que la locomoción cotidiana y la evitación de obstáculos requieren una efectiva adaptación
de la marcha en respuesta a las señales sensoriales. Muchos estudios han demostrado
que las acciones motoras eficientes están asociadas con el ritmo μ (8-13 Hz) y la banda β
(13-35 Hz) desincronizaciones de campo locales en la corteza sensitivo motora y parietal,
mientras que varios estudios de tareas cognitivas han informado que una mayor precisión
conductual se asocia con aumentos en el poder de la banda β en la corteza prefrontal y
sensorial. Sin embargo, no se han establecido cómo dos patrones distintos de interacción
de oscilaciones de la banda β durante la adaptación de la marcha. En esta investigación
se registra la actividad EEG de 108 canales de 18 participantes (10 hombres, 22-35 años)
que intentaron caminar en una pista de correr en sincronía con una serie de tonos de
16
señalización de ritmo, y adaptaron rápidamente su paso y longitud a cambios repentinos
en la señal de ritmo tempo. El análisis de componentes independientes analizó los datos
de EEG de cada participante en procesos fuente de componentes de máxima
independencia, que luego se agruparon entre los participantes en distintos grupos
espaciales / espectrales. Tras los cambios de tempo, se suprimió la potencia media de la
banda β para las fuentes de componentes independientes en la línea media central y las
regiones parietales, mientras que la potencia media de la banda aumentó en las fuentes
de componentes independientes en o cerca de la corteza prefrontal medial prefrontal y
dorso lateral. En el grupo de componentes independientes de la corteza prefrontal dorso
lateral derecha, el aumento de potencia de la banda β fue más fuerte durante (más
esfuerzo) el acortamiento del escalón que durante el alargamiento del escalón. Estos
resultados muestran que dos patrones distintos de modulación de la actividad de la banda
β, acompañan a las adaptaciones de la marcha: una que probablemente sirve para el inicio
y la ejecución del movimiento; y el otro, control e inhibición impulsora.
17
CAPÍTULO 2
MARCO TEÓRICO
2.1 Fundamento teórico.
2.1.1 Señales biomédicas.
Una señal es un fenómeno que transporta información. Las señales biomédicas se utilizan
para extraer información del sistema biológico.
Cosano, Diego (2016) afirma: “Las señales biomédicas son señales producidas por un
sistema biológico vivo y se utilizan fundamentalmente para extraer información de este”
(p.10).
Sánchez (2008) deduce que “las indicaciones biomédicas son reconocimientos espaciales
y/o eventuales de acontecimientos tales como la contracción del corazón así o el espasmo
de un músculo” (p. 32). Durante estos eventos biológicos se producen señales eléctricas,
químicas o mecánicas que pueden ser medidas y analizadas.
Según Sánchez (2008), “las indicaciones biomédicas pueden ser clasificadas de diversas
maneras. Algunas de las formas más significativas son”: (p. 35)
a) La fuente: Pueden ser catalogadas según la nacimiento o naturaleza física. Según
la fuente es posible distinguir entre señales biomédicas continuas o discretas. Cabe
mencionar que las indicaciones producidas por procedimientos biológicos son con
escasa diferencia constantemente señales duraderas.
b) La diligencia biomédica: La señal biomédica conseguida y refinada se usan con
intenciones de análisis, monitorización, etc.
18
c) Las características de la señal: Si el propósito fundamental es el procesamiento de
la indicación este es el procedimiento de sistematización más importante desde el
punto de vista de análisis de la señal.
Cosano (2016) “analiza y deduce que hoy en día para el estudio del cuerpo, las señales
biomédicas tienen una aplicación muy importante, ya sea para detectar y/o curar
enfermedades y para estudiar los comportamientos de una persona, etc” (p.21) Cabe
mencionar que las características de algunas señales biomédicas varían enormemente
entre una persona y otra; es por ello que las señales biomédicas se utilizan para medir
diversos parámetros fisiológicos y físicos, estas mediciones se realizan teniendo en cuenta
los factores de rango de frecuencia y los valores del parámetro a medir.
En la figura 2.1 se muestra la clasificación de las señales biomédicas dependiendo de su
unidad de medida.
19
Figura 2.1: Tabla de las distintas señales biomédicas existentes.
Fuente: Cosano (2016 p.10)
Existen siete grandes grupos de señales biomédicas que son: bioimpedancia, bioacústica,
biomagnéticas, biomecánicas, bioquímicas, bioópticas y bioeléctricas. A continuación, se
presentan unos conceptos de cada uno de ellas.
Cosano (2016) analiza las siete señales y detalla un resumen de cada una de ellas. (p.26)
 Las señales de bioimpedancia: La impedancia eléctrica de los tejidos humanos
contiene información importante sobre su constitución, solidez y colocación
20
sanguínea. La señal de bioimpedancia se genera usualmente inyectando al tejido
en prueba de señales senoidales, de bajas densidades de corriente para evitar que
los tejidos se dañen por los efectos de calentamiento.
 Las señales bioacústicas: La mayoría de fenómenos biomédicos producen ruido
acústico como las válvulas cardíacas o el flujo de sangre en el corazón. Además,
los sonidos como ronquidos, tos y sonidos pulmonares se utilizan de manera
frecuente en medicina. Las contracciones musculares también producen señal
bioacústica, estas señales se pueden conseguir desde la zona utilizando
transductores acústicos.
 Las indicaciones biomagnéticas: Diferentes tipos de órganos como el cerebro, el
corazón y los pulmones producen campos magnéticos débiles, en la medida de
estas señales coge información no incluida en otras bioseñales. Deben tomarse
precauciones extremas en la adquisición de estas señales debido al bajo nivel de
los campos magnéticos que se tiene que medir.
 Las señales biomecánicas: Se origina por alguna competencia mecánica del
método biológico aquellas procedentes por la traslación y el deslizamiento,
indicaciones de presión y flujo, etc. Para la medición de señales biomecánicas
requiere una gran cantidad y variedad de transductores que no son sencillos ni
económicos.
 Las señales bioquímicas: Las señales bioquímicas son la consecuencia de
comprobaciones químicas de los prototipos realizadas en el laboratorio clínico o de
los tejidos vivos. Se puede citar, la concentración de oxígeno y el bióxido de carbono
en el plasma o en el sistema respiratorio son señales bioquímicas, estas señales
por lo general son de muy baja frecuencia.
 Las señales bioópticas: Son la consecuencia de las competencias ópticas de los
procedimientos biológicos que se dan consecuentemente o estimulados para la
medición. Se puede citar, la oxigenación sanguínea puede obtenerse midiendo la
21
luz transmitida y reflejada por los tejidos de diversas longitudes de onda, además
se puede tener información acerca del feto midiendo la fluorescencia del líquido
amniótico. El progreso inmensa alcanzado por la fibra óptica es una innovación
para la medición de señales bioópticas.
 Las señales bioeléctricas: Estas son las señales biomédicas más importantes,
porque los sistemas biológicos poseen células excitables.
Las señales bioeléctricas requiere un transductor para su adquisición, porque la
administración eléctrica en el medio biológico se ocasiona por medio de iones, y
para la conducción en el sistema de medición se usan los electrones.
2.1.1.1. Señales bioeléctricas.
Son el tipo de señales con más aplicaciones, además que el presente trabajo está dirigido
a las señales cerebrales.
Cosano (2016) menciona que existen siete tipos de señales bioeléctricas: estas son las
cardíacas (ECG), oculares (EOG), cerebrales (EEG), musculares (EMG), retinas (ERG) y
de los músculos gastrointestinales (EGG). Todos estos eventos tienen como unidad de
medida los voltios, que son medidos como diferencia de potencial. En la tabla 2.1 se puede
prestar atención los principales atributos de cada una de ellas.
Tabla 2.1: Principales características de las señales bioeléctricas
Señal Aparato de medida Representación Siglas Magnitud Ancho de banda
Cardiaca Electrocardiógrafo Electrocardiograma ECG 0.5 – 4 mV 0.01 – 250 Hz
Muscular Electromiógrafo Electromiograma EMG 0.1 – 5 mV DC – 10000 Hz
Retina Electrorretinógrafo Electrorretinograma ERG 0 – 900 uV DC – 50 Hz
Músculos Electrogastrógrafo Electrogastrograma EGG 10 – 1000 uV DC – 1 Hz
gastrointestinales
Cerebral Electroencefalógrafo Electroencefalograma EEG 5 – 300 uV DC – 100 Hz
Ocular Electrooculógrafo Electrooculagrama EOG 50 – 3500 uV DC – 50 Hz
22
Ortiz (2011) “aclara que el método de análisis de las señales bioeléctricas poseen diversas
áreas de conocimiento científico que abarcan la estadística, la electrónica, la cibernética,
etc” (p. 87). Por esta razón, falta una normalización en las terminologías, es por ello que
cada autor concede una mayor importancia a los aspectos de su problema de investigación
y generalmente adapta sus propias definiciones a estas.
Álvarez (2007) nos dice “que las indicaciones bioeléctricas que provienen del organismo
humano son indicaciones que son producidas por el desplazamiento o alteración de los
iones en disolvente (acarreadores de carga en los líquidos orgánicos), pueden ser
proporcionados al Na+, K+ y Cl-.” (p.33). El descentramiento de los iones es ocasionado
por la diferencia de agrupación de fluidos orgánicos como el líquido interstical, el
extracelular y el intracelular. La corriente de estos átomos tiene el nombre de propagación
y se ejecuta desde las áreas más espesas a las más disueltas, dando iniciación a un
desnivel de concentración, estas gradientes pueden ser estudiadas con la ecuación de
gases perfectos donde la concentración y la presión están relacionados concisamente.
Cosano (2016) expresa que las señales bioeléctricas es una de los siete tipos de señales
con más aplicaciones. La monitorización de estas señales, al igual que las demás señales
biomédicas, contiene una información muy importante en cuanto al funcionamiento del
tejido o sistema medido ya que estas señales bioeléctricas son medidas por electrodos
teniendo como unidad de medida los voltios.
Las señales bioeléctricas son potenciales iónicos, resultado de las actividades
electroquímicas de las células excitables. Estas células están presentes en diferentes
sistemas o tejidos como el cardíaco, el nervioso o el muscular, si las células están excitadas
se llaman potencial de acción y si no lo están se denomina potencial en reposo. A
continuación, detallaremos estos dos potenciales.
 Potencial de reposo:
Cosano, (2016) afirma “Las células excitables están recubiertas por una membrana
que aísla dos compartimentos fisiológicos con agrupaciones iónicas disímiles”
23
(p.51). Por lo tanto, se puede analizar esta membrana como si fuera un perímetro
eléctrico.
Álvarez (2007) nos dice que las concentraciones y corrientes iónicas se pueden
modelar como si fuera un itinerario eléctrico doble por una conductancia y fuente
de corriente.(p. 88). En la figura 2.2 se exhibe un modelo equivalente.
Figura 2.2: Circuito equivalente del potencial de reposo
Donde 𝐺𝑚 es la conductancia semejante de las conductancias Na+, K+ y Cl- ; 𝑉𝑚
personifica al potencial en reposo, 𝐶𝑚 capacidad de la membrana por unidad de
superficie.
 Potencial de acción:
Cosano (2016) “establece que cuando las membranas son excitadas, las células
excitables se encuentran en un estado de potencial de acción” (p, 44), por lo tanto,
cuando la conductancia del potencial en inmovilidad presenta un cambio temporal,
este cambio produce un impulso el cual es llamado potencial de acción, véase la
figura 2.3.
24
Figura 2.3: Circuito equivalente del potencial de acción.
Donde 𝐼𝑚 se considera el impulso que hace que las membranas se exciten. Este
impulso se convierte en un impulso de potencial y es medido en 𝑉𝑚 donde ya se
conoce como potencial en acción.
Álvarez (2007) menciona que el potencial en reposo también es “llamado zona
subumbral en la zona de respuesta, pero cuando ya es alcanzado el potencial de
operación se denomina zona supraumbral, esta mucosa se compone con una
fuente de corriente externamente que se suministra al itinerario de potencial en
reposo” (p. 44)
Por lo tanto, existe un acceso de disparo “Ud” que al ser descubierto se denomina
potencial de acción (es disímil para cada célula). Cuando se consigue el “Ud”
agranda la conductancia gNa+, la cual origina una entrada masiva de Na+ al medio
intracelular este fenómeno se llama polarización. Aquí la propagación y el campo
eléctrico se compensan, donde el campo eléctrico toma otra dirección (reduce la
conductancia gNa+), luego el campo eléctrico y la propagación se acoplan para
despedir iones de K+ del medio intracelular hasta que el potencial intracelular logre
un horizonte contradictorio semejante al del potasio, este portento se nombra
repolarización. La propagación y el campo eléctrico se estabilizan
25
(despolarización), a la sazón el potencial de mucosa revierte a su etapa inicial de
quietud, véase en la figura 2.4.
Figura 2.4: Potencial de membrana.
Fuente: Álvarez (2007 p.16)
2.1.2. Señales de Electroencefalograma.
Barea (2013) realiza un resumen sobre la historia del electroencefalograma, mencionando
que fue en una guerra donde se exploró el cerebro humano por primera vez (p. 43), en
1870, los galenos castrenses del ejército prusiano (Fritsch y Hitzig), se dieron cuenta que
al incentivar mediante corrientes galvánicas, algunas superficies laterales del cerebro
descubierto (de algunas perdidas de la batalla) se promovían movimientos en el lado
contrario del organismo. R. Caton inmediatamente de cinco años ratificó que el cerebro es
idóneo de producir corrientes eléctricas, es cuando Ferrier experimentó con la corriente
Farádica. Como resultado de estos experimentos a finales de la época se tenían
experiencias suficientes que el cerebro de las bestias tenía atributos eléctricos similares a
los encontrados en el nervio y en el músculo. Teniendo en cuenta que todos los
experimentos se hacían sobre cerebros abiertos, porque las permutas eléctricas son muy
ínfimas y sin tener procedimientos de engrandecimiento, era improbable reconocer los
impulsos que consiguieran al exterior del cráneo. En 1928 Hans Berger propuso un
procedimiento para la actividad eléctrica cerebral, conocido como “ritmo de Berger”. En el
26
año de 1929 se proponía por de manera incipiente eventualidad de la electroencefalografía
clínica, en un conclave en el laboratorio de patología del Hospital de Maudsley de Londres,
los grupos de investigadores intentaban obtener registros del “ritmo Berger” empleando
amplificadores y un galvanómetro de vetusto, sin embargo no se tomaba enserio el estado
del cerebro ni los hallazgos de Berger. Fue en 1934 cuando Adrian y Mattheus efectuaron
una certificación pública del “ritmo de Berger” ante una concurrencia británico en una
reunión de la Sociedad de Fisiología en Cambridge. Entonces Berger utilizando las mejoras
realizadas por Adrian, siguió avanzando hasta donde le permitía su técnica defectuosa, por
ejemplo Berger observó que cuando el sujeto abría los ojos o resolvía un problema
mentalmente se alteraba el ritmo amplio y regular. Posteriormente fue comprobado por
Adrian y Matthews quienes tenían superiores conocimientos acreditados y mejoras
técnicas prosperaron mucho más, manifestando que el ritmo regular y extenso de diez
ciclos por segundo brotaba de las superficies visuales y no de todo el cerebro. Años
después la electropatología prosperó en calidad, ratificándose los vaticinios de Golla que
manifestaba sobre las variaciones de los vaivenes rítmicas en los malestares. Se avanzó
mucho en esta zona para los estudiosos interesándose en el tema de EEG, el estudio de
la epilepsia y otras enfermedades mentales, teniendo en cuenta la confusión del tema. A
inicio de estos estrenos con el devenir de los años y estudios sucesivos se han conseguido
dar a saber otros matices del EEG tal como lo entendemos hoy en día.
Reta (2012) asevera que las señales de electroencefalograma de superficie es:
“La actividad eléctrica cerebral registrada mediante electrodos ubicados en el cuero
cabelludo” (p.3).
Reta (2012) nos dice que el electroencefalograma proviene del campo generado por los
potenciales postsinápticos que ocurren de manera sincronizada en las neuronas con
distribución espacial uniforme.
Gómez (2016) nos dice que la electroencefalografía es una estrategia de monitoreo
electrofisiológico que admite inspeccionar la acción eléctrica del cerebro, y al mismo
27
tiempo es originada por la labor neuronal en el interior del cerebro. Radica en el empleo
de electrodos en el cuero cabelludo, esta pericia es típicamente no invasiva, teniendo en
cuenta que la técnica no invasiva no requiere ninguna cirugía para su medición y la
técnica invasiva si lo requiere para su medición, para poner tener una idea más clara se
detalla en la tabla 2.2 las primordiales características de los métodos de medición tanto
invasivos como no invasivos.
Tabla 2.2: Método de adquisición de señales cerebrales.
Fuente: Acuña (2017 p.19)
El electroencefalograma calcula la variación de voltaje que resulta de la corriente iónica
dentro de las neuronas del cerebro en un lapso de turno. Las indicaciones de la agilidad
cerebral se obtienen debido a la divergencia de potencial entre electrodos y la frecuencia
de dichas indicaciones, así como otras características. Esta labor cerebral es muy
enmarañada ya que presenta variaciones dependiendo de la localización de los electrodos
y de la persona que está usando el dispositivo. Esto se debe al sin número de uniones
neuronales, tener en cuenta que la estructura craneal de las personas no es uniforme, así
como también se presenta conmutaciones de acuerdo al estado mental del interesado,
niveles de abstracción, actividades musculares, entre otros.
28
2.1.2.1. Ritmos.
Gómez (2016) nos menciona “que las señales EEG son fraccionadas en conjuntos
establecidas en su contenido de periodicidad, y estas repeticiones se fragmentan en partes,
y estas bandas se han conceptualizado mediante investigaciones de fenómenos
psicológicos y orgánicos relacionados a la actividad cerebral, los principales ritmos” (p.43)
estos se explican en la tabla 2.3.
Tabla 2.3: Bandas de frecuencia de los ritmos cerebrales.
Fuente: Gómez (2016 p.8)
Nombre Frecuencia
Ritmo Delta (δ) 0.1 - 3.5 Hz
Ritmo Theta (θ) 4 – 7.5 Hz
Ritmo Alfa (α) 8 – 13.5 Hz
Ritmo Beta (β) 14 – 30 Hz
Ritmo Gamma < 30 Hz
A continuación, se detalla los tipos de ritmos y región donde se encuentran ubicadas.
 Ritmo Delta (δ): También es denominada el ritmo del sueño, ya que suele florecer
en etapas de sueño hondo. Su dilatación varía entre los 20 y 100 uV. Región en
Adultos: frontal y en Niños: occipital.
 Ritmo Theta (θ): Este ritmo se presenta asiduamente en infantes o adultos que se
hallan inmersos en altos porcentajes de angustia, decepción y frustración. Su
amplitud varía entre los 20 y 100 uV. Región: Parietal y temporal.
 Ritmo Alfa (α):Se presenta en estado de aflojamiento, donde el individuo tiene poca
agilidad mental o tiene la vista tapada, cuando la persona se concentra en alguna
acción este ritmo se atenúa, su amplitud varía entre 20 y 60 uV. Región: Occipital,
en menor medida en el parietal y frontal.
29
 Ritmo Beta (β): Se asocia a un estado intelectual de abstracción por parte del
individuo, su amplitud varía entre 2 y 20 uV. Región: Parietal y frontal.
 Ritmo Gamma (γ): Son periodicidades superiores a 30Hz. Suelen poseer la
periodicidad más alta y la profundidad más baja, y se corresponde con labores
cerebrales aceleradas.
 Ritmo Mu (μ): Posee un rango de frecuencia de 8 a 12 Hz. No obstante es
fundamentalmente el mismo nivel del ritmo alpha, con la contradicción que el ritmo
mu se ubica en la corteza sensorio motora, en cambio que el alpha se halla en la
corteza visual.
2.1.2.2. Sistema de posicionamiento 10-20.
Gómez (2016) nos dice que el sistema de localización 10-20, es un esquema internacional
determinado por la FISE, este sistema detalla la localización de los electrodos en el cráneo,
para la medición de electroencefalograma. Para ello, cada región tiene una grafía para
distinguir el lóbulo y un símbolo para reconocer en que hemisferio se localiza, si el número
es par pertenece al hemisferio derecho del cerebro y si el número es impar pertenece al
hemisferio izquierdo del cerebro, a continuidad en la tabla 2.4 se corresponde el lóbulo con
su letra que lo identifica, si bien no existe el lóbulo central se emplea una grafía para poder
identificarlo.
Barea (2013) sostiene que “hay distintos sistemas disímiles (Illinois, Montreal, Aird, Cohn,
Lennox, Merlis, Oastaut, Schwab, Marshall, etc), existiendo el sistema internacional 10-20
el método más manejado en boga” (p. 22)
30
Tabla 2.4: Identificación de electrodos según su posición.
Gómez (2016) nos menciona que se “emplean 4 menciones anatómicas para la localización
de los electrodos, teniendo como principal referencia el nasion (punto entre el huso frontal
y los dos puntos de la nariz), la segunda referencia es el inion (punto menor trasero del
cráneo) y es la influencia más sobresaliente del hueso occipital” (p. 78), tal como se señala
en la figura 2.5, y las dos postreras menciones se hallan a espalda de los oídos (puntos
pre auriculares). Se acostumbran emplear más punto de vista colocando los electrodos
entre las posiciones reales del sistema de localización 10–20.
Este procedimiento fue delineado para la ubicación de dígitos congruentemente pequeños
para disímiles estudios que son peculiarmente 21 como se muestra en la figura 2.6. Desde
que llegaron los sistemas electroencefalógrafos multicanal y el método topográfico de
emplazamiento de señales, hubo el requerimiento de ampliar el sistema 10-20 para
aumentar la consistencia de los electrodos. Por ello fue planteado un inédito sistema 10-
10 con cabida para 81 canales. Con el pasar de los años lógicamente las necesidades
fueron aumentando con el progreso de nuevas tecnologías derivando en sistemas EEG de
128 y 256 canales, por lo que se extendió el sistema de 10-10 a 10-5, habitando más de
300 emplazamientos para los electrodos. En la figura 2.5 se muestra las localizaciones
desarrolladas a partir del procedimiento 10-20.
31
Figura 2.5: A. Vista de perfil. B. Vista superior. Fp. Punto polar. O. Punto occipital
Fuente: Barea (2013 p.11)
Figura 2.6: A. Vista de perfil. B. Vista superior. Posición de los 21 electrodos típicos.
Fuente: Barea (2013 p.15).
32
Figura 2.7: Posición de los electrodos según el sistema 10-20 extendido.
2.1.2.3. Montaje de un electroencefalograma.
Barea (2013) menciona que “cada electrodo situado sobre la superficie del cuero cabelludo
es un sitio de observación” (p. 32), Para llevar a cabo esta observación es puntual instalar
dos terminales, para ello hay que optar cuál de los electrodos debe ser la fuente de la
indicación registrada para ello tenemos dos tipos de registros (Monopolares y Bipolares),
que a continuación detallamos.
 Registros Monopolares o Referenciales: En este método se adquiere la
indicación de cada uno de los electrodos libremente de los demás. En este
escenario, el electrodo de registros se designa electrodo diligente y el segundo
cordón de entrada al componente se toma de otro electrodo denominado electrodo
de reseña, véase en la figura 2.8 la ubicación de estas.
33
Figura 2.8: Esquema que representa el montaje para un registro monopolar. Fuente:
Barea (2013 p.17).
 Registros Bipolares: En este método se toman dúos de electrodos y se reconocen
la disconformidad de tensión entre cada par de puntos. Los dos electrodos de cada
dúo deben de ser activos tal como se detalla en la figura 2.9:
Figura 2.9: Esquema de un montaje para un regis tro bipolar. El el ectrodo “a” está a un
. . . .
potencial de +5, el electrodo “b” a un potencial de +2, regist rándose así un po tencial de
. . .
(+5) – (+2) = +3. Fuente: Barea (2013 p.19).
34
2.1.3. Filtro digital.
Gómez (2009) nos dice que “los textos técnicos describen a los filtros mediante una
herramienta matemática llamada transformada z” (p. 66), la transformada z tiene una idea
fundamental para el bosquejo de filtros, ya que relaciona los atributos del filtro que
deseamos perfilar y los indicadores de culminación del mismo.
En el diseño de un tamiz digital ya sea FIR o IIR consiste en obtener los coeficientes de la
respuesta al impulso del filtro h(n). Centrándose este trabajo en los filtros FIR.
Vargas (2015) nos comenta que “un tamiz es un sistema, que acatando de algunos
indicadores efectúa un procedimiento de segregación de una señal de entrada
consiguiendo diversificaciones en su salida” (p.51), los tamices digitales tienen como
acceso una señal digital, esta indicación puede ser cambiar su profundidad, periodicidad o
fase estribando de los atributos del tamiz y teniendo como salida otra señal digital.
El filtro digital radica en la ejecución endógena de un procesado de datos de entrada. La
cuantía del prototipo de la entrada actual y algunas muestras preliminares
(anticipadamente acumuladas son aumentados por coeficientes determinados. También
puede tener valores de la salida en intervalos pasados y multiplicados por otros
coeficientes. Finalmente, todos los resultados de todas estas multiplicaciones son
sumados, dando una salida para un instante actual. Esto nos indica que tanto la salida y la
entrada del tamiz son digitales, por lo que es necesario una transformación análogo – digital
o digital – análogo para el uso de tamices digitales en emisiones analógicas.
2.1.3.1. Tipos de filtro.
Existen diversas clases de filtros y diversas sistematizaciones para estos filtros:
De acuerdo con la parte del espectro que dejan pasar y atenúan hay:
 Filtro pasa alto.

.
 Filtro pasa bajo.

.
 Filtro pasa banda.

.
o Banda eliminada.
.
35
o Multi banda.
o Pasa todo.
. .
o Resonador. etc.
.
De acuerdo con su orden: .
 Primer orden.
. .
 Segundo orden, etc.

. .
De acuerdo con el tipo de respuesta ante entrada unitaria:
 FIR (Finite Impulse Response).
 IIR (Infinite Impulse Response).
 TIIR (Truncated Infinite Impulse Response).
De acuerdo con la estructura con que se implementa:
 Directa..
 Transpuesta..
 Cascada.
.
 Fase Lineal. .
Es imprescindible trazar mecanismos o algoritmos que efectúen rutinas sobre las
indicaciones a los que le denominaremos sistemas. .
Un sistema maniobra sobre una señal de acceso o excitación como una norma
preestablecida, para componer otra señal de salida o respuesta del sistema que puede
representarse:
y[n] = T (x[n])
Donde T personifica la transformación, ejecutor o procesado realizado por el sistema sobre
la señal “x” para provocar la señal “y”, véase en la figura 2.10. La representación del
sistema en relación a la señal de acceso y señal de evasiva.
36
Figura 2.10: Esquema de “sistema, señal de entrada y respuesta o salida del sistema. Fuente:
Vargas (2015 p.3).
Existen diversas formas de personificar un sistema, ya que los regímenes reales están
compuestos como interconexiones de varios subsistemas, tal como se muestra en la
figura 2.11.
a) Serie o cascada
b) Paralelo
c) Retroalimentación
Figura 2.11: Interconexión de sistemas.
Fuente: Vargas (2015 p.3).
Concurren dos métodos elementales para el estudio de la conducta o contestación de un
método lineal ante una concluyente entrada. Teniendo como primer método resolver la
ecuación acceso-salida del sistema que en frecuente tiene la forma de las ecuaciones en
diferencias lineales a coeficientes invariables 𝑎𝑚 , 𝑏𝑘 :
37
𝑁𝑎 −1 𝑁𝑏 −1
∑ 𝑎𝑚 𝑦[𝑛 − 𝑚] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘]
𝑚=0 𝑘=0
Siendo 𝑁𝑎 𝑦 𝑁𝑏 los ordenanzas máximas de las divergencias en la ecuación concerniente
a la salida y acceso del sistema.
El siguiente método para el estudio de la conducta del sistema consiste en aplicar la
apertura de superposición y reside en desordenar la señal de entrada en una suma pesada
de señales esenciales las cuales se seleccionan de manera que sea acreditada la réplica
del sistema a las mismas y una señal a tiempo circunspecto puede concebirse como una
sucesión pesada de impulsos inherentes:

∞
𝑥[𝑛] = ∑ 𝑥[𝑘]. 𝛿[𝑛 − 𝑘]

𝑘=−∞
Empleando la propiedad de superposición de los SLIT (Sistemas Lineales e Invariantes en
el Tiempo), se puede establecer la salida del sistema ante una entrada de la subsecuente
manera.
∞
𝑦[𝑛] = ∑ 𝑥[𝑘]. ℎ[𝑛 − 𝑘]

𝑘=−∞
Concurriendo ℎ[𝑛] la réplica o salida del método ante una entrada parecida a un impulso
unitario 𝛿[𝑛], designada respuesta al impulso del sistema. La segunda parte de la
expresión personifica el producto de convolución de la señal de entrada 𝑥[𝑛] y la
contestación al impulso del sistema ℎ[𝑛], y está representada de la siguiente manera:
𝑦[𝑛]= 𝑥[𝑛] * ℎ[𝑛]= ℎ[𝑛] * 𝑥[𝑛]
Tanto en el caso continuo como en el caso circunspecto, la contestación al impulso LTI
(Lineales e Invariantes en el Tiempo) exhibe los siguientes atributos:
a) Sin memoria: ℎ[𝑛]=0 para n≠0
b) Causal: ℎ[𝑛]=0 para n<0
c) Invertible: dado ℎ[𝑛] existe ℎ′[𝑛] tal que ℎ[𝑛]* ℎ′ [𝑛]= 𝛿[𝑛]
d) Estable: ∑∞
𝑘=−∞ |ℎ[𝑛]|<∞
38
También concurren otras formas de personificar un filtro, todos son semejantes a la
contestación del impulso indivisible de “Sistema Lineal e Invariante en el Tiempo”, sin
embargo conviene más una u otra representación. Se puede citar, vamos a obtener la
función de transferencia del sistema, aplicando la transformada Z a la ecuación de
divergencias lineales de la siguiente manera.

𝑁𝑎 −1 𝑁𝑏 −1
A la ecuación ∑𝑚=0 𝑎𝑚 𝑦[𝑛 − 𝑚] = ∑𝑘=0 𝑏𝑘 𝑥[𝑛 − 𝑘] se aplica la transformada Z
obteniendo:
∑𝑁 𝑏 −1
𝑘=0 𝑏𝑘. 𝑍
−𝑘
𝐻(𝑍) =
∑𝑁𝑎 −1
𝑚=0 𝑎𝑚 . 𝑍
−𝑘
En donde 𝑍 = 𝐴. 𝑒 𝑗Ω es la variable complicada en forma polar, cuando el modelo A=1, La
locución se somete a la contestación en frecuencia del sistema a través de la transformada
de Fourier a tiempo discreto:
∑𝑁 𝑏 −1
𝑘=0 𝑏𝑘. 𝑒
−𝑗Ω𝑘
𝐻(Ω) =
∑𝑁𝑎 −1
𝑚=0 𝑎𝑚 . 𝑒
−𝑗Ω𝑘
Donde Ω es la frecuencia angular a dicha transformada. Para el caso de ejecutar la
escritura en el dominio temporal discreto o de variable n, se agencia la salida del sistema:

𝑁𝑏 −1 𝑁𝑎 −1
𝑦[𝑛] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] − ∑ 𝑎𝑚 𝑦[𝑛 − 𝑚]

𝑘=0 𝑚=0
En donde los factores 𝑎𝑚 y 𝑏𝑘 son los coeficientes que definen el tamiz, por lo tanto el
proyecto reside en automatizarlos. Como norma general se suele designar el término 𝑎0 =
1.
2.1.3.2. Filtros digitales FIR.
Son filtros de Respuesta Finita de Impulsos o por sus siglas en ingles FIR (Finite Impulse
Response), consiste en que si el acceso es una señal impulso, la salida tendrá un numero
finito de términos no nulos. La distribución de la indicación a la salida del tamiz se basa en
la mixtura lineal de las entradas presentes y antepuestas, esto es:
39
𝑁−1 𝑁−1
𝑦[𝑛] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] = ∑ ℎ[𝑘]. 𝑥[𝑛 − 𝑘] 𝑐𝑜𝑛 ℎ[𝑘] = {ℎ0 , ℎ1 … ℎ𝑁−1 }

𝑘=0 𝑘=0
En donde N es el mandato del filtro, que también concuerda con número de coeficientes
𝑏𝑘 del filtro y con el número de términos no nulos. La ecuación anterior atañe a la
convolución de la señal de entrada 𝑥[𝑛] con la respuesta de impulso del filtro FIR ℎ[𝑛].
Luego aplicamos la transformada Z a la contestación de impulso del tamiz FIR ℎ[𝑛],
Obteniendo:
𝑁−1
𝐻(𝑍) = ∑ ℎ𝑘 . 𝑍 −𝑘 = ℎ0 + ℎ1 . 𝑍 −1 + ⋯ + ℎ𝑁−1 . 𝑍 −(𝑁−1)

𝑘=0
En la figura 2.12 se detalla el diagrama de bloques de la estructura básica del filtro FIR.
Figura 2.12: Representación en diagrama de bloques del filtro FIR, para un total de 12
coeficientes. Fuente: Vargas (2015 p.6).
2.1.3.3. Método de ventanas.
Carrión, Carlos (2015) afirma: “El diseño de filtros FIR consiste en obtener los valores de
ℎ[𝑛] que cumplan los requerimientos del filtro” (p.19).
Para tener una mejor referencia de cómo se halla el filtro real se efectúa la figura 2.13.
Figura 2.13: Filtro real por medio de ventana.
Fuente: Elaboración propia.
40
Donde el ℎ𝑖 [𝑛] (filtro ideal) multiplicado por la ventana 𝑤[𝑛] da como resultado ℎ[𝑛] (filtro
real).
Melo (2015) nos dice que el ℎ𝑖 [𝑛] es el filtro pasa bajo ideal y está dado por el siguiente
enunciado.
 N  1 Fc
 sin(2 (n  2 ) Fs ) N 1
 , 0n 1
N 1 2
  (n  )
 2
hi [n]  
 Fc N 1
 2 , n
Fs 2



Donde N es el número de pesos del filtro, Fc es la periodicidad de corte y Fs es la
periodicidad de muestreo. Donde las ventanas más utilizadas son detalladas en la tabla
2.5:
 Ventana Hamming.
 Ventana Von Hann.
 Ventana Rectangular.
 Ventana Blackman.
 Ventana Triangular.
Tabla 2.5: Ventanas más empleadas en las operaciones de ventaneo.
Fuente: Melo (2016 p.10).
Ventanas a b c
Hamming 0.54 - 0.46 0
Von Hann 0.5 - 0.5 0
Rectangular 1 0 0
Blackman 0.42 - 0.5 0.08
41
De donde a, b y c son coeficientes de la siguiente ecuación de ventaneo:
2n 4n N 1
w[n ]  a  b * cos( )  c * cos( ), 0n
N 1 N 1 2
Detallamos las conversiones de filtro haciendo referencia que toda conversión parte de un
tamiz pasa bajo.
a) Filtro Pasa alto.
 N -1
  [n]  hi , PasaBajo[n],  n 
2

hi , PasaAlto[n]  
 N -1 N -1
 hi , PasaBajo[n],  n  y Nn
 2 2
b) Filtro Pasa banda.

hi ,PasaBanda[n]  hi ,PasaBajo2 [n]  hi ,PasaBajo1[n]
c) Filtro Rechaza o elimina banda.
 N -1
  [n]  hi , PasaBanda[n],  n 
2

hi ,RechazaBanda[n]  
 N -1 N -1
 hi , PasaBanda[n],  n  y Nn
 2 2
d) Filtro Multi banda.

hi ,MultiBanda[n]  hi , PasaBajo4 [n]  hi , PasaBajo3[n]  hi , PasaBajo2 [n]  hi , PasaBajo1[n]
2.1.4. Transformada discreta de Fourier.
Cañal (2017) realiza una introducción a la transformada de Fourier mencionando que los
estudios de Fourier tienen más de 200 años. Siendo sus comienzos unos 60 años en
antelación de que Fourier presente su trabajo sobre la teoría de la conducción del calor a
la Academia de Paris en 1807. En 1755 Daniel Bernoulli planteó un procedimiento en
función de frecuencias estacionarias para resolver el problema de la cuerda vibrante, su
argumento se entiende mejor al considerar la siguiente ecuación de la cuerda.
42
𝑦(𝑡, 𝑥) = sin 𝑘𝜋𝑥 cos 𝑎𝑘𝜋𝑡
Sin embargo, Euler no estaba de acuerdo con este planteamiento teniendo dos objeciones:
En primer término, la hipótesis de Bernoulli involucrarían que cualquier función f(x), puede
personificarse como la siguiente ecuación de Euler para la cuerda.
𝑓(𝑥) = ∑ 𝑎𝑘 sin 𝑘𝜋𝑥
La segunda objeción es que la ecuación anterior no puede ser una respuesta general del
inconveniente, ya que la parte derecha de la ecuación (si bien sea una serie infinita) es una
función metódica.
En 1807 Fourier exhibió su trabajo Mémoire sur la propagation de la chaleur al Insituto de
París. El estudio recibió poca recepción y el jurado recomendó a Fourier que mejorara su
trabajo, y lo exhibiera para el gran premio de 1812. El panel de jueces de la Academia para
este concurso incluía a Lagrange, Laplace y Legendre, proporcionaron a Fourier el gran
premio. El gran premio contenía el siguiente comentario:
“La forma en la que el autor llega a sus ecuaciones no está exime de conflictos, y su
investigación deja algo que esperar bien en generalidad incluso en severidad”
En definitiva, el artículo jamás fue transmitido, sino hasta el año 1822 que Fourier divulgó
su labor nombrado “Théorie analytique de la chaleur” sobre la conducción del calor y la

“
teoría de las series trigonométricas. Desde ese año Fourier albergó mucho más
“
aclamaciones que los de la Academia de Paris. Fue tan motivador el trabajo de Fourier
para otros investigadores como William Thompson y James Clerk Maxwell que lo llamó un
“gran poema matemático”.
Inicialmente la transformada de Fourier fue un instrumento para la solución de ecuaciones
diferenciales en derivadas parciales, como el problema del calor o el problema de la cuerda
vibrante. Pero actualmente tienen varios usos entre los que se destacan: el análisis
espectral (en frecuencia) de las señales digitales, para comunicaciones, en decodificación
y codificación en MP3, etc.
43
Para este trabajo de investigación se usará el FFT, que realiza la misma función de la
transformada de Fourier pero es un algoritmo más optimizado.
Gómez (2016) nos dice que “la transformada discreta de Fourier, tiene una técnica de
optimización llamada transformada de Fourier rápida o FFT (Fast Fourier Transform), es
un algoritmo expedito y eficaz, conjuntamente es una de las metodologías de procesado
de indicaciones más transcendentales en la investigación de datos de sucesiones
temporales, porque en sistemas con indicaciones digitalizadas la innovada de Fourier
clásica no marcha, siendo su importe computacional es muy bajo” (p. 77)
La FFT no tiene una noción dificultosa de concebir y de corresponder con las indicaciones
a tratar, a pesar de que tiene una función matemática difícil, esto se ejecuta
fundamentalmente tomando una señal y se desmonta en disímiles ondas de desiguales
profundidades y periodicidades. Para luego realizar la manufactura escalar en forma de
convolución entre la señal que se va a educarse, para este trabajo son los datos derivados
del EEG, con una sucesión de ondas senoidales a diferentes frecuencias, donde el número
de estas ondulaciones senoidales y las frecuencias de cual son concluyentes por el número
de datos de la señal a investigar, ya que el número de periodicidades ideales que pueden
extirparse es puntualmente la mitad de los puntos de la serie temporal a efectuar, ya que
se debe consumar el teorema de Nyquist.
2.1.4.1. Transformada Discreta de Fourier (DFT).
Cañal (2017) nos menciona que es “un tipo de transformada discreta situada en el análisis
de Fourier” (p. 21), transfigura una función matemática en otra, siendo la función única en
el dominio del tiempo y consiguiendo una representación en el dominio de la frecuencia.
La transformada discreta de Fourier demanda que la función de entrada tiene una
continuación discreta y persistencia finita. Dichas sucesiones se suelen disponer a partir
del muestreo de una función continua.
Al contrario que la transformada de Fourier en tiempo discreto (DTFT), esta innovación solo
valora bastantes elementos frecuenciales para reformar el fragmento finito que se examina.
44
Al emplear la DFT involucra la sección que se considera es un único espacio de una señal
periódica que se amplifica de forma perenne; si esto no se efectúa se debe de utilizar una
ventana para restringir los espurios del espectro.
Por este motivo, la DFT inversa (IDFT) no puede representar el dominio del tiempo
consumado, a no ser que la entrada sea corriente perpetuamente. Por este raciocinio se
señala que la DFT para análisis de indicaciones en período discreto y dominio finito. Las
funciones sinusoidales que brotan de la disgregación tienen los mismos atributos.
La DFT tiene como entrada una secuencia finita de números reales o complejos, de modo
que es ideal para elaborar información acumulada en medios digitales.
En particular, la DFT se emplea usualmente en procesado digital de señales y otros campos
afines destinado a investigar las frecuencias que engloba una señal muestreada, para
solucionar ecuaciones diferenciales parciales y para llevar a cabo instrucciones como
convoluciones o crecimientos de extensos números enteros. La ecuación de la DFT se
define como:
𝑁−1
−𝑗.2.𝜋.𝑘.𝑛
𝑋(𝑘) = ∑ 𝑥(𝑛). 𝑒 𝑁
𝑛=0
Donde:
𝑥(𝑛): Son las muestras de la señal.
𝑋(𝑘): Son las muestras de la DFT.
𝑒: Base de los logaritmos neperianos.
N: Número de muestras.
𝑛: Número de la muestra actual.
Para el cálculo original a partir de sus elementos discretos en la potestad de la frecuencia,
se utiliza la transformada inversa discreta (IDFT).

𝑁−1
1 −𝑗.2.𝜋.𝑘.𝑛
𝑥(𝑛) = . ∑ 𝑋(𝑘). 𝑒 𝑁
𝑁
𝑛=0
45
Esta se utiliza en gran parte para temas de filtrado de señales y a veces en predicciones
en series temporales.
2.1.4.2. FFT (Fast Fourier Transform).
Cañal (2017) nos dice que la FFT “es un algoritmo eficaz que admite prever la transformada
de Fourier Discreta (DFT) y su inversa” (p. 33). El algoritmo coloca algunas restricciones
en la indicación y en el espectro consiguiente. Por ejemplo: la indicación de la que se
admitieron muestras y que se va a transformar debe radicar de un número de muestras
equivalente a una potencia de dos.
La generalidad de los evaluadores de frecuencia condescienden la transformación de 512,
1024, 2048, 4096 muestras. El rango de frecuencias protegido por el examen varía de la
cantidad de ejemplares recogidos y de la dimensión de muestreo.
La transformada rápida de Fourier es de jerarquía primordial en el examen matemático y
ha sido motivo de cuantiosos estudios. Las aplicaciones de la transformada de Fourier son
variadas. Es el origen de muchas operaciones esenciales del proceso de señales, donde
tiene un extenso empleo.
Como se ha dicho anteriormente, este algoritmo realiza el cálculo de la DFT más
eficientemente. A continuación mostraremos un algoritmo de cálculo de la FFT:
Se tiene la siguiente ecuación de la DFT modificada.

𝑁−1 𝑁−1
𝑋(𝑘) = ∑ 𝑥(𝑛). 𝑒 𝑁 = ∑ 𝑥(𝑛). 𝑊𝑁𝑘.𝑛
𝑛=0 𝑛=0
Donde:
−𝑗.2.𝜋
𝑊𝑁 = 𝑒 𝑁
Y
𝑊𝑁𝑘.𝑛 = 𝑒 𝑁
También podemos expresarla ecuación anterior en forma trigonométrica como:

2𝜋 2𝜋
𝑊𝑁𝑘.𝑛 = 𝑒 𝑁 = cos ( 𝑁 ) − 𝑗 𝑠𝑒𝑛( 𝑁 )
46
2.1.5. Inteligencia artificial.
Ponce (2010) nos dice que: “para entender el concepto de inteligencia artificial, primero
tenemos que hacernos la siguiente pregunta: ¿Qué es la inteligencia? Es una pregunta
difícil de responder y que no ha sido solucionada íntegramente, la cual sigue perturbando
tanto a los biólogos como a los psicólogos y filósofos de la época actual” (p. 77). Por
supuesto que el propósito de esta investigación no es arreglar la disputa. Sino la finalidad
es exteriorizar algunos conceptos en relación a la noción de inteligencia que nos auxilie a
reconocer indiscutibles atributos distintivos de la llamada inteligencia artificial (IA).
Podemos empezar por recalcar algunas características frecuentes que exhibe la
inteligencia humana, se puede citar, la destreza de revolverse nuevas escenarios, la pericia
de solucionar problemas, confeccionar planes, etc. Desde un inicio el individuo se simbolizó
al mundo existente mediante los emblemas, las cuales componen la base del lenguaje
humano. Por tal motivo, se puede reflexionar la inteligencia artificial como una jerga
figurada establecida por sucesiones de grafías que simbolizan concepciones del mundo
real. Por ende, la inteligencia artificial es una rama de las ciencias computacionales que se
ocupa de los distintivos y metodologías no algorítmicos para la conclusión de problemas.
Entonces las ramas que componen la inteligencia artificial son divididas en tres y estas son:
Lógica difusa, Redes neuronales artificiales y Algoritmos genéticos. Cada rama se
manifiesta de tipologías exclusivas, así como de una función determinada. A continuación
explicaremos brevemente las tecnologías mencionadas, pero teniendo en cuenta que esta
investigación trata de las redes neuronales artificiales.
 Lógica difusa
Los ordenadores operan datos exactos que se comprimen en sucesiones de unos (1) y
ceros (0) y prefijos que son seguras y falsas. Los individuos tienen un sentido habitual que
les aprueba motivar en un universo donde las cosas son por partes irrefutables.
47
La lógica difusa es una rama de la inteligencia artificial que le consiente a un ordenador
investigar la enunciación del mundo existente en un escalafón entre falso y verídico.
El idioma natural opera nociones no precisas como “hace frío” o “el precio es alto”. Luego
convertimos el lenguaje humano al argumento de la lógica clásica se pierde el patrimonio
de representación, a veces pérdidas muy significativas.
Cuando los matemáticos necesitan de algoritmos que establecen cómo un método debe
reconocer a indiscutibles entradas, la lógica difusa puede intervenir o representar el
sistema utilizando normas de sentido común que describen a cantidades indeterminadas.
Los sistemas difusos tienen normas tomadas de peritos, pero cuando no hay peritos los
sistemas indeterminados adaptivos asimilan las normas contemplar cómo las personas
manipulan sistemas reales.
 Redes neuronales artificiales:
La tecnología neural trata de reproducir el procedimiento de remedio de dificultades del
cerebro. Así como el uso de las experiencias ganadas a nuevos dificultades o escenarios,
un entramado neural toma como ejemplos inconvenientes determinados para edificar un
método que toma decisiones y efectúa categorizaciones. Las complicaciones
proporcionadas para la tecnología neural son aquellos que no hay solución computacional
exacta o que demandan algoritmos muy amplios.
Las redes neuronales se establecen en sistematizar información extirpada de datos
experimentales, tablas bibliográficas o base de datos, los cuales se establecen por
expertos individuos.
 Algoritmos genéticos:
Un algoritmo genético es una destreza de búsqueda estimulada en los fundamentos de
selección natural. Los algoritmos genéticos no examinan organizar el avance biológico
acaso emanar tácticas de optimización. Dicha concepción se cimienta en la generación de
poblaciones de sujetos mediante la procreación de los progenitores.
48
Muchos inconvenientes tienen competencias propósitos complejos y la perfección alarga a
consumar en pequeñísimos y máximos locales. La imagen de los algoritmos genéticos es
mejorar (encontrar el superlativo o imperceptible) una función objetivo empleando los
principios de la selección natural sobre los indicadores de la función.
2.1.5.1. Redes neurales biológicas.
Ponce (2010) nos comenta que los entramados neuronales artificiales son aproximaciones
no lineales a la forma en que trabaja el cerebro; por ello no se deberá equipararse
concisamente con el cerebro ni involucrar los principios que cimientan maniobra de las
redes neuronales artificiales y el cerebro tampoco cavilar que las redes neuronales se
asientan exclusivamente en las redes biológicas ya que sólo pugnan en una parte muy
sencilla la actividad del cerebro humano.
Las redes neuronales artificiales pueden aprenderse como aproximaciones ecuménicas
desde el punto de vista matemático.
Debemos conocer que una neurona biológica es una célula experta en gestionar
información, concertada por el cuerpo de la célula designada soma y dos tipos de
ramificaciones que son el axón y las dendritas. La neurona toma las señales (impulsos) de
otras neuronas a través de sus dendritas y transfiere señales concebidas por el cuerpo de
la célula a través del axón, como se plasma en la figura 2.14.
Figura 2.14: Elementos neurales. Fuente: Ponce (2010 p.194).
49
Una neurona consigna un cuerpo celular de forma casi hemisférica, de 5 a 10 micras de
diámetro, del que surgen una sección principal “axón” varias ramas más pequeñas
nombradas “dendritas”. Las neuronas tienen la facultad de notificarse, las dendritas y el
cuerpo celular recogen señales de acceso; el cuerpo celular las armoniza e integra y emite
señales de salida. El axón trasmite esas señales a las terminales axónicos, los cuales
intercambian la información. En el cerebro humano hay un aproximado de 1015
conexiones.
Las señales que se emplean son de dos clases eléctricas y químicas. La indicación que se
genera por la neurona y es trasladada en toda la extensión del axón es una propulsión
eléctrica, mientras que las señales que se transmiten entre los terminales axónicos de una
neurona y las dendritas de la otra son de arranque químico.
Para tener una semejanza continua entre la labor sináptica y las redes neuronales
artificiales se reflexiona que las señales que alcanzan a la sinapsis son los accesos a la
neurona; estas son aliviadas o resumidas a través de un indicador designado peso,
agrupado a la sinapsis conveniente. Estas indicaciones de entrada pueden incitar a la
neurona (sinapsis con peso positivo) o privarla (sinapsis con peso negativo).
2.1.5.2. Definición de una red neuronal artificial.
Ponce (2010) nos menciona que “las redes neuronales artificiales se concretan como
técnicas de mapeos no lineales cuya distribución se basa en ideales contemplados en los
sistemas nerviosos de los individuos y animales” (p. 55). Consigna muchos procesadores
simples ligados por uniones con pesos. Las neuronas son el módulo de procesamiento.
Cada módulo absorbe accesos de otros nodos y concibe una alternativa simple escalar
que esta depende de la información local utilizable, reservada interiormente o que llega por
medio de las uniones con pesos. Pueden ejecutarse muchas atribuciones complicadas
acatando las uniones.
50
Una red neuronal se determina por los consiguientes componentes:
 Un cumulo de aparatos de procesamiento o neuronas.
 Una fase de activación para cada módulo, semejante a la salida del módulo.
 Conexiones entre los módulos, habitualmente determinadas por un peso que
establece el resultado de una señal de entrada en el módulo.
 Una regla de difusión, que decreta la entrada segura de un módulo a partir de las
entradas exteriores.
 Una atribución de activación que renueva la nueva etapa de activación
fundamentándose en el acceso efectivo y la activación preliminar.
 Una entrada periférica que incumbe a un término determinado como bias para cada
módulo.
 Un método para reclutar la información, adecuada a la regla del aprendizaje.
 Un ambiente en el que el procedimiento va a aplicar, con señales de acceso e incluso
señales de error.
En muchas redes los módulos de procesamientos tienen refutaciones de la forma:
𝑦 = 𝑓 (∑ 𝜔𝑘 . 𝑥𝑘 )
𝑘
Donde:
𝑥𝑘 : Señales de salida de otros nodos o entradas externas.
𝜔𝑘 : Pesos de las ligas de conexiones.
f (•): Función no lineal escueto.
Cada módulo de métodos tiene una labor simple: toma la entrada de otros módulos o de
fuentes exteriores y configura la información para conseguir una salida que será ventajosa
a otros módulos. Las entradas externas son empleadas en el primer estrato, y las salidas
se consideran la última capa. Los estratos internos que no se estudian como entradas o
salidas se nombran capas ocultas. Las entradas no se meditan como capa porque no
efectúan algún proceso.
51
La entrada total μ de una unidad k es la suma de los pesos de las entradas acopladas, más
un bias θ:
𝜇 = ∑ 𝜔𝑗 . 𝑥𝑗 + 𝜃
𝑗
Si el peso 𝜔𝑗 es positivo se habla de una excitación, si el peso es negativo se piensa una
abstención del acceso.
2.1.5.3. Elementos de una red neuronal artificial.
Ponce (2010) nos dice que “una red neuronal artificial consta de un cumulo de elementos
de procesamiento conectados entre sí y entre los que envían información a través de
conexiones” (p. 89). En la figura 2.15 se muestra un bosquejo básico de una red neuronal
artificial, el cual muestra las diferentes capas que tiene esta topología, que es una
estructuro denominada feed-forward (hacia delante) debido al flujo de investigación.
Figura 2.15: Esquema básico de una RNA. Fuente: Ponce (2010 p.202).
Los elementos primordiales de una RNA son:
 Conjuntos de cúmulos de procesamiento (neuronas).
 Conexiones entre u nidades (sindicado a cada con exión un pes o o valor)

. . .
 Funciones de salida o activa ción para cada uni dad de procesamiento.

. .
52
2.1.5.4. Entrenamiento de las redes neurales.
Se designa adiestramiento al procedimiento de configuración de una red neuronal para que
las entradas promuevan las salidas ansiadas a través de las uniones. Una forma de llevar
a cabo es a partir del establecimiento de pesos acreditados con antesala, otro
procedimiento empleado es la técnica de retroalimentación y modelos de instrucción que
cambian los pesos hasta hallar los convenientes.
La instrucción puede fraccionarse en controlado y no controlado. En el caso de controlado
se implantan entradas que pertenecen a definitivas salidas ya sea por un agente externo o
por el mismo sistema. En el caso de no controlado, el adiestramiento se enfoca a encontrar
atributos estadísticas entre agrupamientos de modelos en las entradas.
2.1.5.5. La capa de Kohonen original y modificada.
Melo (2000) nos dice que la capa de Kohonen o mapa auto-organizado de Kohonen es un
arreglo multidimensional de neuronas. Los cuales son creados y distribuidos de modo que
sus radios de activación comprendan todo el espacio de dispersión de las variables de
entrada. Dado un vector de entrada 𝑥, un grupo contiguo de neuronas puede ser activado
si estos son más excitados por la entrada que sus vecinos: cuando las neuronas son
activadas se ajusta sus vectores de sinapsis 𝑤𝑖 con el fin de hacerlos más parecidos a la
entrada 𝑥.
𝑎𝑛𝑡𝑖𝑔𝑢𝑜 𝑎𝑛𝑡𝑖𝑔𝑢𝑜
𝑤𝑖𝑛𝑢𝑒𝑣𝑜 = 𝑤𝑖 + 𝛼(𝑥 − 𝑤𝑖 ) (1)
Donde 𝛼 es el paso de entrenamiento con valor típico de 0.1. Las neuronas no activadas
no se ajustan, manteniendo los valores antiguos de sus vectores de sinapsis. Por ello, este
entrenamiento se llama competitivo.
Una forma simplificada y más práctica de usar una capa de Kohonen en clasificadores es
considerar un arreglo unidimensional (una capa) de neuronas conectadas en una
estructura WTA (winner takes all), por su traducción el ganador se lleva todo como se
muestra en la figura 2.16. Los enlaces entre las neuronas de la figura simbolizan la
53
aplicación del criterio WTA. En este caso, sólo la neurona más excitada es activada.
Considerando que |𝑤𝑖 | = 1 y |𝑥| = 1 para todo 𝑤𝑖 y para todo 𝑥 , la excitación 𝑢𝑖 de la i-
ésima neurona.
𝑑𝑖2
𝑢𝑖 = 𝑥 𝑡 . 𝑤𝑖 = 1 − 2
(2)
Está relacionada a la distancia euclidiana 𝑑𝑖 entre la entrada 𝑥 y el vector de sinapsis 𝑤𝑖
de la neurona 𝑖, por lo tanto una medida de similitud entre 𝑤𝑖 y 𝑥.
Figura 2.16: Capa de Kohonen. Fuente: Melo (2000 p.5).
Para 𝑢𝑖 = 1, 𝑤𝑖 y 𝑥 coinciden y para 𝑢𝑖 = −1, 𝑤𝑖 y 𝑥, son opuestos en la esfera de radio
unitario que representa el lugar geométrico de todos los vectores normalizados. Se muestra
una entrada 𝑥 a la red, la neurona ganadora o la más excitada es aquel cuyo vector 𝑤𝑖 es
el más similar a 𝑥. Con el entrenamiento competitivo descrito, las sinapsis 𝑤𝑖 se dirigirán a
los centros de las clases de las entradas 𝑥, realizando un agrupamiento de las entradas
por similitud, en un entrenamiento no supervisado y competitivo.
2.1.5.6. Red ART y Red ART modificada.
Melo (2000) nos menciona que las redes ART (adaptive resonance theory), fueron
propuestas originalmente por Grossberg, y se presentaran aquí con una estructura
diferente, más simples pero que pueden realizar la misma función o incluso funciones más
sofisticadas.
54
Las redes ART comparan las entrada x con patrones internos ya almacenados 𝑤𝑖 . Si el
patrón 𝑤𝑖 es más similar a la entrada satisface a un criterio de similitud mínima, que se
describirá a continuación. Es entrenado de acuerdo a la ecuación (1). En caso contrario se
crea un nuevo patrón 𝑤𝑖 = 𝑥.
El criterio de similitud mínima normalmente utilizado se satisface cuando la distancia
euclidiana entre 𝑤𝑖 y 𝑥 es menor que un radio de similitud 𝑟0 , del siguiente enunciado.
𝑑𝑖2 𝑟0
𝑢𝑖 = 𝑥 𝑡 . 𝑤𝑖 = 1 − 2
> 𝑢0 = 1 − 2
(3)
Esta relación puede ser escrita de la forma:
𝑥 𝑡 . 𝑤𝑖 − 𝑢0 > 0 (4)
Puede ser implementado por la red de la figura 2.14 incluyendo una polarización.
𝑟02
𝑏 = 𝑢0 = − (1 − 2
) (5)
En cada neurona y una neurona extra con entrada fija 𝑢𝑛+1 = 0, el cual permite verificar si
la condición de similitud mínima dada por la desigualdad (4) fue violada incluso por la
neurona más resonante. La nueva red se presenta en la figura 2.17.
En el inicio del entrenamiento, solo hay la neurona con entrada cero, que se le denomina
neurona 𝑛 + 1. Luego se inserta una nueva neurona, cuyo vector de sinapsis es igual al
primer vector presentado en la entrada de la red.
Se presentan nuevas entradas, si una determinada neurona satisface la condición de
similitud, entonces su vector de sinapsis se ajusta de acuerdo a la ecuación (1) y los demás
permanecen como están. Si dos o más neuronas son activadas, sólo el más resonante es
modificado.
55
Figura 2.17: Red ART modificada. Fuente: Melo (2000 p.7).
Si la condición de similitud no se cumple, la neurona 𝑛 + 1 se convierte en la vencedora y
un nuevo patrón se inserta en la red (se realiza 𝑛 = 𝑛 + 1 y 𝑤𝑛 = 𝑥) y ningún vector de
sinapsis ya existente se ajusta.
Al igual que en la capa de Kohonen convencional, esta red agrupa las entradas según un
criterio de similitud, en un entrenamiento no supervisado y competitivo. La diferencia es
que la agrupación es más precisa, debido a la exigencia de una similitud mínima y la
convergencia más rápida, más fácil y más confiable.
Este enfoque permite nuevas e interesantes alternativas, como la creación de una sub red
para cada clase posible en el espacio de patrones de entrada. Véase la figura 2.18.
Cada sub red se crea sólo como los patrones de su clase. A continuación esta sub red se
utiliza presentando las mismas entradas concernientes a otras clases. Siempre que una
neurona es indebidamente activada, se reduce el radio el radio respectivo para impedir tal
activación. Esto es factible pues, como la polarización es independiente, cada neurona
puede tener un radio de similitud diferente. De este modo, se efectúa un entrenamiento
semi-supervisado. Este proceso, sin embargo, hace que algunos de los vectores de la clase
concerniente a la sub red se excluyan del mapa de Kohonen previamente entrenado, o que
implica la necesidad de un nuevo entrenamiento con tales vectores. A través de este
56
proceso iterativo, nuevas neuronas son adicionados a las sub redes, con radios
progresivamente menores.
Figura 2.18: Red ART compuesta de sub redes. Fuente: Melo (2000 p.8).
Para minimizar el número de etapas de entrenamiento, se utilizan radios iniciales distintos
para cada sub-red. Al levantarse el histograma de las distancias entre los elementos de
cada clase, un buen criterio es tomar el primer valor modal del histograma como radio inicial
de esta clase. Cabe señalar que el entrenamiento de las sub redes en sí no es supervisado,
como ocurre convencionalmente en mapas de Kohonen. Después de entrenadas las
subredes, las salidas de las neuronas de una misma sub red, que representan una misma
clase, se conectan a un UO lógico, que forman la salida de clase. Las sub redes se
conectan entre sí a través de la capa WTL para formar un entramado global, como se
muestra en la figura 2.16. Otra propiedad interesante que lleva a la simplificación de red es
que las entradas espurias y atípicas pueden crear neuronas inútiles, que posiblemente no
serán activados por otros vectores de entrada. Por lo tanto, la red puede ser optimizada
poniendo las neuronas con frecuencia de activación excesivamente bajas. De esta manera,
57
la red puede ser significativamente reducida, que se vuelve más rápida, sin pérdida
significativa de sensibilidad.
58
CAPÍTULO 3
DESARROLLO DE LA SOLUCION
La presente investigación se desarrolla dentro del campo científico y tecnológico, sigue el
diagrama de flujo tal como se puntualiza en la figura 3.1.
Figura 3.1: Diagrama de flujo de la tesis.
59
3.1 Descarga de la base de datos.
Las señales de electroencefalogramas analizadas en este trabajo fueron publicadas en el
2003 International Data Analysis on Brain-Computer Interface (Data Set III). Los datos
fueron proporcionados por el Department of Medical Informatics, Institute for Biomedical
Engineering, University of Technology, Graz, Austria.
Universidad de Graz (2003) nos menciona que la base de datos del Data set III, contiene
señales de electroencefalograma de tres canales (C3, C4 y Cz), adquirido utilizando un
tamiz pasa banda de 0.5 a 30Hz y con una frecuencia de muestreo de 128 Hz. Los datos
consisten en 280 pruebas de imaginación de movimientos de las palmas derechas y la
zurda. Teniendo cada prueba una duración de 9s, con 3s de periodo de preparación (donde
se muestra al sujeto una flecha indicando hacia donde realizará el movimiento),
Los datos se guardan en un formato de archivo Matlab. La variable x_train contiene 3
canales EEG, 140 ensayos con 9 segundos cada uno. La variable y_train contiene las la
variables de clase '1', '2' para izquierda y derecha, respectivamente, x_test contiene otro
cumulo de 140 ensayos. La señal se presentó de t = 3s a 9s, como se indica en la figura
3.2.
Figura 3.2: Esquema de sincronización.
Fuente: Universidad de Graz (2003 p.1).
60
3.2. Cargar los datos en el MATLAB R2015a.
La base de datos está guardada en extensión del programa MATLAB
(dataset_BCIcomp1.mat), como se expone en la figura 3.3.
Figura 3.3. Diagrama de flujo para cargar los datos en el programa
MALTAB Fuente: Elaboración propia.
- x_train: Usado para el entrenamiento del sistema. Tamaño de la matriz tridimensional
x_train: 1152x3x140
- y_train: Utilizado para la comparación de las clases a clasificar (mano derecha ‘1’, mano
izquierda ‘2’). Tamaño de la matriz y_train: 140x1.
3.3 División de la base de datos.
El programa se realiza mediante el interfaz gráfico de usuario dentro del programa MATLAB
(GUIDE).
Barragán (2008) nos menciona que GUIDE es un marco de programación visual adecuado
en MATLAB que ejecutan y realizan eventos que tienen ingreso incesante de datos. La
aplicación GUIDE genera dos registros .m y .fig. El registro .m es el que abarca el código
con los botones de control de la interfaz y el archivo .fig. Incluye los componentes gráficos.
61
Luego de cargar la base de datos al programa (dataset_BCIcomp1.mat), se continúa con
la separación de datos usados para el entrenamiento y datos usados para la prueba como
se puntualiza en la figura 3.4. El orden a seguir es el orden ya establecido por la base de
datos.
Teniendo en cuenta que la base de datos tiene una matriz inicial de 1152x3x140
reformulando la matriz obteniendo la siguiente forma 3456x140 y acomodando la matriz
para trabajar mejor 140x3456 (matriz de dos dimensiones). De los cuales las señales de
las 140 muestras ya se saben de antemano cuál mano es la derecha y cuál mano es la
izquierda.
El orden a seguir es el orden ya establecido por la base de datos, los primeros datos
seleccionados serán para el entrenamiento y los datos restantes (70 menos el número de
datos de entrenamiento) serán para la prueba, tanto para la mano derecha como para la
mano izquierda.
0 < 𝑛 ≥ 70
[𝑛 𝑥 3456] Datos para entrenamiento.
[(70 − 𝑛) 𝑥 3456] Datos para prueba.
Figura 3.4. División de la base de datos (GUIDE) en el programa MALTAB
62
3.4 Pre procesamiento de datos.
Teniendo la división de datos se realiza el siguiente paso denominado pre procesamiento
de datos como se visualiza en la figura 3.5.
Figura 3.5: Pre procesamiento de datos (GUIDE) en el programa MATLAB.
Se crea el filtro simétrico con los siguientes datos:
o Frecuencia de muestreo de base de datos 𝐹𝑠 = 128.
o Número de pesos propuesto N=241 (peso del filtro).
o Frecuencia de corte 1: 𝐹𝑐1 = 8𝐻𝑧.
o Frecuencia de corte 2: 𝐹𝑐2 = 12𝐻𝑧.
Fórmula del filtro ideal:
 N  1 Fc
 sin(2 (n  2 ) Fs ) N 1
 , 0n 1
N 1 2
  (n  )
 2
hi [n]  
 Fc N 1
 2 , n
Fs 2



Teniendo en cuenta que el filtro ideal pasa banda viene dado por:
63
 Primero se halla el valor del filtro ideal pasa bajo con 𝐹𝑐2, luego se halla el filtro
ideal pasa bajo con 𝐹𝑐1 finalmente se realiza la sustracción obteniendo:

hi ,PasaBanda[n]  hi ,PasaBajo2 [n]  hi ,PasaBajo1[n]
Dónde: 0<=n<=240
Cada una de las 140 muestras de cada fila de la base de datos formado por la matriz 𝑀 =
[140𝑥3456] pasa por el filtro pasa banda.
El filtro real es efectúa multiplicando el filtro ideal por la ventana:
Donde el ℎ𝑖 [𝑛] (filtro ideal) multiplicado por la ventana 𝑤[𝑛] da como resultado ℎ[𝑛] (filtro
real), donde 𝑤[𝑛] viene dado por:
2n 4n N 1
w[n ]  a  b * cos( )  c * cos( ), 0n
N 1 N 1 2
Por ende a, b y c son coeficientes con los siguientes valores según el tipo de ventaneo
según la tabla 3.1:
Tabla 3.1: Ventanas más empleadas en las operaciones de ventaneo.
Fuente: Melo (2016 p.10).
Ventanas a b c
Hamming 0.54 - 0.46 0
Von Hann 0.5 - 0.5 0
Rectangular 1 0 0
Blackman 0.42 - 0.5 0.08
64
 Utilizando la convolución se filtra las señales de la base de datos como se muestra
a continuación.
𝑥[𝑛] h [𝑛] 𝑦[𝑛]

𝑁−1
𝑦[𝑛] = ∑ 𝑥[𝑘]. ℎ[𝑛 − 𝑘]

𝑘=0
Donde:
𝑦[𝑛]: Resultado de la señal filtrada.
𝑥[𝑛]: Tiene el valor de las 3456 muestras de entrada.
𝑁: Se realiza la prueba del filtro con las 3000 primeras muestras.
ℎ[𝑛]: Filtro real.
 Luego se realiza la transformada discreta de Fourier para pasar del dominio del
tiempo al dominio de la frecuencia, con la ecuación siguiente:

𝑁−1
𝑋(𝑘) = ∑ 𝑥[𝑛]. 𝑒 𝑁
𝑛=0
Siendo 𝑋(𝑘) la transformada discreta de Fourier. De esta señal se obtiene el módulo
‖𝑋(𝑘)‖ para obtener el espectro de frecuencia.
Hasta este paso ya tenemos las señales preparadas para el algoritmo de Kohonen
Art.
65
3.5 Entrenamiento y prueba.
Luego de tener los datos pre procesado, se realiza la última etapa denominada
entrenamiento y prueba, como se muestra en la figura 3.6. Siendo “r” (radio) y “α” valores
constantes necesarios para el entrenamiento. Luego pasar a la etapa de prueba, donde se
tiene como resultado el número y porcentaje de aciertos tanto de la palma diestra como de
la zurda.
Figura 3.6: Entrenamiento y prueba. (GUIDE) en el programa MATLAB.
En la etapa entrenamiento y prueba se realiza la utilización de la red neuronal artificial
(RNA) por el método denominado capa de Kohonen ART.
Este método tiene las siguientes ventajas.
 Tiene un proceso de entrenamiento no supervisado.
 No existe un patrón de salida (las fabrica sola).
 Las neuronas se crean automáticamente.
Para comenzar a trabajar con Kohonen Art cada uno de los patrones deben estar
normalizados de acuerdo a la siguiente expresión.
[𝑥1 ∗ 𝑥2 ∗ 𝑥3 ∗ … . 𝑥𝑛 ]
𝑥[𝑛] =
√𝑥12 +𝑥22 +𝑥32 + ⋯ 𝑥𝑛2
Y seguir los siguientes pasos.
66
1er Paso:
 La red se crea al momento del entrenamiento.
 Los pesos sinápticos de la primera neurona serán numéricamente iguales a las
muestras del primer patrón.
Sea:
𝑤 = 𝑥𝑇
[𝑥11 , 𝑥12 , … 𝑥1𝑛 ]
[𝑥21 , 𝑥22 , … 𝑥2𝑛 ] Entonces: 𝑤11 𝑥11
x = [𝑥31 , 𝑥32 , … 𝑥3𝑛 ] 𝑤21 𝑥12
[𝑥41 , 𝑥42 , … 𝑥4𝑛 ] ⋮ = ⋮
𝑤𝑛1 𝑥1𝑛
 Por lo tanto la primera neurona de la red viene dada por la figura 3.7:
Figura 3.7: Primera neurona de la red.
2do Paso:
 Se introduce el segundo patrón,
 Calculamos la salida 𝑈1 .
Sea:
67
3er Paso:
 Se compara 𝑈1 del paso anterior con 𝑈0 siendo:
 Todos los vectores formados por las muestras de cada vector parten del centro de
la hiperesfera de radio unitario.
𝑟2
𝑈0 = 1 −
2
Donde r es el radio circular que limita con la superficie de la hiperesfera ver figura 3.8.
Figura 3.8: Ubicación de la neurona.
En este paso tenemos dos casos:
Caso 1: Si 𝑈1 ≥ 𝑈0 (Entrena la neurona) como se muestra en la figura 3.9.
𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠: 𝛼 = 𝑐𝑡𝑒 𝑑𝑒 𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜. d = 𝛼. 𝐷

𝑤′ = 𝑤 + 𝑑
D = 𝑥𝑇 − 𝑤
Figura 3.9: Entrenamiento de la neurona.
Los pesos sinápticos fueron alterados por la siguiente ecuación. 𝑤 = 𝑤𝑜𝑙𝑑 + 𝛼(𝑥 𝑇 − 𝑤𝑜𝑙𝑑 )
En este caso se observa que los dos vectores están próximos.
68
Caso 2: Si 𝑈1 < 𝑈0 (Crea una nueva neurona) mostrada en la figura 3.10.
Figura 3.10: Creación de la neurona.
Se crea una nueva neurona con los valores transpuestos.
Nótese que el segundo vector toca fuera del área de la superficie circular limitada por el
radio r en la superficie de la hiperesfera de radio unitario.
4to Paso:
 Se supone el caso donde crea una nueva neurona.
 Entra el tercer patrón.
 Se repite el segundo.
 Se escoge la salida de la neurona más activada (𝑈1 𝑜 𝑈2 ).
 Se repite el tercer paso así sucesivamente.
Sea:
69
3.6 Indicadores de la investigación.
 Al comparar los resultados obtenidos con otras investigaciones que usaron la
misma base de datos para el mismo fin como: “Implementación de métodos de
procesamiento de señales EEG para aplicación de comunicación y control”(1),
“Clasificación de señales cerebrales durante la ejecución de actividad motora
imaginaria”(2), “Clasificación mediante mapas auto organizados de señales EEG
orientado al control de interface cerebro máquina”(3) y el algoritmo propuesto por
la investigación tiene resultados promedios de clasificación de 88.69%, 86.43%,
90% y 99% respectivamente por lo tanto es un buen aporte que se viene dando a
los temas referentes a las redes neuronales artificiales la cual mostro una gran
eficiencia en la clasificación de estas señales cerebrales.
1.-Cordova, S. y otros (2013). Implementación de métodos de procesamiento de
señales EEG para aplicación de comunicación y control. Universidad Nacional San
Antonio de Abad del Cusco.
2- Delgado, J. (2011). Clasificación de señales cerebrales durante la ejecución de
actividad motora imaginaria. Medellín – Colombia.
3- Liberczuck, S (2012). Clasificación mediante mapas autoorganizados de señales
EEG orientado al control de interfaces cerebro computadora. Buenos Aires:
Universidad de Buenos Aires.
 Es menor el tiempo de procesamiento que utiliza la capa de Kohonen Art en
comparación con otros modelos de redes neuronales como por ejemplo la red de
back propagation donde el error se propaga hacia atrás como una realimentación
para los ajustes de pesos y bias, y este proceso se repite muchas veces por ende
demora mucho tiempo el procesamiento.
 Se destaca el excelente desempeño de la red para señales complejas.
70
CAPÍTULO 4
RESULTADOS
4.1. Resultados.
A continuación se muestra el diseño total de esta investigación expuesto en la figura 4.1.
(GUIDE) en el programa MATLAB.
Figura 4.1: Diseño total de la investigación. (GUIDE) en el programa MATLAB.
71
Como fase final se proporciona un ejemplo como se exhibe en la figura 4.2. El resultado de
las simulaciones mediante algoritmos que se detallan en los anexos de esta investigación,
es necesario tener algunos valores predeterminados para la correcta ejecución del
programa, como son las siguientes.
 Los datos de separación entre entrenamiento y prueba (para el ejemplo del gráfico
se consideró 50 datos de entrenamiento y 20 datos restantes para prueba).
 Seleccionar el tipo de ventana a trabajar (para este ejemplo se utilizó la ventana
Hamming)
 Poner los valores del filtro pasa banda de (8 a 12 Hz), frecuencia que está asociada
a los movimientos de las extremidades del cuerpo según la teoría mencionada.
 El valor de”r” (radio = 0.3) tiende a ser un valor pequeño ya que si se utiliza un radio
mayor se tiene una imprecisión mayor, además el valor del radio limita el área
circular con la superficie cuyo centro es donde el vector de la neurona toca la
superficie de la hiperesfera y “α” = 0.1 que viene a ser la constante de
entrenamiento.
Se obtienen buenos resultados que a continuación se detallan.
72
Figura 4.2: Resultado de la investigación (GUIDE) en el programa MATLAB.
4.1.1. Resultados de la investigación sin el uso de filtro.
Los resultados mostrados en la tabla 4.1, son realizados con filtro pasa banda de 0.5 a
30Hz, que son datos proporcionados por la base de datos de la Universidad de Graz.
Además se realizó la simulación con diversos datos de entrenamiento y prueba, para su
estudio respectivo.
73
Tabla 4.1: Resultados de la investigación efectuando diversos valores de entrenamiento y prueba
con frecuencia de 0.5 a 30Hz. Fuente: Elaboración propia.
Frecuencia de 0.5 a 30 Hz
N° de % de N° de datos % de Mano derecha Mano izquierda
entrenamiento. entrenamiento. de prueba. prueba. N° de % de N° de % de
aciertos. aciertos. aciertos. aciertos.
5 7.14 65 92.86 64/65 98.46 65/65 100
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.6 29/30 96.67
50 71.43 20 28.57 20/20 100 20/20 100
60 85.71 10 14.29 9/10 90 10/10 100
4.1.2. Resultados de la investigación con el uso de filtros pasa banda de (8 – 12Hz)
con ventana “Hamming”.
Los resultados expuestos en la tabla 4.2, son realizados con diversos datos de entrenamiento
y prueba, además usando de la ventana “Hamming” como se presenta en la figura 4.3.
Figura 4.3: Filtro pasa banda de 8 a 12Hz con ventana Hamming. Fuente: Elaboración propia.
Tabla 4.2: Resultados de la investigación efectuando diversos datos de entrenamiento y prueba
con frecuencia de 8 a 12Hz – ventana “Hamming”. Fuente: Elaboración propia.
Frecuencia de 8 a 12 Hz – Ventana “Hamming”

N° de datos de % de N° de datos % de Mano derecha Mano izquierda
5 7.14 65 92.86 65/65 100 64/65 98.46
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.67 29/30 96.67
50 71.43 20 28.57 19/20 95 20/20 100
60 85.71 10 14.29 10/10 100 10/10 100
74
con ventana “Blackman”.
Los resultados expuestos en la tabla 4.3, son realizados con diversos datos de
adiestramiento y experimento, además de la ventana “Blackman” y filtro pasa banda de 8
a 12Hz como se exhibe en la figura 4.4.
Figura 4.4: Filtro pasa banda de 8 a 12Hz con ventana Blackman.
con frecuencia de 8 a 12Hz – ventana “Blackman”. Fuente: Elaboración propia.
Frecuencia de 8 a 12 Hz – Ventana “Blackman”

5 7.14 65 92.86 65/65 100 64/65 98.46
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.67 29/30 96.67
50 71.43 20 28.57 19/20 95 20/20 100
60 85.71 10 14.29 10/10 100 10/10 100
75
con ventana “Rectangular”.
Los resultados mostrados en la tabla 4.4, son realizados con diversas referencias de
adiestramiento y prueba, además de la ventana “Rectangular” y filtro pasa banda de 8 a
12Hz como se enseña en la figura 4.5.
Figura 4.5: Filtro pasa banda de 8 a 12Hz con ventana Rectangular.
con frecuencia de 8 a 12Hz – ventana “Rectangular”. Fuente: Elaboración propia.
Frecuencia de 8 a 12 Hz – Ventana “Rectangular”

5 7.14 65 92.86 65/65 100 65/65 100
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.67 29/30 96.67
50 71.43 20 28.57 19/20 95 20/20 100
60 85.71 10 14.29 10/10 100 10/10 100
76
con ventana “Triangular”.
Los resultados mostrados en la tabla 4.5, son realizados con diversos datos de
adiestramiento y experimento, además de la ventana “Triangular” y filtro pasa banda de 8
a 12Hz como se presenta en la figura 4.6.
Figura 4.6: Filtro pasa banda de 8 a 12Hz con ventana Triangular
con frecuencia de 8 a 12Hz – ventana “Triangular”. Fuente: Elaboración propia.
Frecuencia de 8 a 12 Hz – Ventana “Triangular”

5 7.14 65 92.86 65/65 100 65/65 100
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.67 29/30 96.67
50 71.43 20 28.57 19/20 95 20/20 100
60 85.71 10 14.29 10/10 100 10/10 100
77
4.1.6. Resultados comparativos entre las diferentes ventanas empleadas.
En la figura 4.7 y figura 4.8 se exponen los resultados comparativos entre las cuatro
ventanas empleadas para el filtro pasa banda de ritmo mu (8 a 12Hz), de la mano derecha
e izquierda respectivamente.
Figura 4.7: Comparación de resultados entre diferentes tipos de ventana, para la mano derecha.
Figura 4.8: Comparación de resultados entre diferentes tipos de ventana, para la mano izquierda.
78
4.1.7. Resultados de la investigación con el uso de filtro pasa banda Delta (0.5 –
3.5Hz).
entrenamiento y prueba, teniendo como referencia la ventana “Hamming” y filtro pasa
banda Delta (0.5 a 3.5Hz) como se señala en la figura 4.9.
Figura 4.9: Filtro pasa banda Delta (0.5 a 3.5Hz).
Fuente: “Elaboración propia“
con filtro pasa banda Delta (0.5 - 3.5Hz). Fuente: Elaboración propia.
Frecuencia de 0.5 - 3.5Hz – Ventana “Hamming”

5 7.14 65 92.86 65/65 100 65/65 98.46
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 98
30 42.86 40 57.14 40/40 100 40/40 100
40 57.14 30 42.86 30/30 100 29/30 96.67
50 71.43 20 28.57 20/20 100 20/20 95
60 85.71 10 14.29 9/10 90 10/10 100
79
4.1.8. Resultados de la investigación con el uso de filtro pasa banda Theta (4 –
7.5Hz).
entrenamiento y prueba, teniendo como referencia la ventana “Hamming”, y filtro pasa
banda Theta (4 – 7.5Hz), como se expone en la figura 4.10.
Figura 4.10: Filtro pasa banda Theta (4 – 7.5Hz).
con filtro pasa banda Theta (4 – 7.5Hz). Fuente: Elaboración propia.
Frecuencia de 4 - 7.5Hz – Ventana “Hamming”

5 7.14 65 92.86 64/65 98.46 64/65 98.46
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 49/50 98
30 42.86 40 57.14 40/40 100 39/40 97.5
40 57.14 30 42.86 30/30 100 29/30 96.6
50 71.43 20 28.57 19/20 95 19/20 95
60 85.71 10 14.29 10/10 100 9/10 90
80
4.1.9. Resultados de la investigación con el uso de filtros pasa banda Alfa (8 –
13.5Hz).
banda Alfa (8 – 13.5Hz), como se indica en la figura 4.11.
Figura 4.11: Filtro pasa banda Alfa (8 – 13.5Hz).
con filtro pasa banda Alfa (8 – 13.5Hz). Fuente: Elaboración propia.
Frecuencia de 8 - 13.5Hz – Ventana “Hamming”

5 7.14 65 92.86 65/65 100 65/65 100
10 14.29 60 85.71 60/60 100 59/60 98.3
20 28.57 50 71.43 49/50 98 50/50 100
30 42.86 40 57.14 39/40 97.5 40/40 100
40 57.14 30 42.86 29/30 96.6 29/30 96.6
50 71.43 20 28.57 19/20 95 20/20 100
60 85.71 10 14.29 10/10 100 10/10 100
81
4.1.10. Resultados de la investigación con el uso de filtros pasa banda Beta (14 –
30Hz).
banda Beta (14 – 30Hz), como se detalla en la figura 4.12.
Figura 4.12: Filtro pasa banda Beta (14 – 30Hz).
con filtro pasa banda Beta (14 – 30Hz). Fuente: Elaboración propia.
Frecuencia de 14 - 30Hz – Ventana “Hamming”

5 7.14 65 92.86 65/65 100 64/65 98.46
10 14.29 60 85.71 59/60 98.3 59/60 98.3
20 28.57 50 71.43 50/50 100 50/50 100
30 42.86 40 57.14 40/40 100 40/40 100
40 57.14 30 42.86 30/30 100 30/30 100
50 71.43 20 28.57 20/20 100 20/20 100
60 85.71 10 14.29 10/10 100 9/10 90
82
4.1.11. Resultados comparativo entre las diferentes bandas empleadas.
En la figura 4.13 y figura 4.14 se exponen los resultados comparativos entre los cuatro tipos
de banda empleadas para el filtro, de la mano derecha e izquierda respectivamente.
Figura 4.13: Comparación de resultados entre diferentes tipos bandas, para la mano derecha.
Figura 4.14: Comparación de resultados entre diferentes tipos bandas, para la mano Izquierda.
Fuente: “Elaboración propia.
83
4.1.12. Memoria empleada de entrenamiento y prueba.
En la figura 4.15 se muestra la memoria usada por el entrenamiento y prueba de la
investigación.
Figura 4.15: Memoria empleada en el entrenamiento y prueba.
4.1.13. Presupuesto.
El presupuesto de la investigación consta básicamente de costos indirectos como se detalla a
continuación en la Tabla 4.10.
Tabla 4.10: Presupuesto de la investigación.
Descripción Soles (S/.)
Copias 100
Software 200
Impresiones 80
Folders 20
Computadora 2500
Pasajes 100
Hojas bond 200
Anillados 100
Total 3300
84
4.1.14. Cronograma de la investigación.
En la figura 4.16 y figura 4.17 se muestra el cronograma de la implementación y el cronograma
teórico de la tesis respectivamente.
16/09/2017 15/12/2017 15/03/2018 13/06/2018 11/09/2018

División de base de datos.
Datos de entrenamiento y prueba.
Procesamiento de los datos.
Tipos de ventana a usar.
Análisis de filtro pasa banda.
Entrenamiento de datos.
Análisis de los valores de r (radio)
Análisis de α (cte de entrenam.)
Prueba de datos.
Relación entre N°de aciertos y N° de prueba.
Resultado de porcentaje de aciertos.
Repaso general de la investigación.
Figura 4.16: Cronograma de la implementación.
10/08/2017 08/11/2017 06/02/2018 07/05/2018 05/08/2018
Definición del título

Descripción del problema
Formulación del problema
Definición de los objetivos
Limitaciones y facilidades
justificación
Antecedentes teóricos
Marco teórico
Conclusiones
Recomendaciones
Presupuesto y cronograma
Repaso general
Figura 4.17: Cronograma de conceptos.
85
CONCLUSIONES
 La clasificación con el método utilizado en esta investigación obtuvo un valor promedio
porcentual de 99%, mientras que los otros tres métodos citados en la tesis como
antecedentes, obtuvieron valores de 88.69%, 86.43% y 90%.
 El trabajo sirvió principalmente para emplear el uso de la Kapa de Kohonen ART como
método de clasificación obteniendo excelentes resultados de 96.67% a 100%.
 Se verifica que se obtienen óptimos resultados aun utilizando pocos datos para entrenar
la red, por ejemplo al utilizar cinco datos de entrenamiento por ende sesenta y cinco
datos de prueba, logra una clasificación de 98.46% a 100%.
 La base de datos es importante para esta y futuras investigaciones, ya que es un poco
difícil y costoso la toma de exámenes de electroencefalograma.
 No hay diferencias significativas entre el uso del filtro pasa banda y sin usar el filtro.
86
RECOMENDACIONES
 Emplear el algoritmo realizado en la investigación para un número mayor de personas,
para así probar si los resultados son excelentes como los empleados en la investigación.
 Aplicar el algoritmo de la investigación con exámenes de electroencefalograma usando
más canales (sistema de posicionamiento 10/10 o 10/5). Para tener mayor precisión en
los resultados.
 Mediante esta investigación y con el uso de un hardware adecuado, ayudar a las
personas con discapacidad de movimiento de extremidades, por ejemplo las personas
tetrapléjicas.
87
BIBLIOGRAFÍA
Acuña, K. (2017). Procesamiento de señales electroencefalográficas en un sistema
embebido para una interfaz cerebro maquina (Tesis para optar el grado de magister
en ingeniería mecatrónica). Lima: Pontificia Universidad Católica del Perú.
Álvarez, L. (2007). Acondicionamiento de señales bioeléctricas (Tesis de grado para
ingeniero electricista). Pereira: Universidad Tecnológica de Pereira.
Barea, R. (2013). Instrumentación biomédica (Electroencefalografía). Madrid: Universidad
de Álcala.
Barragán, D. (2008). Manual de interfaz gráfica de usuario en MATLAB. 25 de mayo.
Ecuador.
Cañal, C.(2017). Clasificación de movimiento de animales mediante redes neuronales
(Trabajo de fin de grado en ingeniería eléctrica y electrónica). Sevilla: Universidad
de Sevilla.
Carrión, C. (2015). Procesamiento de señales. Presentación Power Point. Loja – Ecuador.
Cordova, S. y otros (2013). Implementación de métodos de procesamiento de señales EEG
para aplicación de comunicación y control. Universidad Nacional San Antonio de
Abad del Cusco.
88
Cosano, D. (2016). Mejora en la adquisición de señales cerebrales (EEG) y realización de
un sistema portátil de adquisición de señales oculares (EOG) (Trabajo final de
grado). Tarragena: Universitat Rovira I Virgili.
Delgado, J. (2011). Clasificación de señales cerebrales durante la ejecución de actividad
motora imaginaria. Medellín – Colombia.
De la Fraga, L. (2001). La transformada discreta de Fourier y la transformada rápida de
Fourier. México.
Gómez, E. (2009). Introducción al filtrado digital. Curso pronunciado el 2 de noviembre en
la Escuela Superior de Música de Catalunya. Barcelona.
Gómez, L. (2016). Análisis de señales EEG para detección de eventos oculares,
musculares y cognitivos (Trabajo fin de master). Madrid: Universidad Politécnica de
Madrid.
Henríquez, C. (2014). Estudio de técnicas de análisis y clasificación de señales EEG en el
contexto de sistemas BCI (Trabajo fin de master). Madrid: Universidad Autónoma
de Madrid.
Leeb, R.; ChavarriagA, R. y Millán, J. (2016) Brain – Machine Symbiosis.
Liberczuck, S (2012). Clasificación mediante mapas autoorganizados de señales EEG
orientado al control de interfaces cerebro computadora. Buenos Aires: Universidad
de Buenos Aires.
Lotte, F. (2014). A tutorial on EEG signal procesing techniques for mental state recognition
in brain – computer interfaces. (//hal.inria.fr/hal-01055103).
Melo, S. (2015). Filtros digitales invariantes al tiempo. Presentación Power Point. Lima –
Perú.
Melo, S. (2000). Classificação de ECG utilizando uma rede KOHONEN/ART modificada e
sinais temporais sub - amostrados. (Tesis para el grado de magister en ciencias en
ingeniería eléctrica). Rio de Janeiro: Universidad Federal de Rio de Janeiro.
89
Muller, G. y otros (2016) Distinct β Band Oscillatory Networks Subserving Motor and
Cognitive Control during Gait Adaptation.
Ortiz, J. (2011). Análisis de señales bioeléctricas. Curso de doctorado modificado el 29 de
agosto en la Universidad Complutense de Madrid, Madrid.
Ponce, P. (2010). Inteligencia artificial con aplicaciones en ingeniería. México DF:
Alfaomega Grupo Editor.
Reta, J. (2012). Principio de electroencefalografía. Presentación Power Point. Concepción
de Uruguay – Argentina.
Sánchez, D. (2008). Procesado y transmisión de señales biomédicas para el diagnóstico
de trastornos y enfermedades del sueño (Tesis doctoral). Cádiz: Universidad de
Cádiz.
Torres, A. (2016). Análisis y clasificación de electroencefalograma (EEG) registrada
durante el habla imaginada (Tesis doctoral). Puebla: Instituto Nacional de
Astrofísica, Óptica y Electrónica.
Universidad de graz, Departamento de Informática Médica (2003).
(http://www.bbci.de/competition/ii/); Contiene información de la base de datos
que se emplea en esta investigación. (Consulta: Setiembre 2014).
Vargas, L. (2015). Introducción a los filtros digitales. Córdoba: Universidad Nacional de
Córdoba., Facultad de Ciencias Exactas, Físicas y Naturales.
90
ANEXOS
91
ANEXO A: PROGRAMA 1
Programación de la división de la base de datos en MATLAB R2015a.
% --- Executes on button press in boton_ejecutar.

function boton_ejecutar_Callback(hObject, eventdata, handles)
%separa los patrones
load('dataset_BCIcomp1.mat')
[a b c]=size(x_train);
mtotal=zeros(c,a*b);%crea una matriz con dimenciones filas =

numero de conjunto de 3 muestras, y columna = las tres muestras
%alineadas
for i=1:c
mtotal(i,:)=[x_train(:,1,i);x_train(:,2,i);x_train(:,3,i)]';
%hacemos la transpuesta de la matriz
end
%%%%%% trabajando con y_train

clear M_derecha M_izquierda
IZ=1;
DER=1;
for i=1:c;
if y_train(i)==2; % si y_train=2
M_derecha(DER,:)=mtotal(i,:); % entonces es
mano derecha y asigna este valor a m_total
DER=DER+1; %va agregando la
siguiente fila de uno en uno
else
M_izquierda(IZ,:)=mtotal(i,:); %en caso
contrario seria mano izquierda
IZ=IZ+1;
end
end
n_entr=get(handles.cuadro_entrenamiento,'String');
n_entr=str2num(n_entr);
n_prueba=70-n_entr;
set(handles.cuadro_entrenamiento_porcentaje,'String',round(n_entr/
70*100,2));
set(handles.cuadro_prueba_porcentaje,'String',round(n_prueba/70*10
0,2));
Xentrenamiento_der=M_derecha(1:n_entr,:);%tenemos primeras datos

de mano derecha para ser entrenadas
Xprueba_der=M_derecha(n_entr+1:70,:);%tenemos datos restantes de
mano derecha para ser probadas
Xentrenamiento_iz=M_izquierda(1:n_entr,:);%tenemos 50 primeras
datos de mano izquierda para ser entrenadas
Xprueba_iz=M_izquierda(n_entr+1:70,:);%tenemos 20 datos restantes
de mano izquierda para ser probadas
save Xprueba_iz,save Xprueba_der
save Xentrenamiento_der,save Xentrenamiento_iz
92
ANEXO B: PROGRAMA 2
Programación de pre procesamiento de datos en MATLAB R2015a.
function boton_filtro_Callback(hObject, eventdata, handles)

%DISEÑO TEORICO CON WINDOWING o PRODUCTO DE FILTRO IDEAL PASABAJO
CON
% UNA VENTANA RECTANGULAR.
Fs = 128;%frecuencia de muostreo de las señales de la
%base de datos
Fc1 = get(handles.cuadro_fc1,'String');
Fc1=str2double(Fc1);
Fc2 = get(handles.cuadro_fc2,'String');
Fc2=str2double(Fc2);
N = 241; %%NUMERO DE PESOS (impar)

%SELECCIONAR TIPO DE VENTANA
popup_sel_index = get(handles.ventana, 'Value');
switch popup_sel_index
case 1
%Ventana Hamming
w1=hamming(N)';
case 2
%Ventana Blackman
w1=blackman(N)';
case 3
%Ventana Retangular
w1=rectwin(N)';
case 4
%Ventana Triangular
w1=triang(N)';
end
%Filtro Ideal para Fc2

n = 0:((N-1)/2-1);
hi2 = sin(2*pi*(n-(N-1)/2)*Fc2/Fs)./(pi*(n-(N-1)/2)); %calcula las
muestras del filtro antes de la muestra central.
hi2 = [ hi2 2*Fc2/Fs fliplr(hi2) ]; %el commando fliplr
calcula el vector simetrico de hi2 calculado por la formula
anterior de esa manera el filtro ideal está completo con sus 241
muestras.
%Filtro Ideal para Fc1
n = 0:((N-1)/2-1);
hi1 = sin(2*pi*(n-(N-1)/2)*Fc1/Fs)./(pi*(n-(N-1)/2));
hi1 = [ hi1 2*Fc1/Fs fliplr(hi1) ];
hi=hi2-hi1;
h1=hi.*w1;%producto del filtro ideal por la ventana seleccionada
% figure(1),subplot(211),stem(h1)
% subplot(212),stem(h2)
% figure(3),clf
k=linspace(0,Fs,4096);
H1 = fft(h1,4096);
93
H1 = abs(H1);
handles.grafico_filtro %llama el grafico

cla
plot(k,20*log10(H1))
axis([0 60 -150 50])
grid, title('respuesta de frecuencia del filtro')
%filtrar todas las señales de entrenamiento y prueba
load Xprueba
load Xentrenamiento
[fxp cxp]=size(Xprueba_iz);
[fxe cxe]=size(Xentrenamiento_der);
Xprueba_izf=zeros(fxp,cxp+length(h1)-1);
Xprueba_derf=zeros(fxp,cxp+length(h1)-1);
Xentrenamiento_izf=zeros(fxe,cxe+length(h1)-1);
Xentrenamiento_derf=zeros(fxe,cxe+length(h1)-1);
%filtrar las señales
for i=1:fxp,
Xprueba_izf(i,:)=conv(Xprueba_iz(i,:),h1);
Xprueba_derf(i,:)=conv(Xprueba_der(i,:),h1);
end
for i=1:fxp,
clear Xprueba_izff Xprueba_derff %filtrado fourier
Xprueba_izff(i,:)=fft(Xprueba_izf(i,:),3000);
Xprueba_derff(i,:)=fft(Xprueba_derf(i,:),3000);
end
for i=1:fxe,
Xentrenamiento_izf(i,:)=conv(Xentrenamiento_iz(i,:),h1);
Xentrenamiento_derf(i,:)=conv(Xentrenamiento_der(i,:),h1);
end
for i=1:fxe,
clear Xentrenamiento_izff Xentrenamiento_derff%filtrado
fourier con 3000 muestras
Xentrenamiento_izff(i,:)=fft(Xentrenamiento_izf(i,:),3000);
Xentrenamiento_derff(i,:)=fft(Xentrenamiento_derf(i,:),3000);
end
save signal_preparadas Xprueba_izff Xprueba_derff
Xentrenamiento_izff Xentrenamiento_derff
94
ANEXO C: PROGRAMA 3
Programación de entrenamiento y prueba en MATLAB R2015a.
Entrenamiento.
function boton_entrenamiento_Callback(hObject, eventdata, handles)
r=get(handles.cuadro_radio,'String');
r=str2double(r);
alpha=get(handles.cuadro_alpha,'String');
alpha=str2double(alpha);
load signal_preparadas
%Xprueba_izf %Xprueba_derf Xentrenamiento_derf Xentrenamiento_izf
x=Xentrenamiento_derff;
[fx cx]=size(x);
for i=1:fx, %normalizacion de los patrones fila por fila

x(i,:)=x(i,:)/norm(x(i,:));
end
w(:,1)=x(1,:)';
U0=1-r^2/2;
a=1;
for i=2:fx,
[U p]=max(x(i,:)*w);
if U>=U0,
w(:,p)=w(:,p)+alpha*(x(i,:)'-w(:,p));
else
a=a+1;
w(:,a)=x(i,:)';
end
end
wder_entrenado=w;
[f,col_wdere]=size(w);
x=Xentrenamiento_izff;
[fx cx]=size(x);
for i=1:fx, %normalizacion de los patrones fila por fila

x(i,:)=x(i,:)/norm(x(i,:));
end
w(:,1)=x(1,:)';
U0=1-r^2/2;
a=1;
for i=2:fx,
[U p]=max(x(i,:)*w);
if U>=U0,
w(:,p)=w(:,p)+alpha*(x(i,:)'-w(:,p));
else
a=a+1;
w(:,a)=x(i,:)';
end
end
95
wiz_entrenado=w;
[f,col_wize]=size(w);
save neuronas_iz_der wder_entrenado col_wdere wiz_entrenado
col_wize
Prueba.
function boton_prueba_Callback(hObject, eventdata, handles)
load neuronas_iz_der %wder_entrenado col_wdere wiz_entrenamiento

col_wiz
w=[wder_entrenado,wiz_entrenado];
% agarramos numero de filas y columnas de wder_entrenado
load signal_preparadas
%%%%% prueba mano derecha %%%%%
numero_der=0;
[f c]=size(Xprueba_derff);
for i=1:f,
[U,p]=max(Xprueba_derff(i,:)*w);
if p<=col_wdere,
numero_der=numero_der+1;
end
end
porcder=numero_der/f*100;
set(handles.cuadro_porcentaje_der,'String',porcder);
numero_der=num2str(numero_der);
f=num2str(f);
set(handles.cuadro_numero_der,'String',strcat(numero_der,'/',f))
%%%%% prueba mano izquierda %%%%%

numero_iz=0;
[f c]=size(Xprueba_izff);
for i=1:f,
[U,p]=max(Xprueba_izff(i,:)*w);
if p<=col_wize,
numero_iz=numero_iz+1;
end
end
porciz=numero_iz/f*100;
set(handles.cuadro_porcentaje_iz,'String',porciz);
numero_iz=num2str(numero_iz);
f=num2str(f);
set(handles.cuadro_numero_iz,'String',strcat(numero_iz,'/',f))
96

Richard Santos - Tesis - Titulo Profesional - 2018

Cargado por

Copyright:

Formatos disponibles

Richard Santos - Tesis - Titulo Profesional - 2018

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Richard Santos - Tesis - Titulo Profesional - 2018

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLÓGICA DEL PERÚ

ESCUELA DE INGENIERÍA ELECTRÓNICA

PARA OPTAR POR EL TÍTULO PROFESIONAL DE

AUTOR: SANTOS PONCE, RICHARD EDUARDO

ASESOR: MELO, SAÚL LUIZ DE

A mi familia, guiándome por el buen

sendero, por darme salud y paz,

colmarme de mucha sapiencia y

ayuda y conocimiento no hubiese sido posible realizar este proyecto.

y hago presente mi gran afecto hacia ustedes, mi encantadora familia.

información absorbida por medio de los órganos sensoriales se representa en forma de

genéticamente, es realizable que parte de ella se lleve a cabo gracias al aprendizaje.

El movimiento o intento de movimiento, tanto como de la mano derecha como de la mano

el cerebro en diversas situaciones y momentos.

redes neuronales mediante Kohonen (ART), por su poder de generalización y relativa

facilidad de modelar casos complejos a comparación de otras redes.

limitar el rango de frecuencia importante para la clasificación, eliminando así el rango de

de la frecuencia usando la Transformada Discreta de Fourier. De esta manera las señales

ya están preparadas para el proceso de entrenamiento donde la red neuronal tiene la

La investigación con la ayuda de un software adecuado puede ser usada en interfaces

silla de ruedas solo con el pensamiento.

RESUMEN ........................................................................................................................ iii

ÍNDICE GENERAL ........................................................................................................... iv

ÍNDICE DE FIGURAS ...................................................................................................... vii

ÍNDICE DE TABLAS .......................................................................................................... x

1.1 Definición del problema................................................................................................ 3

1.1.1 Descripción del problema ...................................................................................... 4

1.1.2 Formulación del problema ..................................................................................... 4

1.1.2.1 Problema principal .......................................................................................... 4

1.1.2.2 Problemas específicos .................................................................................... 4

1.2 Definición de los objetivos ............................................................................................ 4

1.2.1 Objetivo general .................................................................................................... 4

1.2.2 Objetivos específicos ............................................................................................. 5

1.2.3 Limitaciones y facilidades ...................................................................................... 5

1.2.3.1 Limitación teórica ............................................................................................ 5

1.2.3.2 Limitación temporal ......................................................................................... 5

1.2.3.3 Limitación espacial .......................................................................................... 6

1.2.3.4 Facilidades ...................................................................................................... 6

1.2.4 Justificación ........................................................................................................... 6

1.2.4.1 Justificación teórica científica .......................................................................... 6

1.2.4.2 Justificación metodológica............................................................................... 6

1.2.4.3 Justificación socioeconómica .......................................................................... 7

1.2.5 Antecedentes teóricos ........................................................................................... 7

2.1 Fundamento teórico ................................................................................................... 18

2.1.1 Señales biomédicas.............................................................................................. 18

2.1.1.1 Señales bioeléctricas ..................................................................................... 22

2.1.2 Señales de electroencefalograma ......................................................................... 26

2.1.2.1 Ritmos ........................................................................................................... 29

2.1.2.2 Sistemas de posicionamiento 10-20 .............................................................. 30

2.1.2.3 Montaje de un electroencefalograma ............................................................ 33

2.1.3 Filtro digital ........................................................................................................... 35

2.1.3.1 Tipos de filtro ................................................................................................ 35

2.1.3.2 Filtros digitales FIR ....................................................................................... 39

2.1.3.3 Método de ventanas ...................................................................................... 40

2.1.4 Transformada Discreta de Fourier ........................................................................ 42

2.1.4.1 Transformada Discreta de Fourier (DFT)....................................................... 44

2.1.4.2 FFT (Fast Fourier Transform) ........................................................................ 46

2.1.5 Inteligencia artificial .............................................................................................. 47