18. Brain Computer Interface ...' (12.144 Kb. pdf)

UNIVERSIDAD DE VALLADOLID

E.T.S. INGENIEROS DE TELECOMUNICACIÓN

INFORME FINAL DE RESULTADOS

SUBVENCIONES PARA LA REALIZACIÓN DE PROYECTOS DE INVESTIGACIÓN CIENTÍFICA, DESARROLLO E INNOVACIÓN

TECNOLÓGICA, DENTRO DEL ÁREA DE ACCIONES ESTRATÉGICAS, ACCIÓN ESTRATÉGICA DE SALUD, EN EL

MARCO DEL PLAN NACIONAL DE INVESTIGACIÓN CIENTÍFICA, DESARROLLO E INNOVACIÓN TECNOLÓGICA (2008-2011)

INSTITUTO DE MAYORES Y SERVICIOS SOCIALES

BRAIN COMPUTER INTERFACE (BCI) APLIC

A INCREMENTAR LA ACCESIBILIDAD D

DIGITAL Y SU ENTORNO HABITUAL DOMO-BCI

ADO AL CONTROL DE DISPOSITIVOS DOMÓTICOS PAR E

LAS PERSONAS DEPENDIENTES EN EL HOGAR

NÚMERO DE REFERENCIA DEL PROYECTO: 18/2008

INVESTIGADOR PRINCIPAL: ROBERTO HORNERO SÁNCHEZ

Dirigido al Instituto de Mayores y Servicios Sociales – Ministerio de Sanidad y Política Social

Informe Final de Resultados – DOMO - BCI 18/2008

ÍNDICE 1. Introducción ............................................................................................................................. 3

1.1. Motivación y objetivos del proyecto ................................................................................ 3 1.2. Antecedentes .................................................................................................................... 4 1.3. Tareas a desarrollar en el proyecto ................................................................................. 10

2. Estudio de métodos de extracción y clasificación de características aplicados a sistemas BCI. ........................................................................................................................................ 11 2.1. Señales ............................................................................................................................ 12

2.1.1. Descripción del método ganador de la Competición BCI 2003 ........................... 14 2.2. Métodos de extracción de características ....................................................................... 15

2.2.1. Características espectrales a partir de la FFT ....................................................... 16 2.2.2. Transformada wavelet continua ........................................................................... 17 2.2.3. Transformada wavelet discreta ............................................................................. 18 2.2.4. Modelos autorregresivos ...................................................................................... 19 2.2.5. Filtro adaptado ..................................................................................................... 20 2.2.6. Resultados ............................................................................................................ 21

2.3. Métodos de clasificación de características .................................................................... 25 2.3.1. Preprocesado: Recorte de outliers ........................................................................ 25 2.3.2. K-vecinos más cercanos ....................................................................................... 26 2.3.3. Análisis discriminante lineal ................................................................................ 26 2.3.4. Regresión logística ............................................................................................... 27 2.3.5. Redes neuronales .................................................................................................. 28 2.3.6. Modelo de mezclas gaussianas ............................................................................. 31 2.3.7. Resultados ............................................................................................................ 32

2.4. Desarrollo software de algoritmos ................................................................................. 34 3. Estudio de la interacción entre dispositivos domóticos y sistemas BCI. ............................... 38

3.1. Estudio de los diferentes servicios prestados por los dispositivos domóticos que pueden estar presentes en la vivienda ............................................................................. 38

3.2. Estudio de los diferentes protocolos y estándares de control domótico ......................... 40 3.2.1. Protocolos de control domótico ........................................................................... 40 3.2.2. Pasarelas residenciales (Residential Gateway) .................................................... 43

3.3. Estudio de otros protocolos de control: infrarrojos (IR) y radiofrecuencia (RF) ........... 46 3.3.1. Control mediante infrarrojos (IR) ........................................................................ 46 3.3.2. Control mediante radiofrecuencia ........................................................................ 48

3.4. Estudio de la interfaz entre el equipo BCI y el dispositivo de control domótico ........... 50 4. Estudio de aplicaciones reales: control de los dispositivos domóticos de una vivienda

accesible ................................................................................................................................. 50 4.1. Identificación de las necesidades del usuario final: personas dependientes con

grave discapacidad ......................................................................................................... 50 4.2. Traducción de las necesidades identificadas en funciones del sistema de control

BCI ................................................................................................................................. 53 4.3. Desarrollo de un sistema integral para el control de dispositivos domóticos

mediante BCI en una vivienda accesible ........................................................................ 54 4.3.1. Descripción de la interfaz de usuario ................................................................... 59

5. Aplicación del sistema a los usuarios del CRE de Discapacidad y Dependencia de San Andrés de Rabanedo (León). Descripción del equipamiento y de las pruebas realizadas. .... 62 5.1. Descripción de las pruebas realizadas ............................................................................ 62

5.1.1. Usuarios participantes en el proyecto .................................................................. 62 5.1.2. Montaje para el registro del EEG ......................................................................... 63 5.1.3. Tareas de aprendizaje ........................................................................................... 63 5.1.4. Tareas de entrenamiento ...................................................................................... 65 5.1.5. Tareas de aplicación ............................................................................................. 66

6. Resultados .............................................................................................................................. 69

INFORME FINAL DE RESULTADOS – 1



6.1. Usuario U002 ................................................................................................................. 69 6.2. Usuario U003 ................................................................................................................. 72 6.3. Usuario U004 ................................................................................................................. 73 6.4. Usuario U005 ................................................................................................................. 76 6.5. Usuario U006 ................................................................................................................. 77 6.6. Evaluación de la utilidad, manejabilidad y grado de satisfacción del usuario final ....... 78 6.7. Difusión de resultados .................................................................................................... 81

7. Discusión y conclusiones ....................................................................................................... 84 7.1. Estudio de métodos de extracción y clasificación de características aplicados a

sistemas BCI ................................................................................................................... 84 7.2. Estudio de la interacción entre dispositivos domóticos y sistemas BCI ......................... 85 7.3. Estudio de aplicaciones reales: control de los dispositivos domóticos de una

vivienda accesible........................................................................................................... 86 7.4. Aplicación del sistema a los usuarios del CRE de discapacidad y dependencia de

San Andrés del Rabanedo (León) ................................................................................... 86 Referencias .................................................................................................................................. 88 Anexo I: Cuestionarios finales realizados a los usuarios sobre la valoración general de la

aplicación utilizada y su participación en el estudio .............................................................. 92 Anexo II: Difusión de resultados ................................................................................................ 96


1. Introducción

1.1. Motivación y objetivos del proyecto

El principal objetivo del presente proyecto ha consistido en el diseño, desarrollo y

validación de una aplicación asistiva que permite controlar mediante la actividad

cerebral diferentes dispositivos de un hogar o recinto equipado con infraestructura

domótica. Para ello, las señales del cerebro obtenidas a partir del registro del

electroencefalograma (EEG) se analizan mediante técnicas de Interfaz Cerebro

Computador (Brain Computer Interface, BCI), convirtiendo las intenciones del usuario

en comandos capaces de manejar la aplicación de control del entorno.

El propósito fundamental de la aplicación es aumentar la calidad de vida de las

personas dependientes, centrándose principalmente en el colectivo de discapacitados

físicos graves, por lo que el objetivo fundamental desde su concepción consiste en

obtener un beneficio para el usuario final. Así, la aplicación se ha realizado siguiendo

un procedimiento de diseño centrado en el usuario y en sus necesidades específicas,

para conseguir que esta sea útil, amigable, clara, intuitiva y de fácil aprendizaje. El

registro de las señales se ha realizado mediante el electroencefalograma (EEG), por

tanto, se usa una técnica no invasiva y con un equipo fácil de utilizar, portátil y ligero.

Se ha evaluado el funcionamiento de la aplicación de control domótico mediante

BCI con varios usuarios con grave discapacidad procedentes del Centro de Referencia

Estatal (CRE) de San Andrés del Rabanedo (León). Cada sujeto realizó múltiples

pruebas y sesiones para conseguir un grado de control de la aplicación aceptable. El

almacenamiento de las señales registradas de los diferentes usuarios permite reforzar la

aplicación, enriqueciéndola con sus experiencias. Esto posibilita a los diseñadores el

seguimiento constante de la utilización del sistema, consiguiendo una realimentación

positiva que mejora el desarrollo y el uso de la aplicación puesto que:

- El usuario informa a los expertos sobre aquellos aspectos de la aplicación que

podrían ser mejorados para facilitar su uso por parte de las personas dependientes.

- El experto informa a los usuarios sobre su progreso en la utilización de la

aplicación, sugiriéndoles modificaciones que puedan resultar de utilidad para obtener

unos resultados óptimos.



Puesto que las necesidades de los diferentes grupos de usuarios potenciales son

distintas, la aplicación BCI que se ha desarrollado presenta unas características asistivas

que se adaptan a una población con diferentes tipos de dependencia y en sus diferentes

fases y grados.

Este proyecto se ha centrado en el control del medio empleando BCI, permitiendo

al usuario interactuar con distintos dispositivos presentes en el hogar, en este caso un

televisor, un reproductor de DVD, un equipo de música y las luces de una estancia. La

aplicación desarrollada ha sido probada y evaluada por usuarios del Centro de Atención

a Personas con Grave Discapacidad y para la Promoción de la Autonomía Personal y

Atención a la Dependencia de San Andrés de Rabanedo (León). De esta forma, ha sido

posible evaluar el grado de satisfacción del usuario final ante los servicios ofrecidos,

estudiando su adecuado funcionamiento frente a los diferentes tipos de dependencia:

personas con discapacidad o dependencia en su actividad cotidiana, enfermos crónicos,

postoperados, etc.

1.2. Antecedentes

En 1929 Hans Berger desarrolló el electroencefalograma (EEG) como un sistema

de exploración neurofisiológico basado en el registro de la actividad bioeléctrica

cerebral. Desde entonces se ha especulado sobre la posibilidad de su uso para la

comunicación y control. Es así como surge el Brain-Computer Interface (BCI) que fue

definido durante el primer congreso internacional de BCI como un “sistema de

comunicación que no depende de los mecanismos normales de salida de los músculos y

nervios periféricos” [1] . Para ello se monitoriza la actividad cerebral y se traducen

determinadas características, correspondientes a las intenciones del usuario, en

comandos de un dispositivo.

El primer sistema BCI fue realizado por el Dr. Jacques Vidal de UCLA (University

of California, Los Angeles) en 1977 [2] , en el que se emplearon potenciales evocados

visuales para el control en tiempo real de un cursor. Sin embargo, no es hasta la década

de los noventa, gracias a la aparición de ordenadores más potentes que permiten el

procesado de la gran cantidad de datos que se obtienen de un EEG, cuando realmente se

pueden encontrar sistemas BCI verdaderamente operativos, aunque con limitadas

funcionalidades. En las últimas décadas el interés en esta materia ha aumentado

considerablemente, de forma que de los veinte grupos de investigación que participaron



en el primer congreso internacional, se pasó a más de cincuenta en el tercer congreso

celebrado en 2005 [3].

La motivación en la investigación de los sistemas BCI está orientada,

principalmente, a beneficiar a las personas con discapacidades, dotándoles de mayor

independencia y habilidad en las actividades cotidianas y restableciendo funciones

perdidas [3]. Los usuarios potenciales se clasifican según su enfermedad, lesión o

impedimento funcional, distinguiéndose dos grandes grupos [3]:

- Enfermedades degenerativas, donde la actividad muscular se va perdiendo a lo

largo del tiempo, pudiendo llegar a una pérdida completa de la capacidad del

movimiento. Pertenecen a este grupo las enfermedades neuromusculares como la

esclerosis lateral amiotrófica (ELA) y la distrofia neuro-muscular.

- Enfermedades no degenerativas, en las que no se produce una progresión de la

parálisis muscular, como es el caso de la apoplejía, lesión cerebral, lesión medular y

amputación.

Es lógico pensar que las necesidades de los diferentes grupos de usuarios

potenciales serán distintas, e incluso que estas pueden cambiar substancialmente a lo

largo del tiempo. Por ello, la aplicación de mayor utilidad de los sistemas BCI es

aquella que proporcione una tecnología asistiva para permitir movimientos o

comunicación. Esto engloba sistemas que permiten restablecer la comunicación

(procesadores de palabras), restablecer alguna forma de movilidad (sillas de ruedas

monitorizadas), control del medio (luces, televisión, termostatos, etc.) y reemplazar o

restablecer el control motor (robots o prótesis).

La actividad normal del cerebro humano produce una gran variedad de señales que

pueden ser medidas y que constituyen un gran potencial para su uso en sistemas BCI.

Por ejemplo, la actividad neuronal produce campos magnéticos asociados que pueden

ser recogidos mediante magnetoencefalogramas (MEG). Por otra parte, las

consecuencias metabólicas de la actividad cerebral se presentan como cambios en el

flujo sanguíneo y el metabolismo, que se registran mediante imágenes de resonancia

magnética funcional (functional Magnetic Resonance Imaging, fMRI), tomografía por

emisión de positrones (PET) y mediante técnicas ópticas como la espectroscopia de

infrarrojo cercano (Near-Infrared Spectroscopy, NIRS). También pueden medirse las

respuestas químicas de las neuronas y células gliales mediante la espectroscopia por



resonancia magnética (Magnetic Resonance Spectroscopy, MRS) y sondas invasivas.

Por su parte, las corrientes eléctricas, producidas por la sincronización de corrientes

sinápticas, se pueden medir mediante EEG, electrocorticograma (ECoG) y mediante

electrodos epidurales e intracorticales.

A pesar de que fMRI y NIRS proporcionan muy buena resolución espacial y MEG

presenta una resolución temporal y espacial excelente, MEG y fMRI requieren un

superconductor y, por tanto, los equipos serán de gran tamaño, caros e inviables para

extenderlos fuera del uso clínico, reduciéndose su aplicación en BCI a la identificación

de sitios para la implantación de electrodos. Razonamientos similares desaconsejan el

uso de PET y NIRS en sistemas BCI [4] . De esta forma, las señales eléctricas se

convierten en la opción más favorable para el uso en BCI, distinguiéndose los siguientes

métodos para su registro:

- Métodos invasivos: requieren la implantación quirúrgica de un array de

electrodos con estabilidad a largo plazo, que pueden situarse en diferentes partes del

córtex cerebral. Dentro de este tipo de métodos se encuentran los electrodos

implantados y el ECoG. Estos métodos van a tener mejor resolución que los no

invasivos y presentan un menor nivel de ruido cuanto más invasivo sea el método.

Aunque ya existen técnicas de implantación de electrodos, los efectos a largo plazo de

dichos implantes son desconocidos y requerirán de un estudio preclínico en animales.

- Métodos no invasivos: no necesitan implantación quirúrgica y, por ello, las

señales obtenidas tienen una relación señal a ruido (Signal to Noise Ratio, SNR) menor.

Aunque los BCI basados en este tipo de métodos tienen una velocidad y precisión

modesta, estudios actuales se centran en el uso de sistemas multicanal (típicamente 64

canales) para poder mejorarlas [5]. Dentro de este grupo se encuentra el EEG, siendo el

más utilizado actualmente en estudios sobre BCI como método para registrar la

actividad cerebral, ya que supone un método no invasivo, de bajo coste, portátil y de

fácil uso.

A partir del EEG se pueden extraer gran variedad de señales para el uso en sistemas

BCI como son: potenciales evocados visuales (Visual Evoked Potential, VEP),

potenciales corticales lentos (Slow Cortical Potential, SCP), potenciales evocados P300

y ritmos sensoriomotores. También existen sistemas BCI que usan las señales recogidas

mediante electrodos implantados en las neuronas corticales. Según la naturaleza del

estímulo (motor, visual, auditivo, etc.) se activará una determinada zona del cerebro y,



por tanto, habrá que situar los electrodos en diferentes posiciones en función de cada

tipo de señal.

Los VEP son potenciales recogidos sobre el córtex visual, derivados de una

respuesta cerebral a un estímulo visual [6]. Los más utilizados en sistemas BCI son los

VEP de estado estable (Steady-State Visual Evoked Potential, SSVEP), cuya finalidad

es conocer la dirección del ojo. Para ello, se muestran en una pantalla varios botones o

letras que parpadean a diferentes frecuencias, superiores a 4 Hz, de forma que el usuario

debe mantener fija la mirada en uno de ellos para seleccionar el botón deseado. De esta

forma se produce un SSVEP en el córtex visual, que consiste en una componente

periódica de la misma frecuencia a la que parpadea el botón y una serie de armónicos

secundarios. La mejor respuesta se obtiene en el rango de 5-20 Hz [7] . Los sistemas

BCI basados en VEP tienen especial interés debido a la robustez de los fenómenos

SSVEP y a que no requieren entrenamiento previo. Se han conseguido precisiones del

84% con estímulos a 6 frecuencias diferentes [7] , así como tasas de comunicación de

hasta 10-12 palabras por minuto [6].

Los SCP son cambios de voltaje lentos (entre 0.5 y 10 s) generados en el córtex a

bajas frecuencias [5] . Estos cambios de potencial son recogidos por el EEG en la zona

del vértex. Se distinguen dos tipos: los SCP negativos, que están relacionados con la

activación cortical, asociada a la realización de movimientos; y los SCP positivos, que

están relacionados con la reducción de la activación cortical. Basándose en los SCP el

usuario puede controlar el movimiento de un cursor en 1D mediante la variación del

voltaje DC. En primer lugar, se mide el nivel de voltaje inicial durante un período de

unos 2 s y en los siguientes 2 s, el usuario selecciona arriba o abajo mediante una

disminución o un aumento, respectivamente, de dicho nivel de voltaje. Esta idea se ha

aplicado en la selección de letras dividiendo en cada intento el abecedario en dos partes,

hasta escoger una sola letra. Se han alcanzado precisiones superiores al 75% y tasas de

comunicación de 0.15 a 3 letras por minuto. Al contrario que los BCI basados en VEP,

estos sistemas sí necesitan un entrenamiento previo.

Los potenciales P300 (o respuesta oddball) son picos positivos de potencial

producidos como respuesta a estímulos somático-sensoriales, visuales o auditivos

infrecuentes, cuando se mezclan con estímulos frecuentes, y que aparecen alrededor de

300 ms después de dichos estímulos [5], [8] . Para estimular la aparición de estos

potenciales, se muestra al usuario una serie de eventos que pueden ser divididos en dos



categorías, siendo los eventos de una de ellas más probables que los de la otra. Estos

últimos son los que producen la aparición del potencial P300, de forma que cuanto

menos probable sea dicho evento, más probable será la aparición del potencial. De esta

manera, para escoger una letra, número o botón en una matriz formada por un conjunto

de ellos, se iluminan las filas y las columnas de dicha matriz en orden aleatorio. El

usuario realizará una selección contando el número de veces que se ilumina la celda

deseada, ya que cuando se ilumina dicha celda se creará un potencial P300 por tratarse

del evento menos probable (es más probable que se ilumine una celda distinta a la

deseada). Como los potenciales P300 son pulsos muy cortos, el sistema BCI tiene que

realizar una media de todos ellos para obtener la columna y la fila de la matriz que ha

evocado dicho potencial. Es posible alcanzar una precisión de hasta el 80% con una tasa

de comunicación de hasta 7.8 letras por minuto [8] . Al igual que los VEP presentan la

ventaja de que no necesitan entrenamiento por parte del usuario, ya que son respuestas

endógenas al estímulo presentado.

Los ritmos sensoriomotores son variaciones de las características frecuenciales en

las zonas sensoriales o motoras del córtex, cuando no están ocupadas procesando

entradas sensoriales o produciendo salidas motoras [5] . Cuando estas variaciones se

producen en la zona somático-sensorial o motora se denominan ritmos µ (8-12 Hz) y β

(13-30 Hz). Por el contrario, si se producen en la zona visual del córtex se denominan

ritmos α (8-12 Hz). La característica empleada en los sistemas BCI es la amplitud de las

bandas frecuenciales de los ritmos µ y β, de forma que variando la amplitud de una de

ellas se consigue controlar el movimiento de un cursor en 1D. El movimiento o

preparación del movimiento viene acompañado por una disminución de la amplitud de

los ritmos, dicha particularidad se denomina ERD (Event-Related Desynchronization).

Por el contrario, la relajación después del movimiento produce un aumento de los

ritmos denominado ERS (Event-Related Synchronization). La desincronización y

sincronización simultánea de las componentes a 10 Hz es posible en diferentes

localizaciones del cuero cabelludo. Además, ERD y ERS no sólo se producen al realizar

un movimiento, sino que también aparecen observando o imaginando dicho movimiento

[9] . Esto supone una gran ventaja en la realización de los sistemas BCI para aquellas

personas que no pueden realizar movimientos voluntarios. Los sistemas BCI basados en

este tipo de señales presentan una precisión de hasta el 95% y una tasa de comunicación



de hasta 20-25 bits por minuto [5] . No obstante, este tipo de señales requieren de una

importante fase de entrenamiento.

En el caso de los potenciales de neuronas corticales se mide la actividad neuronal

del córtex. Sin embargo, puesto que se trata de un método altamente invasivo, no hay

estudios que demuestren que los humanos son capaces de aprender a controlar dicha

actividad neuronal. Si así fuera, como se ha demostrado en el caso de monos y ratas, se

podrían emplear estos potenciales para el control de sistemas BCI. Además, los estudios

realizados están basados en la realización de movimientos reales por lo que no está claro

si se obtendrán los mismos patrones de actividad cuando el movimiento no se realice

físicamente [5].

Una vez recogida la actividad cerebral mediante el EEG es necesario realizar una

etapa de procesado de señal que se divide en 2 partes: extracción de características y

clasificación de las mismas. La extracción de características selecciona la característica

que nos interesa de la señal tratando de maximizar la SNR; para ello se emplean

métodos en tiempo, frecuencia, espacio y espacio-tiempo como la transformada de

Fourier, wavelets, modelos autorregresivos, análisis de componentes principales

(Principal Component Analysis, PCA), análisis de componentes independientes

(Independent Component Analysis, ICA), etc. A continuación, el algoritmo de

clasificación se encarga de transformar esas características en señales de control: estos

algoritmos pueden ser tanto lineales (análisis discriminante lineal, perceptrón) como no

lineales (análisis discriminante cuadrático, redes neuronales). Además, estos métodos

deben adaptarse al usuario ya que las señales varían con la fatiga, la motivación e

incluso con el paso del tiempo.

Como se ha mencionado previamente, el propósito fundamental de los sistemas

BCI es restaurar la comunicación y el control de personas con discapacidades motoras

severas. El principal problema surge al trasladar la tecnología desde el laboratorio al uso

particular [4] . Por tanto, deben desarrollarse sistemas de fácil uso y mínimo soporte

técnico, que estén dotados de mecanismos on/off que permitan el encendido y apagado

del sistema por parte del propio usuario. Por otro lado, existen diferentes aspectos que

influyen negativamente en el control de un sistema BCI, como son la fatiga, atención o

motivación, que pueden verse incrementados o alterados por una expectación irreal por

parte de los pacientes o los medios de comunicación. Otra de las principales

limitaciones que aparecen es que, al tratarse de una tecnología nueva, sus fundamentos



no están lo suficientemente desarrollados y las mejoras a realizar dependen de un grupo

de investigación interdisciplinar que puede ser difícil de coordinar [1]. También hay que

mencionar que el grupo de usuarios potenciales al que va dirigida esta tecnología es

muy pequeño y, por tanto, la inversión que se hace en este tipo de investigaciones es

también reducida. Existe otra limitación a la hora de medir la eficacia de estos sistemas:

la precisión depende en gran medida del número de selecciones posibles [1] . Además,

resulta difícil comparar los distintos tipos de sistemas BCI. Para evitar esto se ha creado

una plataforma denominada BCI2000 que divide el sistema en bloques diferenciados y

con funcionalidades bien definidas [10] . Por último, otro factor importante son los

ruidos y artefactos asociados a las fuentes de datos. La SNR del EEG es moderada

debido a artefactos tanto a bajas frecuencias (movimiento de ojos y lengua, respiración)

como a altas frecuencias (tensión muscular). Por ello, hay que dotar a estos sistemas de

mecanismos que eliminen o, al menos, minimicen dichos ruidos.

1.3. Tareas a desarrollar en el proyecto

El proyecto se divide en cinco tareas principales, cada una de las cuales se divide a

su vez en varias subtareas que se indican a continuación:

TAREA 1: Estudio de métodos de extracción y clasificación de características aplicados a sistemas BCI.

Tarea 1.1. Investigación sobre los métodos de extracción de características espectrales y no lineales.

Tarea 1.2. Estudio de los métodos de clasificación de características orientados a aplicaciones BCI.

Tarea 1.3. Desarrollo software de los algoritmos seleccionados.

TAREA 2: Estudio de la interacción entre dispositivos domóticos y sistemas BCI.

Tarea 2.1. Estudio de los diferentes tipos de dispositivos domóticos integrados en la vivienda.

Tarea 2.2. Estudio de los diferentes protocolos y estándares de control domótico.

Tarea 2.3. Desarrollo de la interfaz entre el equipo BCI y el dispositivo de control domótico.



TAREA 3: Estudio de aplicaciones reales: control de los dispositivos domóticos de una vivienda accesible.

Tarea 3.1. Identificación de las necesidades del usuario final: personas dependientes con grave discapacidad.

Tarea 3.2. Traducción de las necesidades identificadas en funciones del sistema de control BCI. Desarrollo de una aplicación de entrenamiento.

Tarea 3.3. Desarrollo de un sistema integral para el control de dispositivos domóticos mediante BCI en una vivienda accesible.

TAREA 4: Aplicación del sistema a los usuarios del centro de Atención a Personas con Grave Discapacidad y para la Promoción de la Autonomía Personal y Atención a la Dependencia de San Andrés de Rabanedo (León). Extracción de conclusiones.

Tarea 4.1. Evaluación de la utilidad, manejabilidad y grado de satisfacción del usuario final.

Tarea 4.2. Interpretación de los resultados y extracción de conclusiones

Tarea 4.3. Difusión de resultados

TAREA 5: Coordinación del proyecto

Tarea 5.1. Coordinación del estudio de métodos de extracción y clasificación de características del EEG orientados a aplicaciones BCI.

Tarea 5.2. Coordinación del estudio de la interacción entre dispositivos domóticos y sistemas BCI.

Tarea 5.3. Coordinación del estudio de control de dispositivos domóticos en una vivienda accesible real.

Tarea 5.4. Coordinación de la evaluación de la aplicación y de la extracción de conclusiones.

A continuación se describirán las actividades realizadas a lo largo de estas tareas así

como los resultados y conclusiones obtenidos.

2. Estudio de métodos de extracción y clasificación de características aplicados a sistemas BCI.

El contenido de este apartado se corresponde con el trabajo realizado durante la

Tarea 1 del proyecto DOMO-BCI. El objetivo fundamental consiste en realizar un



estudio de diferentes métodos de extracción y clasificación de características aplicados

sobre señales de EEG. Su finalidad es conocer qué métodos resultan más eficaces a la

hora de interpretar las intenciones del usuario y si dichos métodos son adecuados o no

para su empleo en un sistema BCI en tiempo real. Para llevar a cabo esta tarea, se ha

divido el trabajo en dos partes: en primer lugar se realiza el estudio de métodos de

extracción y en segundo lugar el estudio de métodos de clasificación de características.

De esta manera, una vez realizado el estudio completo se escogerán los métodos que

serán implementados en la aplicación BCI de control domótico.

2.1. Señales

Desde el año 2001 y aproximadamente cada 2 años se ha realizado una competición

BCI. Estas competiciones tienen como objetivo validar y comparar diferentes métodos

de procesado de señal en sistemas BCI [11]. En cada competición se proporcionan

varios conjuntos, etiquetados y sin etiquetar, de señales EEG registradas bajo diferentes

paradigmas (control mediante ritmos sensoriomotores, selección de letras empleando

potenciales P300, etc.). Dado que uno de los objetivos del presente proyecto es el

desarrollo de una aplicación en la que el usuario controle la posición de un cursor, se

han escogido los ritmos sensoriomotores del conjunto de datos III de la competición

BCI 2003 como los más adecuados para realizar el estudio de métodos de procesado

correspondiente a la primera tarea del proyecto DOMO-BCI. Estas señales son idóneas

para el manejo de un cursor sobre la pantalla de un ordenador y, por tanto, van a

permitir seleccionar los distintos botones que aparecerán en la aplicación y que servirán

para enviar comandos a los dispositivos domóticos y permitir de esta manera el control

del entorno dentro de una vivienda.

El conjunto de datos III de la competición BCI 2003 fue proporcionado por el

Instituto de Ingeniería Biomédica de la Universidad Tecnológica de Graz, Austria. Las

señales fueron recogidas durante una sesión con realimentación realizada por un sujeto

normal (mujer de 25 años). Durante el experimento, el sujeto permaneció sentado en

una silla cómoda con reposabrazos y la tarea a realizar consistía en controlar la longitud

de una barra horizontal mediante la imaginación de movimientos de la mano derecha o

izquierda [12]. El experimento se divide en 7 realizaciones con 40 intentos de 9 s cada

uno. Cada intento comienza con 2 s de reposo tras los que se muestra una cruz en la

pantalla durante 1 s. Seguidamente, en el segundo 3, aparece una flecha apuntando hacia



la izquierda o la derecha para indicar la imaginación del movimiento que se ha de

realizar. Este esquema de temporización de cada intento puede observarse en la Figura 1

(a). Se recogen tres canales bipolares del EEG: C3, Cz y C4 del sistema internacional 10-

20 ampliado, localizados sobre la corteza motora del cerebro tal y como se muestra en la

Figura 1 (b). Se encuentran muestreados a 128 Hz y filtrados entre 0.5 y 30 Hz. El

conjunto de entrenamiento (etiquetado) y el de prueba (sin etiquetar) contienen igual

número de intentos de la mano derecha e izquierda, 70 de cada, distribuidos de forma

aleatoria [12].

(a)

(b)

Figura 1. (a) Esquema de temporización de un intento del conjunto de datos III de la Competición BCI 2003, (b) Los canales C3, Cz y C4 son los que aparecen en color rojo y se obtienen de forma bipolar

restando los canales superior en inferior, mostrados en azul



2.1.1. Descripción del método ganador de la Competición BCI 2003

El objetivo de la competición consiste en clasificar online los intentos del conjunto

de datos no etiquetado. Concretamente, se debe proporcionar un valor para cada instante

de tiempo cuyo signo indique la clase del intento (negativo para clase izquierda y

positivo clase derecha) y cuya magnitud refleje la bondad del clasificador, es decir, la

probabilidad con la que el clasificador estima a qué clase pertenece el intento.

El método ganador de la competición para este conjunto de datos fue el

desarrollado por S. Lemm et al. [13] . Su estudio se basa en la información tiempo-

frecuencia derivada del filtrado de los datos del EEG mediante wavelets de Morlet

causales. Dado que la imaginación de movimientos de la mano da lugar a

perturbaciones de los ritmos µ y β, se estiman modelos probabilísticos para la

modulación de amplitud en las bandas de frecuencia de 10 y 20 Hz sobre la zona

sensoriomotora del córtex correspondiente al movimiento de las manos (canales C3 y C4

del sistema internacional 10-20). Para cada instante de tiempo t y para cada intento k, se

trabaja con un vector ak(t) de cuatro características, correspondientes a la amplitud de la

transformada wavelet continua en las bandas µ y β para los canales C3 y C4:

β

3 34 4( ) [ ( , ), ( , ), ( , ), ( , )]C CC C Tk k k k kt W t f W t f W t f W t fα α β=a (1)

Posteriormente, asumiendo la existencia de dos prototipos distintos de modulación,

se estiman dos modelos probabilísticos, uno por cada clase de movimiento imaginado

[13]. Concretamente se asume una distribución gaussiana tetradimensional del vector de

características para cada uno de los modelos y en cada instante de tiempo t:

( )( )( )

( )( ) ( ) ( )( )yt

yt

Tyt tt

yt eytp

μaΣμaΣa

−−−−

−

=1

21

2

21

2|

π (2)

donde y son las medias individuales y las matrices de covarianzas de las dos

clases

ytμ

{

ytΣ

},y L R∈ , L: izquierda y R: derecha, en cada instante de tiempo s. Para

cada una de las etiquetas y la clasificación en cada instante de tiempo t se obtiene

mediante el teorema de Bayes:

]90[ −∈t

( )( ) ( )( )( )( ) ( )( )RtpLtp

ytptyP||

||aa

aa+

=

(3)

A partir de aquí se realiza la clasificación de forma que un intento se consideraría

perteneciente a la clase izquierda si y viceversa. No obstante,

para obtener el resultado final de la clasificación online en un cierto instante de tiempo

))(|())(|( tRptLp aa >



0t , se incorpora el conocimiento de todos los instantes de tiempo precedentes t 13].

Dicha combinación temporal se realiza tomando la media de las probabilidades a

posteriori de cada clase, con respecto a la potencia discriminatoria en cada instante de

tiempo

0t≤ [

tω :

( ) ( )( )( )( )

0

0

0

|| 0 ,...,

tt t

tt t

P y tP y t

ω

ω≤

≤

=∑

∑a

a a

(4)

La potencia discriminatoria tω se calcula mediante la probabilidad de error de las

dos distribuciones estimadas de cada clase [13] . El error de Bayes no puede ser

calculado directamente puesto que las matrices de covarianza son distintas, por lo que se

realiza una aproximación mediante el límite de Chernoff [14]. Finalmente, se adapta la

salida del sistema para que coincida con los requerimientos de la competición:

( ) ( )( )0 01 2 | 0 ,...,tsalida P L t= − a a (5)

donde el signo positivo o negativo de la salida indica la clase (mano derecha o

izquierda, respectivamente) y la magnitud indica la confianza en la decisión en una

escala de 0 a 1.

El criterio empleado en la competición para evaluar los diferentes algoritmos

enviados se basa en la información mutua (Mutual Information, MI), aunque también se

tuvieron en cuenta otros factores como la tasa de error y el tiempo de clasificación [15].

La MI es una medida de la dependencia entre dos variables aleatorias cuya unidad más

común es el bit. Por otra parte, la tasa de error es el porcentaje de los datos del conjunto

de prueba mal clasificados y el tiempo de clasificación es el instante de tiempo para el

cual la MI es máxima. La razón por la que se utiliza la MI para evaluar los algoritmos es

que dicha función tiene en cuenta tanto el signo de la salida (clase estimada) como su

magnitud (probabilidad a posteriori), mientras que la tasa de error no tiene en cuenta la

magnitud. El método ganador de la competición obtuvo una MI máxima de 0.61 bit, un

error mínimo de 10.71% y un tiempo de clasificación de 7.59 s [13], [15].

2.2. Métodos de extracción de características

La extracción de características consiste en la realización de distintas

combinaciones y transformaciones sobre las señales cerebrales recogidas en la etapa de

adquisición. A partir de una o varias características obtenidas de esta manera se

realizará posteriormente la etapa de traducción o clasificación. La finalidad de la



extracción es maximizar la SNR de las señales que contienen la información sobre la

intención del usuario [1], puesto que las características que se generan por medio de los

algoritmos de extracción proporcionan una mejor capacidad discriminativa que la de las

señales originales. Sin embargo, estas nuevas características pueden no tener un

significado físico evidente.

Los métodos de extracción que suelen emplearse con los ritmos sensoriomotores

cuando el número de canales es pequeño se basan en las funciones wavelets [13] y en el

cálculo de la potencia en las bandas μ y β [16] . En este estudio, en primer lugar se

implementa el método de extracción de características ganador de la competición

(wavelet de Morlet compleja) y, posteriormente, otros cinco métodos de extracción

diferentes: características espectrales a partir de la transformada rápida de Fourier,

transformada wavelet continua, transformada wavelet discreta, modelos autorregresivos

y filtro adaptado. A continuación se describe cada uno de ellos. Para comparar los

distintos métodos de extracción de características estudiados se toma como clasificador

común el clasificador de Bayes del método ganador de la competición descrito

anteriormente [13].

2.2.1. Características espectrales a partir de la FFT

La transformada rápida de Fourier (Fast Fourier Transform, FFT) es un algoritmo

que calcula de manera eficiente la transformada de Fourier discreta de una señal, cuya

definición es: 21

0( )

iN nkN

nn

X k x eπ− −

=

= ∑ con 0,1,..., 1k N= − (6)

Esta transformación se emplea para estudiar la descomposición de una señal en sus

diferentes componentes espectrales, es decir, para estudiar su espectro en frecuencia y

calcular su densidad espectral de potencia (Power Spectral Density, PSD). En el

presente estudio el cálculo de la PSD se ha realizado mediante el método de Welch. Por

otro lado, la extracción de los parámetros espectrales se lleva a cabo empleando tres

grupos de características diferentes obtenidas a partir de dicha PSD. Antes de calcular

dichos parámetros se ha realizado un filtrado paso banda entre 2 y 40 Hz de las señales

para eliminar tanto la componente continua como ruido a altas frecuencias.



El primer grupo de características está formado por los momentos espectrales de

primer y segundo orden de las señales correspondientes a los canales C3 y C4. Estos

momentos espectrales se definen de la siguiente forma:

1

1

( )1

( )

N

ii

N

i

f Pxx iM

Pxx i

=

=

=∑

∑

2

1

1

( ) (2

( )

N

ii

N

i

)f f Pxx iM

Pxx i

=

=

−=

∑

∑ (7)

donde es la PSD de la señal y Pxx f es el rango de frecuencias en el que está definida.

El valor de f que aparece en la segunda ecuación se corresponde con el valor de 1M ,

puesto que su definición coincide con la media de una variable aleatoria f cuya

función de densidad de probabilidad es . Así, el vector de características obtenido

para cada instante de tiempo y para cada intento es:

Pxx

t k

3 4 3 4

T( ) [ 1 1 2 2 ]k C C Ct M M M M= a C

C

(8)

El segundo grupo de características está formado por las potencias en las bandas μ

(8-12 Hz) y β (16-24 Hz) de las señales correspondientes a los canales C3 y C4. El valor

de la potencia se calcula como el área bajo la curva PSD, comprendida en la banda de

frecuencias correspondiente. Por tanto, el vector de características es:

3 4 3 4

T( ) [ ]k C C Ct pot pot pot potμ μ β β= a (9)

Por último, se forma un grupo de características combinando la información de los

momentos espectrales y de las potencias en las bandas, de forma que el número total de

características correspondiente es 8. Sin embargo, para reducir dicho número de

características a 6 [17], se emplean las diferencias de potencias en cada banda en lugar

de potencias absolutas. De esta manera, el vector de características resultante es:

3 4 3 4 3 4 3 4

T( ) [ 1 1 2 2 ( ) ( )]k C C C C C C C Ct M M M M pot pot pot potμ μ β β= − −a (10)

2.2.2. Transformada wavelet continua

Las wavelets son funciones matemáticas de energía finita que oscilan y cuyo valor

medio es cero [18] . Se emplean para hacer representaciones en tiempo-frecuencia de

una señal partiendo de una wavelet madre ( )tΨ que se escala por un valor s y se

desplaza un tiempo b. La transformada wavelet continua (Continuous Wavelet

Transform, CWT) de una señal real se define como la convolución de la señal con

la wavelet conjugada, desplazada y escalada:

( )c t



*1( , ) ( )| |c

t bW s b c t dtss

+∞

−∞

−⎛ ⎞= Ψ ⎜ ⎟⎝ ⎠∫ (11)

Para la obtención de las características se emplean dos wavelets, cuyos espectros se

encuentran uno en la banda μ (en torno a 10 Hz) y otro en la banda β (en torno a 22 Hz).

Estos valores de frecuencia se eligen empíricamente, puesto que proporcionaron

notablemente los mejores resultados en las pruebas preliminares.

El estudio de este método se lleva a cabo empleando varios tipos de wavelets

diferentes variando sus parámetros. Las wavelets empleadas se obtienen del Wavelet

Toolbox de MATLAB®. En total se emplean 17 wavelets diferentes: wavelets complejas

gaussianas (cgau10, cgau12 y cgau15), Morlet compleja (cmor2-1, cmor3-1, cmor3-2),

Daubechies (db8, db10, db12), complex frequency biorthogonal-spline (fbsp2-1-1.5,

fbsp2-1-1, fbsp2-1-2), sombrero mejicano (mexh), wavelet compleja de Shannon

(shan1-2.5) y symlets (sym7, sym8 y sym10).

El vector de características se forma a partir de la amplitud instantánea de la CWT

calculada para las bandas μ y β de las señales correspondientes a los canales C3 y C4.

Por tanto, en un instante de tiempo t y para cada intento el vector de características

será de la forma:

k

3 4 3 4

T( ) [ ( , ) ( , ) ( , ) ( , )]k C C C Ct W s t W s t W s t W s tμ μ β β= a (12)

2.2.3. Transformada wavelet discreta

La transformada wavelet discreta (Discrete Wavelet Transform, DWT) filtra la

señal mediante parejas de filtros, uno paso alto y otro paso bajo, y realiza

posteriormente un diezmado por dos de la señal. Este proceso da lugar a unos

coeficientes detalle cD1 (entre fs/4 y fs/2) y unos coeficientes de aproximación cA1 (entre

0 y fs/4). A continuación, se vuelve a realizar el filtrado sobre los coeficientes de

aproximación, de forma que se obtienen de nuevo un grupo de coeficientes detalle cD2

(entre fs/8 y fs/4) y un grupo de coeficientes de aproximación cA2 (entre 0 y fs/8). El

nivel de descomposición de la señal mediante la DWT coincide con el número de veces

que se realiza este proceso.

En el caso de las señales del presente proyecto, cuya frecuencia de muestreo es

128sf Hz= , el nivel de descomposición adecuado es igual a 3, puesto que es suficiente

para localizar los ritmos μ y β. La banda μ se encuentra en la banda de los coeficientes

detalle del nivel 3 (cD3, entre 8 y 16 Hz) mientras que la banda β se localiza en la de los



coeficientes detalle del nivel 2 (cD2, entre 16 y 32 Hz). Sin embargo, estas bandas no

coinciden exactamente con la banda de cada ritmo sino que abarcan más frecuencias. El

vector de características se forma a partir de estos coeficientes obtenidos para las

señales de los canales C3 y C4. Por tanto, en un instante de tiempo t y para cada intento

el vector de características es de la forma: k

3 4 3 4

T3, 3, 2, 2,( ) [ ( ) ( ) ( ) ( )]k C C C Ct cD t cD t cD t cD t= a (13)

Al igual que para la CWT, se han empleado diferentes tipos de wavelets variando

sus parámetros. En total se emplean 20 wavelets diferentes que son: Daubechies (db8,

db10, db12), symlets (sym7, sym8, sym10), coiflets (coif2, coif4), wavelet discreta de

Meyer (dmey), wavelets biortogonales (bior1.3, bior2.4, bior3.9, bior4.4, bior5.5,

bior6.8) y biortogonales inversas (rbio2.4, rbio3.9, rbio4.4, rbio5.5, rbio6.8).

2.2.4. Modelos autorregresivos

Un modelo autorregresivo (AR) es un modelo paramétrico lineal que describe la

muestra actual como una combinación de las p muestras anteriores. Se expresa como:

1( ) ( ) ( )

p

ii

c t coef c t i e t=

= −∑ +

4p

(14)

donde es la señal EEG, es un término de error que representa un ruido blanco

de media cero y varianza finita, p es el orden del modelo y son los coeficientes

que se pretende obtener.

( )c t ( )e t

i

oef

coef

De esta forma, dichos coeficientes son estimados a partir de la muestra actual y de

un número finito de muestras anteriores, empleando alguno de los diferentes métodos

existentes [19]. En concreto, para calcular los coeficientes del modelo autorregresivo se

han empleado tres algoritmos: Burg, covarianza y covarianza modificada. Cada uno de

ellos se prueba con valores de p = 2, 3 y 4, sobre las señales de los canales C3 y C4. Así,

el vector de características resultante para un instante t y para cada intento k tiene

longitud 2p y es de la forma: 3 3 3 4 4 T

1 2 1 2( ) [ ]C C C C C Ck pt coef coef coef coef coef c= ... ... a (15)

Por otro lado, los modelos AR adaptativos (Adaptive AutoRegressive, AAR) son

muy similares a los modelos AR, pero en este caso los coeficientes pueden ser variables

con el tiempo como se muestra a continuación:



1( ) ( ) ( ) ( )

p

ii

c t coef t c t i e t=

= −∑ +

)]p

(16)

Los modelos AAR proporcionan una alta resolución temporal con una baja carga

computacional y, además, son adecuados para el análisis online [20].

En este estudio los coeficientes AAR se estiman mediante diferentes algoritmos:

media de mínimos cuadrados (Least Mean Squares, LMS), mínimos cuadrados

recursivos (Recursive Least Squares, RLS) y técnicas AR recursivas (Recursive AR,

RAR) [20] . El estudio de los métodos AAR se realiza empleando los tres métodos de

estimación que mejores resultados han proporcionado en las pruebas iniciales: LMS,

LMS con normalización adaptativa y RLS. Previamente, se lleva a cabo un filtrado paso

banda entre 2 y 40 Hz. Las pruebas se realizan variando el método de estimación de los

coeficientes, el orden del modelo (p= 2, 3 y 4) y el coeficiente de actualización UC =

0.005 y 0.008 (del orden que se emplea en otros estudios similares [21] ). Estos

algoritmos se aplican sobre las señales de C3 y C4, por tanto, el vector de características

resultante tiene longitud 2p: 3 3 3 4 4 4 T

1 2 1 2( ) [ ( ) ( ) ( ) ( ) ( ) (C C C C C Ck pt coef t coef t coef t coef t coef t coef t= ... ... a (17)

2.2.5. Filtro adaptado

El filtro adaptado se basa en la obtención de un modelo parametrizado del ritmo μ a

partir del ritmo característico presente en las señales EEG. El procedimiento utilizado es

similar al planteado por Krusienski et al. [22].

En primer lugar, se estudia el espectro de las señales EEG para determinar cuál es

la frecuencia fundamental en la que aparece el ritmo μ. Una vez conocida esta

frecuencia se seleccionan aquellas señales en las que debería producirse una

sincronización de los ritmos, es decir, las correspondientes al canal situado en el mismo

lado hacia el que se imagina el movimiento, puesto que en el otro canal se produce una

desincronización. Por lo tanto, se trabaja con el canal C3 de los intentos de clase

izquierda (L) y con el canal C4 de los intentos de clase derecha (R). Se toman segmentos

de 2 s y se realiza la correlación cruzada con un seno de frecuencia igual a la frecuencia

fundamental y de 1 s de duración, y se selecciona para cada intento el segmento de 1 s

de señal que da la máxima correlación. Posteriormente, se alinean estos segmentos y se

calcula la media, obteniéndose así el ritmo μ característico de la señal.



Se observa que el ritmo μ obtenido mantiene una amplitud relativamente constante

durante el intervalo de 1 s. Además presenta periodicidad, por lo que puede ser

descompuesto en términos de un número discreto de componentes sinusoidales [22].

Para ello se estudia su espectro, que está formado por un pico principal a la frecuencia

fundamental y por dos armónicos de menor amplitud (siendo el primero de ellos el

ritmo β). A partir de este espectro se calculan las amplitudes de los dos primeros

armónicos ( y ) y del pico fundamental ( ), así como las fases de los dos

primeros armónicos (

2A 3A 1A

2φ y 3φ ) y de la componente fundamental ( 1φ ). La plantilla del

filtro adaptado se modela como una suma de los armónicos de la señal:

1

2( ) cos( )N

Fm m

m S

nmfMF n Af

π φ=

= +∑ (18)

donde n es el número de muestra de la plantilla, fs es la frecuencia de muestreo, fF es la

frecuencia fundamental del ritmo μ y N – 1 es el número total de armónicos que van a

ser modelados. Dada la forma del espectro, se considera suficiente N = 3 para modelar

el ritmo μ característico [22] . No obstante, algunos estudios han empleado otras

plantillas para el ritmo μ menos generales como una sinusoide rectificada [23].

Para realizar la extracción de características se toma un segmento de señal EEG y

se realiza la convolución circular de longitud igual al número de muestras de un período

de la plantilla diseñada. Al valor máximo de esta convolución se aplica la raíz cuadrada

y ésta será la característica extraída para dicho segmento. Como se parte de las señales

de dos canales (C3 y C4) el vector de características estará formado por dos elementos:

3 4

T( ) [ max( ) max( )]k Ct CC CC= a C

(19)

2.2.6. Resultados

En este apartado se recogen los resultados obtenidos al implementar los distintos

algoritmos de extracción de características descritos anteriormente. Para poder comparar

dichos métodos se muestran en las Tablas 1 y 2 los mejores resultados obtenidos por

cada uno de ellos. En la Figura 2 puede observarse también la evolución temporal de la

MI y de la tasa de error de los mejores métodos y del método ganador. A pesar de que

se miden varios parámetros (MI, tasa de error y tiempo de clasificación) al igual que en

la competición [15] , el criterio empleado para escoger el mejor método se basa en el

valor máximo de MI ya que, como se ha mencionado previamente, tiene en cuenta no

solo la clase estimada, sino también el valor de la probabilidad de dicha estimación [15].



Los sistemas BCI basados en los ritmos sensoriomotores μ y β se emplean en

aplicaciones que generalmente muestran realimentación al usuario para que éste pueda

saber si está realizando correctamente el control de la aplicación. Para poder

proporcionar esa realimentación es necesario que el sistema proporcione cada cierto

tiempo un valor de salida que indique, tanto la clase estimada como la probabilidad de

que dicha estimación sea correcta. Por tanto, en lugar de esperar a tener la señal

completa de un intento para clasificarla como perteneciente a una clase u otra, es

necesario analizar cada cierto tiempo la señal recibida. Debido a esto, los métodos de

extracción de características que se implementan en este estudio se aplican sobre

segmentos de las señales y no sobre la señal completa de un intento (9 s). El tamaño de

estos segmentos varía entre 0.25 y 2 s. Posteriormente, se escoge la longitud de

segmento que obtiene mejores resultados para cada método. Además, no es necesario

proporcionar un valor de salida en todos los instantes de tiempo, sino que puede variarse

la frecuencia con la que se actualiza la realimentación. En este estudio se realiza la

clasificación proporcionando un valor de salida por cada muestra de entrada (tasa de

salida: 1/128 7.8125Hz ms= ) y por cada ocho muestras (tasa de salida:

). De esta forma se puede seguir proporcionando una realimentación

frecuente al usuario empleando mucho menos tiempo en el procesado de las señales.

8 /128Hz 62.5ms=

En la Tabla 1 se muestran los resultados obtenidos por el método ganador

(implementado en este estudio) y por la mejor implementación (mejor valor de MI) de

cada método propuesto en este proyecto cuando se proporciona un valor de salida por

cada muestra (cada 7.81 ms). Análogamente, la Tabla 2 muestra los resultados cuando

se da un valor de salida cada 8 muestras (cada 62.5 ms).

Observando ambas tablas puede decirse que el mejor método, en términos de MI

máxima, es el de la potencia en las bandas μ y β. Esto supone una ventaja ya que se trata

de un método que es, conceptualmente, más sencillo que el resto. Empleando la

potencia en las bandas μ y β se consigue un máximo de MI de 0.66 bit (8.10% de

mejora) y disminuye el tiempo de clasificación con respecto a la competición,

manteniéndose la misma tasa de error mínimo. Por tanto, este método podría ser una

buena propuesta como método de extracción de características sobre este tipo de

señales.

El método CWT, mejora el valor de MI del método ganador de la competición BCI

2003 y mantiene la misma tasa de error, sin embargo el tiempo de clasificación es



mayor. Esto es debido a los extremos y anchura de las wavelets y puede ser fácilmente

corregido una vez escogido el tipo de wavelet que se va a emplear.

La DWT es el único método de los estudiados que no supera el valor de MI de la

competición. Como máximo consigue un valor de 0.59 bit cuando la tasa de salida es de

62.5 ms. Además, el tiempo de clasificación empeora con respecto al método ganador y

la tasa de error es superior a la de todos los métodos. Esto podría ser debido a que las

bandas resultantes al descomponer la señal en 3 niveles no coinciden exactamente con

las bandas de los ritmos μ y β, sino que abarcan más componentes espectrales.

Los modelos AR consiguen superar el valor de MI de la competición. El

inconveniente que presentan es que, independientemente de la tasa de salida, el error

mínimo empeora respecto al de la competición. Además, el instante en el que se alcanza

el máximo de la MI coincide casi con el fin del intento (t = 9 s) por lo que es el método

que presenta el peor tiempo de clasificación.

Por último, el método del filtro adaptado destaca por el poco tiempo que emplea en

el análisis de las señales. Debido a esto será interesante su implementación en sistemas

de tiempo real, ya que el tiempo de análisis no limita la tasa de salida. La MI que

consigue este método es de 0.62 bit, por tanto, superior al método ganador. Este método

Método ganador

Características espectrales (pot.

bandas μ y β)

CWT (Morlet

cmor2-1)

DWT (Daubechies,

db10)

AR/AAR (AR Cov,

p=3)

Filtro adaptado

TAMAÑO DEL SEGMENTO [S] 0.50 1.00 1.00 0.25 0.50 0.25

ERROR MÍNIMO [%] 10.7143 10.7143 14.2857 12.8571 11.4286 10.7143

MI MÁXIMA [BITS] 0.6118 0.6586 0.6209 0.5635 0.6326 0.6239

TIEMPO DE CLASIFICACIÓN

[S] 7.4375 7.3125 8.0234 8.4688 8.9297 7.1875

Tabla 1. Resultados obtenidos por cada método proporcionando una tasa de salida de 7.81 ms

Método ganador

Características espectrales (pot.

bandas μ y β)

CWT (Morlet

cmor2-1)

DWT (Meyer

discreta)

AR/AAR (AR Burg,

p=4)

Filtro adaptado

TAMAÑO DEL SEGMENTO [S] 0.50 1.00 0.50 1.00 0.25 0.25

ERROR MÍNIMO [%] 10.7143 10.7143 10.7143 14.2857 11.4286 11.4286

MI MÁXIMA [BITS] 0.6084 0.6592 0.6199 0.5852 0.6351 0.6248


[S] 7.3750 7.2500 7.9375 8.0000 8.9375 7.1250

Tabla 2. Resultados obtenidos por cada método proporcionando una tasa de salida de 62.5 ms



es también el que mejor tiempo de clasificación consigue. Para ambas tasas de salida, el

error es ligeramente superior al de la competición.

Comparando ambas tablas entre sí se observa que para todos los métodos excepto

para la CWT se obtienen resultados ligeramente mejores cuando la tasa de salida es de

62.5 ms que cuando es de 7.81 ms.

El motivo de que los valores de error que se indican en las tablas sean todos iguales

o superiores al de la competición se debe a que el criterio empleado a lo largo de este

trabajo ha sido siempre maximizar el valor de MI. Es por ello que dentro de casi todos

los métodos existen otras combinaciones de parámetros que obtienen un error inferior a

10.71%, pero cuya MI presenta un valor inferior al que se ha mostrado en estas tablas.

En la Figura 2 se muestra la evolución temporal de la MI y de la tasa de error obtenidos

por los dos mejores métodos: potencias, en cuanto a MI, y filtro adaptado, en cuanto a

tiempo de clasificación y procesado, así como por el método ganador. El método basado

en potencias (línea azul) destaca por presentar una pendiente ligeramente superior y

porque alcanza el mayor valor de MI. El método del filtro adaptado (línea roja) es el

más rápido en empezar a incrementar la MI y al final del intento consigue mantener un

valor de ésta superior al de la competición.

Figura 2. Evolución temporal de la MI (línea continua) y la tasa de error (línea punteada) para el método ganador (negro), las características espectrales (azul) y el filtro adaptado (rojo)



2.3. Métodos de clasificación de características

A lo largo de esta sección se describen los distintos métodos de clasificación que se

han implementado en el estudio. De forma análoga que para la extracción de

características, se parte del modelo ganador para el conjunto de datos III de la

competición BCI 2003 y, utilizando las características wavelets extraídas de dicho

modelo, se comparan los distintos métodos de reconocimiento de patrones a estudiar.

Con cada algoritmo se obtiene la probabilidad a posteriori y, a

continuación, se realiza la combinación temporal para mejorar el rendimiento del

sistema y el mapeo para obtener la salida online, de acuerdo a las ecuaciones (4) y (5),

respectivamente. Se va a emplear el grupo de funciones MATLAB® proporcionado por

el conjunto de herramientas Netlab [24], [25].

( )( |P L ta )

2.3.1. Preprocesado: Recorte de outliers

Los vectores de características a clasificar presentan puntos desplazados que no se

corresponden directamente con las intenciones del usuario. Estos puntos, que no

pertenecen a ninguno de los dos grupos (L o R), se denominan outliers y su aparición se

debe a artefactos o, con mayor interés, a pruebas individuales en las que el usuario no es

capaz de realizar la correcta imaginación de la tarea requerida [13]. Los outliers pueden

deformar y desplazar los distintos clusters presentes en el conjunto de datos, lo cual va a

provocar un aumento en el número de errores durante la fase de clasificación. Por ello,

es de vital importancia tener en cuenta dichos puntos y eliminarlos antes de la fase de

clasificación mediante técnicas de recorte, como el estimador rápido del determinante

de la covarianza mínimo (Fast-Minimum Covariance Determinant, Fast-MCD) [26],

[27].

El MCD es un estimador altamente robusto basado en la localización multivariada y

en la dispersión de los datos, que tiene como objetivo encontrar las h observaciones (de

un total de n) cuyas matrices de covarianza tengan el determinante más pequeño [26] .

Los algoritmos típicos de MCD están limitados a conjuntos de datos pequeños (cientos

de objetos) y a pequeñas dimensiones. Para superar dichas limitaciones, el algoritmo

Fast-MCD emplea iteraciones selectivas y extensiones anidadas [26].

En el presente estudio se aplica el algoritmo Fast-MCD a los datos de cada clase

del conjunto de entrenamiento de la competición BCI 2003. De esta forma se obtiene el



subconjunto de dichos datos que están más concentrados (mínima covarianza) y, por

tanto, se eliminan los más dispersos (outliers). Para los distintos métodos de

reconocimiento de patrones implementados en este trabajo, se realiza la clasificación de

los datos sin y con recorte de outliers. Dicho recorte se lleva a cabo mediante el

algoritmo Fast-MCD con valores de h iguales a 0.5, 0.6, 0.7, 0.8 y 0.9, lo que equivale

a la eliminación del 50%, 40%, 30%, 20% y 10% de los datos, respectivamente.

2.3.2. K-vecinos más cercanos

El clasificador k-vecinos más cercanos (k-Nearest Neighbors, k-NN) asigna la

muestra a la clase y (( )ta { },y L R∈ ) si la mayoría de los k vecinos más próximos (en

términos de distancia euclídea) pertenecen a dicha clase. De esta forma, si x de los k

vecinos (con x k≤ ) pertenecen a la clase L, la probabilidad a posteriori

viene dada por

( )( )|P L ta

xk . Para cada instante de tiempo se calcula la distancia euclídea entre

los datos del conjunto de prueba y los datos del conjunto de entrenamiento, y se varía el

número de vecinos k desde 2 hasta 139 (ya que el número total de realizaciones del

conjunto de entrenamiento es 140). A continuación, se fija aquel valor de k que

maximiza la MI ( ) y se ejecuta el algoritmo con las características recortadas

desde 10% hasta 40% para la eliminación de outliers. En este caso el recorte de los

datos al 50% no es posible ya que proporciona un conjunto menor a 76 y, por ello, no se

contempla en los resultados.

76=k

2.3.3. Análisis discriminante lineal

El análisis discriminante lineal (Linear Discriminant Anayisis, LDA) es un método

de reducción de dimensionalidad en el que se realiza una proyección lineal de los datos

a un espacio unidimensional [28]. De esta forma un vector x se proyecta en un valor y,

dado por:

( ) Ty =x w x (20)

donde w es un vector de pesos ajustables que depende de la matriz de dispersión intra-

clase:

( )( )

12 1

12 1

W

W

−

−

−=

−

S μ μw

S μ μ (21)



( )( ) ( )( )1 2

1 1 2

T Tn n n nW

n C n C∈ ∈

= − − + − −∑ ∑S x 2μ x μ x μ x μ (22)

Generalmente una proyección en un espacio unidimensional da lugar a una

considerable pérdida de información, y las clases que estaban bien separadas en el

espacio d-dimensional original pueden solaparse en una dimensión. Sin embargo,

ajustando correctamente las componentes del vector de pesos w se puede seleccionar

una proyección que maximice la separación entre las clases. La clasificación según el

método LDA se basa en la suposición de que los datos de partida han sido generados

por una distribución normal. Por ello, se estiman las funciones de densidad de

probabilidad (f.d.p.) ( )( )|p a t L y ( )( )|p a t R (donde ( )a t es la proyección del vector

) como distribuciones normales con medias ( )ta ( )1 tμ y ( )t2μ , respectivamente, y con

igual varianza ( ) ( )Wt t⋅ ⋅w S ( )tT w . Por lo tanto, es necesario validar la normalidad y

homocedasticidad de los datos y verificar así la suposición de partida.

Son muchas las pruebas de normalidad (f.d.p. gaussianas) y homocedasticidad

(igualdad de matrices de covarianza) existentes. Sin embargo, el presente trabajo se

centra en las pruebas de normalidad multivariada debido a la naturaleza de los datos de

partida. Muchas de las pruebas son versiones univariadas extendidas al caso

multivariado. De esta forma, un porcentaje alto de las pruebas multivariadas se basan en

medidas de la asimetría y de la kurtosis o en procedimientos de la bondad del ajuste de

casos univariados, lo cual hace que pocas de estas pruebas puedan considerarse

formales [29]. Las pruebas basadas en la asimetría y la kurtosis de Mardia son unas de

las más comunes para la comprobación de la normalidad multivariada. Sin embargo, la

mayoría de estos métodos carecen de la propiedad de consistencia, no ocurriendo lo

mismo con la prueba de Henze-Zirkler [29]. Por último, para la comprobación de

homocedasticidad se utiliza la prueba de Levene, que contrasta si grupos de k muestras

proceden de poblaciones de igual varianza.

2.3.4. Regresión logística

La regresión logística puede considerarse un caso particular de red neuronal de una

sola capa [28]. De esta forma, se parte de una función discriminante lineal para

las componentes x descrita por:

( )y x

( ) 0Ty ω= +x w x (23)



donde w es el vector d-dimensional de pesos y 0ω se corresponde con el sesgo.

La función es una función lineal de las variables de entrada. Para generalizar

dicha función se aplica al nodo de salida una función de activación del tipo logistic:

( )y x

( ) ( )1

1 expg a

a≡

+ − (24)

con lo que se mapea el intervalo de entrada en el intervalo ( )0,1 y se transforma la

salida en una probabilidad válida para la clasificación estadística:

( )( ) ( ) ( ) ( )( )0| TP L t g t t tω= +a w a (25)

Utilizando el modelo lineal generalizado para cada instante de tiempo, se crea una

red de 4 entradas y 1 salida con función de activación logistic [25]. A continuación, se

entrena dicha red con el conjunto de datos etiquetados mediante el método de mínimos

cuadrados iterativamente reponderados (Iterated Reweighted Least Squares, IRLS), que

permite calcular las derivadas de una función de error con respecto a los pesos y el

sesgo de la red. Con esto se obtienen los distintos pesos ( )tw . Para realizar la

clasificación, se introducen los datos del conjunto de prueba en la red entrenada,

obteniendo así la probabilidad ( )( )|P L ta .

2.3.5. Redes neuronales

Una red neuronal artificial es un conjunto de elementos simples de procesado

(unidades, nodos o neuronas) interconectados. La capacidad de procesado de la red

reside en los valores asociados a las conexiones entre nodos (denominadas pesos).

Dichos valores se obtienen en un proceso de adaptación o aprendizaje a partir de un

conjunto de patrones de entrenamiento [30]. En este proyecto se abordan dos tipos de

arquitecturas de propagación hacia atrás (feed-forward): redes perceptrón multicapa

(Multi-Layer Percpetron, MLP) y redes función base radial (Radial Basis Function,

RBF).

2.3.5.1. Perceptrón multicapa

Para permitir un mapeo más general que el proporcionado por las redes neuronales

de capa simple se pueden considerar redes más complejas formadas por varias capas de

pesos adaptativos que realizan distintas transformaciones sucesivas. En este trabajo se

consideran redes MLP formadas por dos capas de pesos adaptados. De esta forma, cada



capa de la red se construye como una combinación lineal de las variables de entrada, las

cuales son transformadas por funciones de activación no lineales. Además, las

conexiones entre las distintas capas se realizan exclusivamente entre nodos de capas

inmediatamente consecutivas, con lo que la función analítica de la salida queda descrita

por:

( )( ) ( ) ( ) ( ) ( ) ( )4

2 1

0 0|

M

j ji ij i

P y t g t h t a tω ω= =

⎛ ⎞⎛ ⎞= ⎜ ⎟⎜ ⎟

⎝ ⎠⎝ ⎠∑ ∑a (26)

donde ( )1jiω denota el peso de la primera capa que une la entrada i con el nodo oculto j,

( )10jω denota el sesgo del nodo oculto j (cuya entrada vale siempre 1), ( )2

jω es el peso de

la segunda capa que une el nodo oculto j con la salida y ( )20ω es el sesgo de la segunda

capa.

Dado que el presente trabajo pretende clasificar la señal de entrada en dos clases, es

decir, pretende obtener la probabilidad a posteriori ( )( )|P L ta , la red neuronal va a

emplear la función logistic como función de activación de la capa de salida. Por otro

lado, la función de activación de la capa oculta empleada en este tipo de redes es la

tangente hiperbólica, ya que da lugar a una convergencia más rápida de los algoritmos

de entrenamiento [28].

Para la implementación de la red MLP, en primer lugar y para cada instante de

tiempo, se crea una red con 4 entradas, k nodos en la capa oculta y 1 salida. El número

de nodos de la capa oculta se varía desde 2 hasta 20 para seleccionar el óptimo. Una vez

creada la red mediante la función correspondiente del paquete Netlab se realiza la

optimización de los pesos de la red a partir de los datos de entrenamiento. Netlab ofrece

varias posibilidades en cuanto a algoritmos de propagación hacia atrás para la

optimización de pesos [25] . Entre dichos métodos están el descenso del gradiente, el

gradiente conjugado, el gradiente conjugado escalado y el método cuasi-Newton. De

todos ellos se escoge el denominado gradiente conjugado escalado con 100 iteraciones

ya que empíricamente obtiene mejores resultados que el resto. A continuación, se

introducen en la red entrenada los datos de prueba y se obtiene como salida la

probabilidad a posteriori . ( )( )|P L ta



2.3.5.2. Funciones de base radial

En el caso de redes RBF, la activación de los nodos ocultos se determina mediante

la distancia entre el vector de entrada y un vector prototipo. De esta forma, cada nodo

oculto computa la función base gaussiana jφ de los datos de entrada y, a continuación,

se realiza el producto escalar de las salidas. Dichas salidas se introducen en la función

logistic para obtener según las siguientes expresiones: ( )( |P L ta )

( )( ) ( ) ( )( )0

|M

j jj

P L t g t tω φ=

⎛ ⎞= ⎜ ⎟

⎝ ⎠∑a a (27)

( )( ) ( ) ( )( )

2

2exp2

jj

j

t tt

tφ

σ

⎛ ⎞−⎜ ⎟= −⎜ ⎟⎝ ⎠

a μa (28)

donde es el vector de características, ( )ta ( )j tω es el peso que une el nodo oculto j con

la salida y, jμ y jσ son el centro y la anchura de la función base jφ , respectivamente.

Un aspecto importante en las redes RBF es la distinción entre los roles de la

primera y la segunda capa de pesos, es decir, entre los parámetros que gobiernan las

funciones base y los pesos de la capa de salida. De esta forma, el entrenamiento se lleva

a cabo en dos fases:

i) Primera fase. Cálculo de los parámetros de las funciones base. Los centros se

establecen a partir de un modelo de mezclas gaussianas (Gausian Mixture Model,

GMM) con covarianzas circulares empleando el algoritmo de máxima expectación

(Expectation Maximization, EM) con un máximo de 100 iteraciones. Para la

inicialización de estos se emplea el algoritmo k-medias. Por otro lado, las anchuras de

las funciones base gaussianas se establecen mediante la máxima distancia cuadrática

entre centros.

ii) Segunda fase. Cálculo de los pesos de la capa de salida. Al igual que en el caso

de regresión logística se emplea el algoritmo IRLS para el cálculo de los pesos de

salida.

El conjunto de herramientas Netlab genera redes RBF con función de activación de

la capa de salida lineal. Por ello, para implementar este algoritmo de entrenamiento en

las 2 fases anteriores se crea, en primer lugar y para cada instante de tiempo, una red

RBF con 4 entradas, 1 salida y k funciones base. A continuación, se entrena la red con el



conjunto de datos etiquetados para calcular los centros y las anchuras de las funciones

base (primera fase de entrenamiento). Seguidamente, se crea un modelo lineal

generalizado con k entradas y 1 salida con función de activación logistic. Dicho modelo

se entrena mediante los datos de salida de la primera capa de la red RBF, ,

utilizando el algoritmo IRLS (segunda fase de entrenamiento). Por último, se asignan

los pesos del modelo lineal generalizado calculados mediante IRLS a los pesos de la

capa de salida de la red RBF.

( )( )j tφ a

Para la fase de prueba se introducen los datos de dicho conjunto en la red generada

y, dado que la salida de la red es lineal, se emplea la función logistic para mapear los

resultados en el intervalo ( . De esta forma se obtiene la probabilidad a posteriori

.

)

0,1

( )( )|P L ta

2.3.6. Modelo de mezclas gaussianas

El modelo de mezclas es un caso particular de f.d.p. formado por una combinación

lineal de funciones base, donde el número My de funciones base se considera como un

parámetro del modelo y suele ser mucho menor que el número de puntos N [28] . De

esta forma, se puede describir el modelo de densidad ( )( )|p t ya como una

combinación lineal de las densidades componentes ( )( )|p t ja ,

( )( ) ( )( ) ( )1

| |yM

j

p t y p t j P j=

= ∑a a (29)

donde los coeficientes son las probabilidades a priori de que los datos hayan sido

generados por la componente j de la mezcla.

( )P j

Del conjunto general de modelos de mezclas, el presente trabajo se centra en el

estudio de modelos de mezclas gaussianas en el que las densidades componentes se

corresponden con funciones de densidad gaussianas de la forma:

( )( )( )

( )( ) ( )( )11/22

1 1| exp22

T

j j j

j

p t j t tπ

−⎛ ⎞= − −⎜ ⎟⎝ ⎠

a a μ Σ a μΣ

− (30)

En muchas aplicaciones las densidades componentes ( )( )|p t ja se consideran

pertenecientes a una familia paramétrica [31]. De esta forma, dichas densidades pueden

escribirse como

( )( )| ; jp t ja θ , donde es el vector de los parámetros desconocidos jθ



de la componente j de la mezcla, es decir, jμ y para el caso de GMM. Teniendo en

cuenta este enfoque la ecuación (29) se puede reescribir como:

jΣ

; |( )( ) ( )( ) ( )1

;yM

jj

p t p j=

= ∑a Ψ θt P ja (31)

donde es un vector que contiene todos los parámetros desconocidos de la mezcla: ( )tΨ

( ) ( ) 1, ,Ψ θ( )1 ,..., 1 ...,yy MP P M= −

...,

θ (32)

El conjunto de datos de entrenamiento de partida está formado por 70 pruebas de

cada clase y en cada instante de tiempo. Dicho número es muy pequeño para modelar un

GMM (sobre todo en modelos formados por un gran número de gaussianas). Por tanto,

se va a generar el GMM de cada clase mediante segmentos temporales de 0.5 s de

longitud y solapados 0.25 s. De esta forma, a cada segmento le corresponde un conjunto

de parámetros con ( )( ), ,j j P jμ Σ 1, yj M= , siendo yM el número de gaussianas

componentes de la clase y. Además, como los instantes de tiempo en los que se solapan

2 segmentos están descritos por 2 triadas de parámetros, se realiza la media entre ambas

para obtener unos parámetros únicos por segmento.

Existen varios métodos para determinar el conjunto de parámetros de un GMM a

partir de un conjunto de datos. El más utilizado en la literatura y, por tanto, el utilizado

en este proyecto es el estimador de máxima verosimilitud (Maximum Likelihood

Estimator, MLE). Dicho estimador se basa en maximizar la probabilidad logarítmica

negativa, lo que equivale a minimizar la siguiente función de error:

( ) ( )( ) ( )( ) ( )1

ln ln ; | ;N N M

n nj

n n jE L p t p t j P j

= = =1 1ln

⎧ ⎫= − = − = − ⎨ ⎬

⎩ ⎭∑Ψ a ψ a θ∑ ∑ (33)

2.3.7. Resultados

A lo largo de este apartado se recogen los resultados obtenidos por los métodos de

clasificación de características estudiados. Se ha tomado como referencia el método

ganador de la competición BCI 2003 (conjunto de datos III) [13] . Para cada algoritmo

se varían distintos parámetros característicos con el objetivo de encontrar la

implementación óptima. Del mismo modo, dado que las características a clasificar están

acompañadas de ruido estadístico (outliers), se realiza el estudio de cada algoritmo con

distintos porcentajes de recorte mediante el estimador Fast-MCD. En primer lugar se

ejecutan los algoritmos sin recorte y se varían los parámetros del mismo. A



continuación, fijados los parámetros óptimos del algoritmo, se vuelve a ejecutar con los

distintos porcentajes de recorte para comparar los resultados.

En la Tabla 3 se muestran los resultados obtenidos tanto por el método de

referencia como por la mejor implementación de cada método propuesto en este

proyecto. En el caso particular del clasificador LDA, los test aplicados no confirmaron

la normalidad de los datos, por lo que fue descartado del estudio. La Figura 3 ilustra la

evolución a lo largo del tiempo de la tasa de error (negro) y la MI (azul), para el

clasificador ganador de la competición y para el que alcanzó la MI máxima de todos los

propuestos en este trabajo de investigación. Dicho clasificador óptimo se corresponde

con una red RBF formada por 9 nodos en la capa oculta y recorte del 40% de los datos.

De esta forma, se consigue aumentar la MI máxima en un 12.28% respecto al

clasificador de referencia de la competición BCI 2003. Además, la red RBF es el

método que menor tasa de error alcanza (9.50%), mientras que los tiempos de

clasificación son similares en todos los casos. Por otro lado, los porcentajes de recorte

GANADOR K-NN REGRESIÓN LOGÍSTICA

REDES NEURONALES GMM

MLP RBF

VARIABLES - k=76 - Nodos ocultos 5

Nodos ocultos 9

ML=3 MR=2

RECORTE [%] 30 40 30 30 40 40 ERROR MÍNIMO

[%] 10.7143 10.7143 11.5893 9.5000 11.9524 10.0000

MI MÁXIMA [BITS] 0.6680 0.6134 0.6743 0.6805 0.6849 0.6405


[S] 7.6172 7.5547 7.6406 7.6484 7.6172 7.4141

Tabla 3. Comparativa de resultados para los distintos clasificadores

Figura 3. MI (azul) y tasa de error (negro), para el clasificador ganador de la competición (línea fina) y

para la red RFB óptima (línea gruesa)



óptimos varían entre el 30% y 40% según los clasificadores. Hay que tener en cuenta

que los resultados mostrados en la Tabla 3 se corresponden con las combinaciones de

parámetros que maximizan la MI en cada clasificador. Este mismo criterio fue el

utilizado para evaluar los algoritmos en la competición BCI 2003. Por ello, si se

desearan obtener tasas de error menores o mejores tiempos de clasificación habría que

enfocar el estudio para optimizar los parámetros de cada clasificador en función de

dichos resultados.

2.4. Desarrollo software de algoritmos

Para llevar a cabo la implementación de la aplicación propuesta en el proyecto

DOMO-BCI se va a emplear el sistema de propósito general BCI2000 [10] junto con

una aplicación propia desarrollada en lenguaje C++. Este sistema contiene un módulo

de procesado de señal que, en primer lugar, extrae unas determinadas características de

las señales adquiridas por el módulo fuente y, posteriormente, traduce dichas

características en comandos de control que se envían al módulo de aplicación. El final

de la tarea 1 del proyecto DOMO-BCI consiste en implementar en el módulo de

procesado de señal de BCI2000 los métodos que mejores resultados han obtenido en la

fase de evaluación previa. Aunque esta etapa incluiría la evaluación de diferentes

clasificadores, se recomienda emplear el clasificador lineal que ya se encuentra

incorporado en el sistema BCI2000 [32]. Esto se debe a que dada la naturaleza de los

sistemas BCI se requieren métodos de clasificación sencillos, fáciles de implementar,

calibrar y adaptar al usuario: llevaría bastante tiempo implementar correctamente un

clasificador más complejo (redes neuronales, modelos de mezclas, etc.) y sería difícil

mejorar notablemente el rendimiento en tiempo real del clasificador existente. Por ello,

para el desarrollo de la aplicación propuesta en el proyecto DOMO-BCI se ha tomado la

decisión de emplear el clasificador lineal existente en BCI2000 e implementar varios

métodos diferentes de extracción de características. En concreto se van a implementar

los cuatro métodos del estudio realizado anteriormente, que han sido capaces de mejorar

el valor de MI de la competición: modelos autorregresivos, potencia en las bandas µ y

β, transformada wavelet continua empleando wavelets de Morlet complejas y filtro

adaptado. Para su implementación se ha hecho uso de los bloques ARFilter, FFTFilter,

FIRFilter y MATLABFilter predefinidos en BCI2000. Se han hecho las modificaciones

y ajustes pertinentes en el código fuente de las mismas para obtener los métodos de



extracción de características con la implementación deseada. A continuación se describe

brevemente cada uno de los métodos desarrollados.

• AR1: modelo AR cuyos coeficientes se estiman a partir del algoritmo de Burg o

método de máxima entropía (Maximum Entropy Method, MEM). Para ello se

emplean segmentos de 64 muestras (0.5 s a una frecuencia de muestreo de 128

Hz). La característica que se emplea es la amplitud espectral (obtenida a partir

de la PSD estimada por el modelo AR) correspondiente a la banda de

frecuencias donde se haya encontrado una mayor actividad del ritmo µ en una

sesión inicial. Para este método se toma el rango de frecuencias entre 0 y 30 Hz

para situar los centros de las muestras de la amplitud espectral, cubriendo cada

una un ancho espectral de 3 Hz.

• AR2: En este caso se emplean dos amplitudes espectrales correspondientes a las

bandas de frecuencias donde se haya encontrado una mayor actividad de los

ritmos µ y β en la sesión inicial. Se toma el rango de frecuencias entre 0 y 30 Hz

para situar los centros de las muestras de la amplitud espectral, cubriendo cada

una un ancho espectral de 1 Hz.

• FFT: Este método se ha descrito ya previamente. En él se emplea una STFT,

calculada con el algoritmo de la FFT, con una ventana de Hamming de 128

puntos (1 s). De esta forma cada muestra de la STFT cubre un ancho espectral de

1 Hz. Como características se emplean dos potencias correspondientes a la

banda frecuencial donde se haya encontrado una mayor actividad del ritmo µ.

• CMW: Se parte de dos wavelets complejas de Morlet escaladas teniendo en

cuenta las frecuencias donde se haya encontrado una mayor actividad de los

ritmos µ y β en la sesión inicial. Posteriormente, se realiza la transformada

wavelet continua de un segmento de la señal EEG de 64 muestras (0.5 s) con

cada una de las wavelets creadas. Se emplean como características las dos

amplitudes instantáneas de las transformadas wavelet.

• MF: en primer lugar se realiza un estudio de las señales de EEG para determinar

cuál es la frecuencia fundamental en la que aparece el ritmo µ mediante un

análisis offline. A partir de un conjunto de intentos similares a los del conjunto

de datos III de la Competición BCI 2003 se extrae el ritmo µ característico del

usuario. Se obtienen dos plantillas de 32 muestras (0.25 s) para el ritmo µ, una



real, empleando funciones coseno, y otra imaginaria, empleando funciones seno.

Se usan como características las amplitudes rms obtenidas al convolucionar

simultáneamente un segmento de 8 muestras de la señal EEG con cada uno de

los filtros adaptados obtenidos previamente.

Para medir la precisión de cada uno de estos métodos se ha modificado un módulo

de BCI2000 cuyo objetivo consiste en desplazar un cursor en forma de bola hacia la

izquierda o la derecha para seleccionar los botones que aparecen en los extremos

laterales de la pantalla. Solo uno de los botones se muestra como objetivo en cada

realización. En la Figura 4 se muestran varias capturas de pantalla de dicha aplicación.

En este estudio ha participado un único sujeto: una mujer sana de 26 años, que ha

realizado las distintas sesiones necesarias para evaluar el funcionamiento de los

métodos propuestos. Dicho sujeto realiza 10 pruebas de 20 intentos cada una, 10 de

cada lado, para cada uno de los métodos propuestos. Al comienzo de cada intento

aparece un objetivo a la derecha o a la izquierda de la pantalla y el usuario tiene 4 s para

mover el cursor hacia dicho objetivo, considerándose un acierto cuando este es

alcanzado. La precisión se mide como el porcentaje de aciertos respecto al número total

de intentos. Los resultados se muestran en la Tabla 4 y en la Figura 5.

A la vista de estos resultados el método con el que se consigue una mayor precisión

es el AR1, es decir, un modelo AR con anchura espectral de 3 Hz entre muestras y

tomando como característica la correspondiente al ritmo µ. A continuación se sitúa el

modelo AR2, lo que indica que los modelos AR son los más adecuados para controlar el

sistema BCI.

Figura 4. Capturas de pantalla de la aplicación diseñada para medir la precisión de los distintos métodos de extracción implementados en BCI2000



PRECISIÓN (%) Media Máxima Mínima

AR1 92.08 100.00 83.33 AR2 90.18 100.00 72.22 FFT 88.89 83.10 73.68

CMW 82.50 94.44 63.64 MF 81.07 93.75

El método FFT consigue una precisión media y mínima superior a la de los

métodos CMW y MF. Sin embargo, la precisión máxima obtenida con este método es la

menor respecto al resto de métodos.

Cualitativamente, desde el punto de vista del usuario, los métodos con los que ha

resultado más sencillo controlar el movimiento de la bola han sido AR1, AR2 y CMW.

Figura 5. Representación gráfica de los valores de precisión media, máxima y mínima obtenidos por los diferentes métodos implementados en BCI2000

Tabla 4. Valores medio, máximo y mínimo de precisión obtenidos por cada método de extracción de características implementado en BCI2000

58.82



3. Estudio de la interacción entre dispositivos domóticos y sistemas BCI.

Este capítulo se corresponde con la Tarea 2 del proyecto DOMO-BCI, consistente

en la realización de un estudio de los dispositivos domóticos que pueden integrarse en

una vivienda, así como de los diferentes estándares y protocolos de control que emplean

dichos dispositivos. Una vez identificados los diferentes tipos de dispositivos y

protocolos de control, se procederá al desarrollo del módulo que reciba la intención del

usuario identificada por el sistema BCI y lo traduzca en las señales de control requeridas

por el dispositivo domótico.

3.1. Estudio de los diferentes servicios prestados por los dispositivos domóticos que pueden estar presentes en la vivienda

A lo largo de esta primera subtarea se ha llevado a cabo un estudio de los

dispositivos domóticos que se pueden integrar en una vivienda, así como la función

desempeñada por los mismos.

Las actividades domésticas tales como preparar comidas, realizar los quehaceres de

la casa o la adquisición de bienes y servicios desde la misma, son aspectos que la

tecnología domótica puede facilitar a las personas dependientes. Además, permite

controlar y automatizar el funcionamiento de puertas, luces, persianas, etc.

Desde un punto de vista técnico, un sistema domótico se divide en:

Controlador: sistema informático que proporciona la inteligencia, gestiona y

controla el funcionamiento de toda la red de sensores y actuadores.

Sensores: pequeños dispositivos electrónicos que monitorizan un determinado

parámetro del entorno domótico y lo transmiten al sistema controlador.

Actuadores: son elementos activos que permiten al sistema controlador actuar

sobre el entorno, encendiendo y apagando luces, alarmas, electrodomésticos

inteligentes, etc.

Los principales sensores o dispositivos domóticos que pueden instalarse en una

vivienda para facilitar la vida de las personas en general, y de las personas dependientes

o con discapacidad en particular, son los siguientes:



Sensores de presencia: detectan la presencia de una persona dentro de una

estancia. Pueden ser empleados para: detectar intrusos y hacer sonar una alarma,

encender o apagar las luces de una habitación, abrir o cerrar una puerta, etc.

Sensores de humos: sirve para detectar la presencia de humo en el aire y emitir

una señal acústica avisando del peligro de incendio.

Sensores de detección de fugas de agua y gas, se emplean para emitir una alarma

cuando se detectan niveles de humedad o gas elevados.

Sensores de iluminación: miden el nivel de iluminación de una habitación y se

emplean para regular la altura de las persianas, la intensidad de las luces, etc.

Sensores de infrarrojos (IR) o radiofrecuencia (RF): reciben señales a partir de

mandos a distancia IR o RF y ejecutan diferentes acciones. Por ejemplo, sirven

para controlar dispositivos como televisores, reproductores de vídeo y DVD,

equipos de música, etc. También pueden emplearse para activar o desactivar

enchufes y con ello encender y apagar todo tipo de dispositivos, como lámparas

o electrodomésticos. Pueden usarse también para regular la intensidad de las

luces, subir o bajar las persianas, etc.

Termostatos: regulan la temperatura de una vivienda y se encargan de activar la

calefacción o el aire acondicionado cuando es necesario.

Para regular el funcionamiento de los dispositivos mencionados pueden emplearse

tanto mandos a distancia (IR o RF) como comandos de voz o paneles de control, táctiles

o de teclado, instalados en el hogar. Incluso, estos dispositivos pueden activarse desde

fuera del hogar mediante el uso de teléfonos móviles o internet.

En el caso de las personas dependientes o con discapacidad pueden instalarse

también dispositivos como camas eléctricas, grúas, detectores de caída o alarmas de

teleasistencia, que faciliten su vida y la de sus cuidadores. Además, podrían instalarse

también sensores de telemonitorización de señales biológicas que controlen, por

ejemplo, la actividad ECG de un paciente sin necesidad de que este se traslade a un

hospital [33].

Por otro lado, el empleo de interfaces adaptadas para el acceso a internet favorecerá

la realización de actividades de ocio, el acceso a la información y la realización de

compras desde casa.



3.2. Estudio de los diferentes protocolos y estándares de control domótico

3.2.1. Protocolos de control domótico

En este apartado se presenta un pequeño estudio de los protocolos de control

domótico más utilizados actualmente. A continuación se describe cada uno de ellos:

X.10

Se trata de un protocolo de comunicaciones para el control remoto de dispositivos

eléctricos. Utiliza las líneas de baja tensión (220 ó 110V) para transmitir datos a

muy baja velocidad (60 bps en EEUU y 50 bps en Europa) y costes muy bajos. Al

usar las líneas eléctricas de la vivienda, no es necesario tender nuevos cables para

conectar dispositivos, lo cual supone una gran ventaja [34].

El protocolo X.10 fue desarrollado entre 1976 y 1978 por Pico Electronics of

Glenrothes, una empresa escocesa. Fue el primer protocolo domótico en aparecer y,

debido a su madurez y a la tecnología empleada, los productos X.10 tienen un

precio muy competitivo. Además, no es propietario, es decir, cualquier fabricante

puede producir dispositivos X.10 y ofrecerlos en su catálogo.

Las señales de control de X.10 se basan en la transmisión de ráfagas de pulsos de

RF (120 KHz) que representan información digital. Estos pulsos se sincronizan en

el cruce por cero de la señal de red (50 ó 60 Hz). Un ‘1’ binario del mensaje se

representa por un pulso de 120 KHz durante 1 ms, en el paso por cero de la señal de

red, y el ‘0’ binario se representa por la ausencia de ese pulso de 120 KHz.

Un mensaje completo en X.10 está compuesto por el código de comienzo (1110),

seguido por un código que identifica la casa y un código de control. Este código de

control está formado por cinco bits de los cuales el último bit, llamado sufijo,

determina si los cuatro bits anteriores indican una dirección de unidad (sufijo=’0’)

o un código de comando (sufijo=’1’).

Para que el sistema gane fiabilidad el diseño del protocolo establece que cada

mensaje se debe transmitir dos veces. Además, cada par de mensajes de

información ha de estar precedido por seis pasos por cero de la señal de red. En

total es necesario un tiempo de 0.94 s para transmitir una orden completa.



Existe un protocolo más moderno (1999) llamado UPB (Universal Powerline Bus)

que también utiliza la línea eléctrica como medio de transmisión. Este protocolo

trata de obtener una señal más fuerte e inmune al ruido eléctrico consiguiendo una

mejor tasa de transmisión y una alta fiabilidad (hasta un 99%).

KNX (Konnex)

En abril de 1999 nueve compañías europeas establecieron una nueva asociación

industrial, Konnex, para trabajar en el desarrollo de un nuevo estándar resultante de

la convergencia de otros tres: BatiBUS, EIB (European Installation Bus) y EHS

(European Home Systems) [35]. El estándar KNX se basa en la tecnología EIB, que

consiste en un bus de datos, y expande su funcionalidad añadiendo nuevos medios

físicos a dicho estándar y los modos de configuración de BatiBUS y EHS [34].

Aunque puede utilizar distintos medios físicos: par trenzado, línea eléctrica,

cableado Ethernet o radiofrecuencia, lo más habitual es que las instalaciones KNX

utilicen cableado propio de par trenzado [36]. Con este estándar se pueden controlar

hasta 14.400 dispositivos en una misma instalación.

LonWorks

La empresa Echelon [37] presentó la tecnología LonWorks en el año 1992. Se trata

de un protocolo diseñado para cubrir los requisitos de la mayoría de las

aplicaciones de control: edificios de oficinas, hoteles, transporte, industrias,

monitorización de contadores de energía, vivienda, etc. El protocolo LonWorks se

encuentra homologado por las distintas normas europeas (EN-14908), de Estados

Unidos (EIA-709-1) y de China (GB/Z20177-2006), así como por el estándar

europeo de electrodomésticos (CEDEC AIS). Es un sistema abierto a cualquier

fabricante que quiera usar esta tecnología sin depender de sistemas propietarios, lo

que permite reducir los costes y aumentar la flexibilidad de la aplicación de control

distribuida [35]. Aunque Echelon fue el promotor de la tecnología, en la actualidad

la asociación que toma las decisiones sobre normalización y certificación es

LonMark Internacional [38]. Esta asociación, formada por los distintos fabricantes

que utilizan la tecnología LonWorks se encarga de definir los perfiles necesarios

para que los equipos sean completamente interoperables entre varios fabricantes.

Al igual que KNX, LonWorks puede utilizar una gran variedad de medios de

transmisión: aire, par trenzado, coaxial, fibra, o red eléctrica. Requiere la



instalación de nodos a lo largo de la red que gestionan los distintos sensores y

actuadores. La instalación y configuración de estos nodos debe ser realizada por

profesionales utilizando las herramientas informáticas apropiadas.

LonWorks es una tecnología muy robusta y fiable por lo que está especialmente

indicada para la automatización industrial, ámbito del que procede.

Dupline

La empresa Carlo Gavazzi ofrece el bus de instalación Dupline como la solución

idónea para las nuevas exigencias generadas por la creciente automatización de

viviendas y edificios [39]. Es un sistema descentralizado que ofrece nuevas

funcionalidades para reducir el consumo de energía y ampliar el confort y la

seguridad: control de la iluminación, temperatura, persianas, sistema de alarma

contra incendios, supervisión del control de energía, agua, gas, ventanas, puertas,

etc.

El sistema puede transmitir señales digitales y analógicas a kilómetros de distancia,

por medio de un cable de 2 hilos. Todos los módulos de una instalación se conectan

al mismo cable de 2 hilos que se usa para intercambiar señales entre los módulos y

entre un controlador central y los módulos. Dupline se usa generalmente como

sistema remoto de E/S, creando un enlace entre los dispositivos de campo como

sensores, contactores, válvulas, pulsadores, etc. y un controlador central, que puede

ser un PLC, un ordenador o el controlador Dupline. Las señales Dupline pueden

transmitirse no sólo por hilo de cobre, sino también por cable de fibra óptica, por

radiomódem, por líneas telefónicas o por módem GSM.

C-Bus (CEBus, Consumer Electronic Bus)

Es un protocolo de comunicaciones propietario creado por la empresa Clipsal

Integrated Systems [40]. C-Bus se emplea en el control de recintos domóticos así

como en sistemas de control de iluminación de edificios comerciales. A diferencia

del protocolo X.10 que emplea una señal superpuesta a la de la red eléctrica, C-Bus

usa un cable dedicado de bajo voltaje o una red inalámbrica de dos vías para enviar

los comandos y las señales de control, mejorando la fiabilidad de la transmisión. La

longitud máxima de cable es de 1 Km aunque podría ampliarse usando puentes de

red (network bridges).



3.2.2. Pasarelas residenciales (Residential Gateway)

Para poder acceder desde el exterior a la red domótica de una casa será necesario

disponer de una pasarela residencial. Una pasarela residencial se define como un

dispositivo que conecta las infraestructuras de telecomunicaciones (datos, control,

automatización, etc.) del hogar digital a una red pública de datos, como por ejemplo

Internet. Normalmente combina las funciones de los siguientes dispositivos: router, hub,

módem, cortafuegos, servidor de aplicaciones de entretenimiento (vídeo / audio bajo

demanda), VoIP y telecontrol [34]. Por tanto, es una interfaz de terminación de red

flexible, normalizada e inteligente, que recibe señales de las distintas redes de acceso y

las transfiere a las redes internas y viceversa, realizando funciones de puente de manera

transparente para el usuario. La pasarela residencial debe tener unas características

determinadas: interoperabilidad con distintos dispositivos no determinados a priori; ser

abierta y evolucionable; y estar dotada de funciones para la gestión de la seguridad [35].

Para que una pasarela residencial tenga cierto éxito o alcance una implantación

masiva, debe soportar servicios útiles, que aporten valor, confort y tranquilidad a los

clientes. Para ello las pasarelas residenciales deben tener las siguientes características

[35]:

Instalación sencilla. La instalación debe ser sencilla y la configuración rápida y

asequible (mejor si es Plug & Play, es decir, conectar y listo). Igualmente, la

asignación y especificación de las funciones que puede hacer cada dispositivo

domótico o electrodoméstico debería ser automática.

Telecarga de software. El proveedor de servicios, o directamente el usuario bajo

supervisión del proveedor, debería ser capaz de actualizar o telecargar nuevos

servicios, además de configurarlos remotamente.

Soporte para redes. Las pasarelas residenciales deberían tener interfaces que

permitan conectar redes de datos de banda ancha con tecnologías como la

tradicional Ethernet o con las nuevas tecnologías inalámbricas. Por otro lado

sería interesante que tuvieran interfaces para redes de control de banda estrecha

(red domótica) que permitan implementar funciones de telecontrol y ahorro

energético.



Seguridad. La seguridad es una cuestión fundamental en la concepción de una

pasarela residencial, ya que es el medio de acceso al hogar a través de la red.

Dentro de este campo se contemplan dos aspectos fundamentales:

Seguridad de acceso. Se puede subdividir en dos niveles, ambos necesarios

para garantizar la seguridad de los servicios: seguridad de acceso a la

pasarela, que contiene las aplicaciones, y seguridad de acceso a nivel de

servicio. Así pues, la pasarela deberá disponer de un cortafuegos (firewall)

que sólo permita establecer conexiones hacia el hogar a aquellas entidades

autorizadas. Al mismo tiempo deberá permitir que desde dentro de la casa se

tenga salida hacia la red, por ejemplo para conectarse a Internet. Por último,

los servicios instalados en la pasarela deberán contemplar mecanismos de

autenticación y autorización de acceso al servicio.

Seguridad de la información que se transmite a través de la red. Se

contemplan dos niveles suplementarios: pasarela y servicio. Conviene que la

pasarela disponga de un mecanismo de encriptación de la información que se

transmite. Para ello se recomienda utilizar IPSEC para la creación de redes

privadas virtuales (VPN, Virtual Private Network) entre la pasarela y los

proveedores de servicio. De esta manera toda la información transmitida entre

estas entidades va protegida con independencia del servicio que la genere. Si

se decide tener en cuenta la seguridad de transmisión de la información a

nivel de servicio, no es necesario la creación de VPNs entre entidades, sino

que es la aplicación la que se debe encargar de contemplar dicha seguridad

usando mecanismos como HTTPS, etc.

Capacidad para soportar múltiples servicios. Con suficiente memoria, capacidad

de procesamiento y un sistema operativo robusto y multitarea, las pasarelas

residenciales deberán ser capaces de ejecutar múltiples aplicaciones

concurrentemente, donde cada una de ellas se corresponderá con un e-service

diferente. La conexión de banda ancha será compartida entre todos estos

servicios con la multiplexación de datos, ya sea a nivel IP o nivel de

aplicaciones.

Monitorización usando páginas Web. Ya sea de forma local o de forma remota,

el usuario debe poder acceder a la pasarela residencial para cambiar su



configuración, borrar aplicaciones (servicios) o supervisar su estado. Para ello

las pasarelas tendrán que tener integrados pequeños servidores HTTP o WAP.

Las pasarelas residenciales podrían clasificarse en estos dos tipos [35]:

Pasarelas residenciales de Banda Ancha. Son routers/hubs o módems ADSL o de

cable que actúan como pasarelas en sí mismas, adaptando entre los datos de la

red interna de la vivienda y la conexión de banda ancha de Internet. Suelen tener

interfaces Ethernet, USB, acceso inalámbrico o HomePNA (aprovechando la

instalación de telefonía de la vivienda). Este tipo de pasarelas está en auge

gracias al aumento del teletrabajo y las pequeñas oficinas de profesionales

liberales (SOHO, Small Office / Home Office).

Pasarelas residenciales Multiservicios. Proporcionan varias interfaces para redes

de datos y control con diferentes tecnologías, además de ser más complejas y

potentes. Son capaces de ejecutar diferentes aplicaciones (servicios) con

requisitos de tiempo real (para VoIP o streaming de vídeo para Pay-per-View).

También puede ejecutar servicios orientados a las SOHOs como el acceso único

a Internet para varios ordenadores.

Las pasarelas residenciales tendrán interfaces que les permitirán intercambiar

información con cualquier equipo, dispositivo o electrodoméstico que tenga

conectividad para redes de datos o de control. Además, tendrá que ser programada para

distribuir apropiadamente los paquetes entrantes de datos hacia cada equipo dentro de la

vivienda. Igualmente empaquetará la información generada por cada uno para

distribuirla internamente o enviarla al proveedor de servicios correspondiente.

Por último mencionar que en 1999 un conjunto de empresas multinacionales

fundaron una asociación llamada OSGi (Open Services Gateway initiative), que ofrece

un foro de desarrollo y debate para definir especificaciones abiertas con el objetivo de

crear un estándar software para el desarrollo de plataformas sobre las que distribuir

servicios de forma remota. OSGi es una colección de APIs (Application Protocol

Interface) basados en Java que permiten el desarrollo de servicios independientemente

de la plataforma. Estas APIs permiten la compartición de los servicios, el manejo de

datos, recursos y dispositivos, el acceso de clientes y la seguridad. Además,

complementa otras iniciativas como JINI, Plug & Play o Universal Plug & Play, de

forma que todas ellas pueden integrarse o referenciarse desde OSGi.



A continuación se presentan varios fabricantes de pasarelas comerciales:

Internet Home Management Systems (Xanboo). Permite a distintos proveedores

ofrecer una serie de servicios al hogar como control de seguridad, control de

energía, diagnóstico y control de dispositivos, asistencia sanitaria a distancia,

etc.

Connector 2000 (Coactive Networks). Está especialmente diseñada para

implementar servicios vía Internet de telemetría y telecontrol, sobre dispositivos

y electrodomésticos de las viviendas.

Libertus (NetProyectos). Proporciona a los usuarios servicios destinados a la

gestión digital del hogar unificando todos los sistemas de los distintos

fabricantes, de forma que permite instalar cualquier tipo de red domótica.

Iberdomo (Madrileña de Gestión Informática). Conecta las infraestructuras de

telecomunicaciones (datos, control, automatización,…) de la vivienda a una red

pública de datos, como Internet. Ofrece, por tanto, servicios de comunicaciones,

entretenimiento, seguridad, control domótico, etc.

HogarDigital (Comfortia). Permite la intercomunicación de diferentes protocolos

domóticos, al tiempo que agrupa en un solo dispositivo las demás redes del

hogar (datos, voz, TV, audio y seguridad). Así, se consigue una gestión eficiente

tanto localmente, como remotamente, de todos los aparatos del hogar.

3.3. Estudio de otros protocolos de control: infrarrojos (IR) y radiofrecuencia (RF)

3.3.1. Control mediante infrarrojos (IR)

Hay multitud de dispositivos electrónicos controlados por mandos o radiocontroles

de forma remota. Existen mandos universales que combinan diversos controles en uno

solo. Este tipo de mandos suelen emplear un interruptor para seleccionar el aparato

controlado. El primer mando de control remoto universal fue desarrollado por William

Russell a mediados de los años ochenta. A este diseño inicial se le fueron concediendo

patentes. El paso posterior a los mandos a distancia son los paneles de control

doméstico. Estos sistemas permiten controlar otros aparatos eléctricos como cámaras de

seguridad e interruptores de luz, entre otros [42].



La mayor parte de los mandos a distancia para aparatos domésticos emplean diodos

de emisión cercana a infrarrojo (cuyas longitudes de onda van desde unos 700 nm hasta

1 mm). Se trata de una luz invisible para el ojo humano que, sin embargo, transporta

señales que pueden ser detectadas por el aparato. Los mandos a distancia de un solo

canal permiten enviar una única señal portadora. Para controles remoto multicanal se

emplean diferentes técnicas de modulación y demodulación, principalmente digitales.

Las aplicaciones de los controles remotos son entre otras: industriales, videojuegos,

espaciales, domótica, etc.

Los mandos de control remoto o mandos a distancia disponen de unos botones que

tienen en su parte posterior un material que conduce la electricidad. Cuando se presiona

el botón, dicho material hace contacto con la plaqueta y cierra un circuito que

corresponde al botón. Existe un pequeño circuito integrado que reconoce la señal y va a

ser el encargado de determinar qué botón fue presionado (en base a esa información

dará una orden a un cristal para que genere un impulso eléctrico). Ese impulso se

transmite a un LED que lo envía convertido en radiación de tipo infrarrojo. El receptor

puede reconocer el botón pulsado midiendo la frecuencia de la radiación emitida [43].

El código RC-5 de Philips es uno de los protocolos más empleados. Esto se debe

principalmente a la amplia disponibilidad de controles remotos baratos que se basan en

él. Dentro de RC-5 hay comandos predefinidos para distintos dispositivos, lo cual

aporta una mayor compatibilidad al emplearlo con muchos equipos de los hogares.

Algunas de las características fundamentales de este protocolo son las siguientes [44]:

- Dirección de 5 bits y comando de 6 bits (7 bits de comando para RC-5X).

- Codificación de doble fase o bi-fase (Bi-phase, también llamada código

Manchester).

- Tiempo de bit constante de 1,778 ms (64 ciclos de 36 kHz).

- Frecuencia de portadora de 36 kHz.

El protocolo está basado en una modulación Manchester de doble fase sobre una

portadora de 36 kHz. En esta codificación, todos los bits tienen la misma longitud, de

1,778 ms. La mitad del bit es un tren de pulsos de la portadora de 36 kHz, y en la otra

mitad la señal está plana. El cero lógico es representado por un tren de pulsos en la

primera mitad del tiempo que corresponde al bit. El uno lógico es representado por un

tren de pulsos en la segunda mitad de este tiempo. La relación entre pulso y pausa en la

portadora de 36 kHz es de 1/3 o 1/4, lo cual reduce el consumo de energía [44].



En la Figura 6 se puede observar un típico tren de pulsos en un mensaje RC-5. En

este ejemplo se transmite la dirección $05 y el comando $35. Los dos primeros bits son

los de inicio, que deben ser dos "1" lógicos. El protocolo RC-5 extendido (RC-5x) tiene

un solo bit de inicio. El bit que es llamado "S2" en el protocolo estándar RC-5 se

transforma en el RC-5x en un sexto bit de comando, lo que da un total de 7 bits para los

comandos. El tercer bit del protocolo RC-5, marcado como "T" en la Figura 6, es el bit

de conmutación. Este bit es invertido cada vez que se libera una tecla en el control

remoto y se la presiona de nuevo. El bit que sigue es el primero de la dirección del

dispositivo receptor de infrarrojos [44].

Un mensaje en RC-5 consiste de un total de 14 bits, que sumados dan una duración

total del mensaje de 25 ms. A veces puede parecer que un mensaje es más corto debido

a que la primera parte del bit de inicio S1 es inactiva. Y si el último bit del mensaje es

un "0" lógico, la última mitad del último bit del mensaje también es de tipo inactivo.

Mientras se mantenga presionada la tecla, el mensaje se repite cada 114 ms. El bit de

conmutación mantendrá el mismo nivel lógico durante la repetición de un mensaje. Esto

se hace así para que el programa de interpretación del receptor pueda detectar esta

autorrepetición y no la confunda con sucesivas pulsaciones de una tecla.

El protocolo de infrarrojos se utiliza habitualmente en el hogar para el control de

dispositivos como: televisores, vídeos, reproductores de DVD, cadenas de música, etc.

Sin embargo, presenta algunas limitaciones. Por un lado, es muy direccional por lo que

el mando a distancia ha de situarse apuntando al dispositivo que se desea controlar. Por

otro lado, no deben existir objetos entre el mando y el dispositivo, por lo que no

atraviesa las pareces y su alcance se ve limitado en ese sentido.

3.3.2. Control mediante radiofrecuencia

Algunas aplicaciones en el hogar, requieren que el control de los módulos de

Figura 6. Tren de pulsos en un mensaje RC-5 [42]



activación se efectúe de forma manual con algún elemento que no tenga que estar

conectado a la red eléctrica, como en el caso de X-10. Para solventar este problema se

emplean mandos a distancia por radiofrecuencia. Habitualmente, la frecuencia en la que

trabajan este tipo de mandos es de 433,92 MHz, aunque también es frecuente emplear

866 MHz. La ventaja de este tipo de control frente a los infrarrojos es que en este caso

las señales sí que puede atravesar obstáculos y su alcance es de aproximadamente 25m

[45].

La diferencia fundamental entre infrarrojos y radiofrecuencia es que en el primer

caso se transmiten señales de luz (no visible, infrarroja), mientras que en el segundo se

transmiten ondas de radio. Estas ondas se corresponden con un comando asociado al

botón que se ha pulsado y es el receptor RF del dispositivo correspondiente el

encargado de detectar dicha señal y decodificarla. El único problema que presentan es

que existen muchas señales de radio a diferentes frecuencias en el ambiente: teléfonos

móviles, redes inalámbricas, señales bluetooth, etc. Para distinguirlas el emisor RF

emplea una frecuencia específica en las señales que transmite y además incorpora un

código de dirección digital. Esto permite que el receptor RF sepa cuándo tiene que

responder a una señal y cuándo no.

Hoy en día el uso de transmisores y receptores RF está muy extendido.

Habitualmente, se emplean para el control de motores de persianas, subir/bajar la puerta

de un garaje, controlar el encendido/apagado de luces o enchufes, en mandos

radiocontrol de coches o aviones de juguete, etc.

Además, existe la posibilidad de emplear señales de RF para aumentar el alcance de

los dispositivos IR y controlar desde una habitación un dispositivo que está ubicado en

otra. Para ello se emplea un conversor IR/RF que transmite el código IR mediante una

señal RF a otro conversor RF/IR instalado en la habitación donde se encuentra el

dispositivo. Este último conversor transmite el código IR que ha recibido mediante la

señal RF al dispositivo IR correspondiente. De forma que se supera la limitación de

alcance que presentan las señales IR.

Otro tipo de señales de radiofrecuencia que se pueden emplear para el control de

dispositivos son las señales Bluetooth. Aunque el alcance de las mismas no es muy

elevado sí que se están fabricando dispositivos que permiten controlar un ordenador

mediante un mando a distancia que emplea señales Bluetooth.



3.4. Estudio de la interfaz entre el equipo BCI y el dispositivo de control domótico

El objetivo de esta subtarea consiste en llevar a cabo la acción seleccionada por el

usuario del sistema BCI mediante el accionamiento de un dispositivo domótico. Por lo

tanto, la actuación sobre el dispositivo domótico se realizará de diferentes formas según

esté conectado el dispositivo. Es decir, en el caso de un dispositivo que se accione

mediante infrarrojos será necesario disponer de un emisor IR en el ordenador y será la

propia aplicación BCI la que envíe, a través de dicho emisor, las instrucciones al

dispositivo. En el caso de los elementos activados mediante radiofrecuencia RF, será

necesario un emisor que trabaje a la misma frecuencia que el receptor colocado en el

dispositivo sobre el que se va a actuar.

Una forma más genérica de actuar sobre todos los dispositivos domóticos que

existen en el hogar es a través de la pasarela residencial. Previamente, se ha mencionado

que las pasarelas residenciales conectan las diferentes redes existentes en una casa con

una red pública de datos como Internet. De esta forma, ejecutando la aplicación BCI

desde un ordenador con conexión a Internet es posible conectar con la pasarela del

hogar y enviarle las diferentes órdenes seleccionadas por el usuario.

4. Estudio de aplicaciones reales: control de los dispositivos domóticos de una vivienda accesible

En el presente capítulo se expone el trabajo realizado durante la Tarea 3 del

proyecto DOMO-BCI. Dicha tarea se divide en tres etapas principales: la identificación

de las necesidades de las personas dependientes con grave discapacidad, la traducción

de dichas necesidades en funciones específicas de la aplicación BCI y el desarrollo de

un sistema integral de control domótico mediante BCI en una vivienda accesible.

4.1. Identificación de las necesidades del usuario final: personas dependientes con grave discapacidad

La realización de esta primera subtarea se ha llevado a cabo en colaboración con el

Centro de Referencia Estatal (CRE) para la Atención a Personas con Grave

Discapacidad y para la Promoción de la Autonomía Personal y Atención a la

Dependencia de San Andrés del Rabanedo (León).



En el presente proyecto se propuso desarrollar una aplicación BCI para el control

de varios dispositivos domóticos presentes en el demostrador de vivienda domótica

situado en las instalaciones del CRE de San Andrés del Rabanedo. Sin embargo, la

implantación de dicho demostrador se encuentra en fase de estudio por lo que fue

necesario buscar otras alternativas. La primera opción consistía en realizar un control

domótico simulado, es decir, mediante imágenes de una vivienda se visualiza cuándo el

usuario apaga o enciende la luz, o abre o cierra la puerta, etc. La segunda opción

consistía en emplear un dispositivo IR como interfaz entre nuestra aplicación de control

y diferentes dispositivos reales de una vivienda. Es decir, aplicar el control mediante

BCI para encender o apagar un televisor, cambiar de canal, reproducir un DVD, poner

música, etc. Esta segunda opción fue la escogida por el CRE, dado que permitía

comprobar más directamente el control que realiza el usuario sobre los distintos

dispositivos, ya que estos se encienden o se apagan directamente y no mediante

simulación.

Los diferentes tipos de servicios domóticos que hacen referencia a las necesidades

de las personas dependientes se indican a continuación:

Confort.

Control del ambiente.

- Control de iluminación, calefacción y climatización.

- Control de ventanas, persianas, cortinas, etc.

Higiene.

Movilidad.

- Automatización del hogar.

· Control de los enchufes.

· Control de electrodomésticos inteligentes.

· Control de accesos a las dependencias.

- Robótica.

· Camas eléctricas.

· Grúas.



· Elevadores.

Comunicación, accesibilidad y entretenimiento.

Interfaces adaptados.

Servicios de videoconferencia y videoteléfono.

Correo electrónico.

Control inteligente del televisor, reproductor de DVD, equipo de música, etc.

Acceso a Internet.

- Servicios de Telecompra y Telebanca.

- Servicios de Teletrabajo y Teleformación.

Seguridad.

Gestión de alarmas técnicas.

- Detectores de gas, agua, humo, incendio, corte del suministro eléctrico, etc.

Gestión de alarmas de intrusión.

- Cámaras de videovigilancia.

- Detectores de presencia IR.

- Detectores electromagnéticos de apertura y cierre de ventanas, puertas, etc.

- Control de acceso.

Gestión de alarmas médicas.

- Teleasistencia.

- Alarmas personales y telemonitorización.

· Detectores de caída.

· Detectores de presencia en cama.

· Sensores biomédicos.

· Control de errantes y detectores de patrones de comportamiento.

· Recordatorios.

- Prevención.



4.2. Traducción de las necesidades identificadas en funciones del sistema de control BCI

A partir de las necesidades identificadas en el apartado anterior se han escogido

como dispositivos domóticos sobre los que actuará el sistema BCI un televisor, un

reproductor de DVD, un equipo de música y las luces de una estancia. Por lo tanto, se

atienden las necesidades de confort y entretenimiento de las personas dependientes. Los

dispositivos mencionados se controlan, habitualmente, mediante mandos a distancia que

envían diferentes comandos de infrarrojos. Para dar respuesta a las necesidades

identificadas previamente, las características funcionales que debe presentar la

aplicación BCI son las siguientes:

- El número de funciones posible no debe ser grande puesto que dificultaría

bastante el control de la aplicación por lo que es necesario agrupar las funciones

lo máximo posible y descartar las que proporcionen menor utilidad al usuario.

- El diseño de la aplicación debe ser claro y sencillo, de forma que se presente

sólo la información básica para la comprensión de la misma, utilizando texto e

iconos de tamaño grande para permitir el acceso a la aplicación a aquellos

usuarios que tengan algún problema de visión.

Según esto, se seleccionaron las siguientes funciones en los dispositivos elegidos:

- Televisor:

- Encendido y apagado

- Cambio de canal, hacia arriba

- Cambio de canal, hacia abajo

- Subir el volumen

- Bajar el volumen

- Reproductor de DVD:


- Reproducir una película

- Pausar una película

- Avanzar al siguiente archivo del DVD



- Retroceder al archivo anterior del DVD

- Equipo de música:


- Pasar de la función radio a la función CD y viceversa

- Avanzar a la siguiente pista del CD

- Subir el volumen

- Bajar el volumen

- Luces de una habitación:


- Cambio de color de la luz

- Aumento de la intensidad de la luz

- Disminución de la intensidad de la luz

4.3. Desarrollo de un sistema integral para el control de dispositivos domóticos mediante BCI en una vivienda accesible

El presente apartado describe el proceso que se ha llevado a cabo para el desarrollo

de una aplicación domótica que cumpla los requisitos que se han definido previamente.

Como primer paso para el desarrollo de una aplicación que permita controlar los

dispositivos domóticos mencionados, se ha tomado como punto de partida la aplicación

CursorTask del sistema BCI2000 [46]. Ésta se ha modificado convenientemente para

adaptarse a las necesidades de nuestra interfaz. En la nueva aplicación, ambos objetivos

van a ser visibles (uno a la derecha y otro a la izquierda), de forma que moviendo un

cursor en forma de esfera se seleccionará uno u otro en función de la intención del

usuario. A cada uno de dichos objetivos se le asigna una acción diferente para

interactuar con el menú de funcionalidades que ofrecerá nuestra aplicación: seleccionar

el dispositivo con el que vamos a actuar y la función concreta que se quiere realizar con

el mismo. Se ha decidido que si el cursor alcanza el objetivo derecho se selecciona el

siguiente botón del menú (estado ResultCode = 1) y si se alcanza el objetivo izquierdo

se ejecuta la función que está seleccionada en el menú en ese momento (estado

ResultCode = 2). Si durante 8 s no se logra alcanzar ningún objetivo (estado ResultCode



= 0), el intento se considera como inválido o nulo y no se realiza ninguna acción

(simplemente, comienza un nuevo intento). En la Tabla 5 se muestran todos los estados

del sistema y sus posibles evoluciones en cada intento válido.

En el programa se ha introducido un nuevo estado del sistema BCI2000,

denominado DomoState, que será utilizado en la comunicación entre el BCI2000 y la

interfaz gráfica. El valor asignado a este estado se modifica tras la finalización de cada

intento, siguiendo las indicaciones de la Tabla 5, y depende del valor que tenía al

comenzar el propio intento. Además, se mantiene una variable global: gDomoState, que

almacena el valor del nuevo estado DomoState.

Para el envío de los comandos de infrarrojos se ha empleado el emisor de

infrarrojos RedRat (RedRat Ltd, UK) que se conecta al ordenador mediante un puerto

USB. Dicho dispositivo es capaz de aprender las señales emitidas por los diferentes

botones de los mandos de infrarrojos de los diferentes dispositivos que controla la

aplicación, de forma que todos ellos se almacenan en una base de datos de comandos

IR. Para emitir el comando correspondiente se escoge la señal de la base de datos que el

dispositivo tiene que emitir y esta señal es transmitida al dispositivo. El emisor RedRat

ha de estar orientado hacia los dispositivos que se van a controlar para que estos reciban

las señales correctamente.

Se han realizado modificaciones adicionales en la aplicación CursorTask para

permitir que cada cursor tenga un color y/o una textura diferente (en los ficheros

CursorFeedbackTask.cpp y FeedbackScene3d.cpp).

El interfaz de BCI2000 proporciona un enlace bidireccional para intercambiar

información con procesos externos ejecutados en la misma máquina, o en otra

perteneciente a una red local [46]. Mediante este enlace existe un acceso de lectura y

escritura a la información incluida en el vector de estado de BCI2000 y a la señal de

control empleada. Una aplicación externa podría leer el estado de ResultCode para

acceder al resultado de la clasificación, configurar el estado de TargetCode para

controlar una tarea del usuario o tener acceso a la señal de control calculada en el

módulo de procesado de señal para manejar un dispositivo de salida externo. Además,

múltiples instancias de BCI2000 ejecutándose en diversas máquinas podrían compartir

información de secuenciamiento y control, permitiendo el trabajo con aplicaciones

interactivas (ej. juegos).




Estado inicial (DomoState)

Descripción ResultCode (menú: botón seleccionado) (1-dcha, 2-izda)

Estado final(DomoState) Acción

0 Menú principal: TV 1 1 - 2 4 -

1 Menú principal: Música 1 2 - 2 10 -

2 Menú principal: DVD 1 3 - 2 16 -

3 Menú principal: Luces 1 0 - 2 22 -

4 TV: on/off 1 5 - 2 4 tvSAMSUNG-power

5 TV: P+ 1 6 - 2 5 tvSAMSUNG-pmas

6 TV: P- 1 7 - 2 6 tvSAMSUNG-pmenos

7 TV: vol+ 1 8 - 2 7 tvSAMSUNG-volmas

8 TV: vol- 1 9 - 2 8 tvSAMSUNG-volmenos

9 TV: menú principal 1 4 - 2 1 -

10 Música: on/off 1 11 - 2 10 microcadenaLG-power

11 Música: radio/cd 1 12 - 2 11 microcadenaLG-funcion

12 Música: siguiente 1 13 - 2 12 microcadenaLG-siguiente

13 Música: vol+ 1 14 - 2 13 microcadenaLG-volmas

14 Música: vol- 1 15 - 2 14 microcadenaLG-volmenos

15 Música: menú principal 1 10 - 2 2 -

16 DVD: on/off 1 17 - 2 16 dvdLG-power

17 DVD: play 1 18 - 2 17 dvdLG-play

18 DVD: pause 1 19 - 2 18 dvdLG-pause 1 20 - 19 DVD: siguiente 2 19 dvdLG-siguiente

20 DVD: anterior 1 21 - 2 20 dvdLG-anterior

21 DVD: menú principal 1 16 - 2 3 -

22 Luces: on/off 1 23 - 2 22 bombillaLED-on/off

23 Luces: color 1 24 - 2 23 bombillaLED-rojo/azul/verde

24 Luces: aumentar brillo 1 25 - 2 24 bombillaLED-brillomas

25 Luces: disminuir brillo 1 26 - 2 25 bombillaLED-brillomenos

26 Luces: menú principal 1 22 - 2 0 -

Tabla 5. Estados de la aplicación y su posible evolución en cada intento válido


El diseño de la interfaz con la aplicación externa ha de ser sencillo, con una

interferencia mínima en la temporización de la señal a través del sistema BCI2000. Para

conseguir esto, BCI2000 emplea un protocolo de comunicaciones no orientado a

conexión, UDP (User Datagram Protocol) en lugar de TCP. A consecuencia de escoger

este protocolo, existe el riesgo de posibles pérdidas, o un mal reordenamiento de los

mensajes. Por ello, para mantener la probabilidad de fallo lo más baja posible y sus

consecuencias lo más locales posibles, se han diseñado mensajes cortos y codificados

redundantemente para su lectura por una persona. La naturaleza de UDP implica que no

hay un cliente o un servidor en el sentido que se aplica a las conexiones TCP. Por tanto,

para una comunicación bidireccional entre la máquina A, en la que se ejecuta BCI2000,

y B, en la que se ejecuta la aplicación externa, se necesitan dos puertos UDP:

- Un puerto en la máquina B en el que BCI2000 escribe mensajes hacia la

aplicación externa.

- Un puerto en la máquina A en el que la aplicación externa escribe sus mensajes

hacia BCI2000.

En la mayoría de los casos, las dos aplicaciones se ejecutarán en la misma máquina,

como en el caso de este proyecto, por lo que ambos puertos son locales pero deben ser

distintos. En la aplicación desarrollada en este proyecto solamente se emplea un puerto

UDP: la aplicación externa (interfaz gráfica) lee los mensajes que envía BCI2000 a

través de este puerto. Para que esta comunicación sea efectiva hay que configurar las

dos aplicaciones:

- BCI2000. Cuando se configura el sistema BCI hay que indicar en la pestaña

Connector una dirección para el puerto de salida de los mensajes UDP. En este

proyecto, en el parámetro ConnectorOutputAddress se debe indicar: localhost:

20320, tal y como se muestra en la Figura 7.

- Interfaz gráfica. Cuando se crea una aplicación externa, es preciso incluir en

proyecto de la aplicación los ficheros TCPStream.h y TCPStream.cpp,

distribuidos con BCI2000. En estos ficheros se encuentran los objetos necesarios

para establecer la comunicación con BCI2000 y poder leer los mensajes

recibidos. Principalmente, se emplean dos objetos que permiten leer los datos en

el puerto UDP empleado:



Figura 7. Configuración de los parámetros del bloque Connector de BCI2000

• recSocket: Socket para recibir los datos en el puerto 20320.

• recConnection: Permite establecer, comprobar y finalizar la conexión del

socket.

Por cada bloque de datos procesado por el sistema BCI2000, se envían dos tipos de

información hacia la aplicación externa, siendo también posible su recepción en el

sentido inverso: los estados de BCI2000 y la señal de control. El envío de datos ocurre

inmediatamente después de que el bloque de la aplicación procese los datos (bloque

ConnectorOutput); en el caso en que BCI2000 recibiera datos, la recepción se

produciría justo antes del bloque de la aplicación (bloque ConnectorInput). Esto asegura

que un cambio producido por las selecciones del usuario esté disponible

inmediatamente para adaptar el comportamiento de la aplicación. En la Figura 8 se

presenta un diagrama de bloques en el que se indica el orden de los bloques Connector

dentro del módulo de la aplicación.

Los mensajes enviados por el protocolo App Connector consisten en un nombre y

un valor, separados por un espacio en blanco y finalizados con un carácter de salto de

línea (‘\n’ == 0x0a). Los nombres pueden identificar:



Figura 8. Diagrama de bloques del módulo de aplicación de BCI2000

- Los estados de BCI2000 seguidos por un valor entero en formato ASCII

decimal.

Ejemplo: ResultCode 2\n

- Los elementos de la señal en la forma Señal (<canal>, <elemento>), seguido por

un valor en coma flotante en formato ASCII decimal.

Ejemplo: Signal (1,0) 1e-2\n

El protocolo AppConnector permite emplear cualquier lenguaje de programación o

compilador para desarrollar la aplicación externa que reciba los mensajes enviados por

BCI2000. En este proyecto, la interfaz gráfica que servirá de apoyo a la aplicación de

control domótico se ha desarrollado en C++ empleando el programa Borland® C++

Builder™ 6.0. También se pueden emplear otros lenguajes como Java o C#.

4.3.1. Descripción de la interfaz de usuario

En la Figura 9 se muestra la pantalla principal de la interfaz de usuario, denominada

DomoInterface.exe. En la parte inferior izquierda de la pantalla se muestran dos

rectángulos en rojo y azul y un círculo verde. Esta parte de la aplicación funciona de la

siguiente manera: en la interfaz se ha incluido un temporizador TTimer, que permite

realizar diversas acciones una vez transcurrido un determinado período de tiempo. En

este proyecto, este tiempo se ha configurado a 75 ms en la propiedad Interval del

temporizador (hay que recordar que el BCI2000 produce una salida cada 62.5 ms). Una

vez transcurrido ese tiempo, se leen los datos obtenidos en la conexión existente entre la

interfaz y BCI2000 a través del puerto localhost: 20320. Dependiendo del estado del

sistema BCI2000 se han implementado diversas acciones:



Figura 9. Ventana principal de la interfaz de usuario de la aplicación DomoInterface.exe

- No visualizar el cursor si en la ventana BCI2000 no hay realimentación

(Feedback =0) y no aparece ningún objetivo en la pantalla (TargetCode = 0).

- Colorear el cursor y el objetivo alcanzado de amarillo (ResultCode > 0) o que

permanezcan con sus colores originales en caso de que el cursor no alcance

ninguno de los dos objetivos.

- Movimiento del cursor hacia los objetivos. Para ello, se lee el estado de

CursorPosX y se realiza una transformación lineal para adaptar los valores de

este estado al rango de movimientos del cursor en la interfaz.

- Visualización del estado del sistema en el panel derecho de la interfaz.

Dependiendo del estado DomoState se muestran una serie de imágenes, botones

y cuadros de texto en dicho panel. Además, controla los cuadros de texto

mostrados encima y debajo de los objetivos de la parte izquierda de la interfaz.

En la parte derecha de la interfaz se muestra un menú con varios botones colocados

en círculo que permiten acceder a los diferentes dispositivos domóticos y a las

principales funciones de cada uno de ellos. Cada dispositivo lleva un submenú asociado

con diferentes opciones, repartidas como máximo en 6 botones para que no sea muy

costoso llegar hasta los últimos. Cuando un botón está seleccionado esto se indica

mediante un marco rojo alrededor del mismo. En las Figuras 10 y 11 se muestran dichos

submenús.



Durante el funcionamiento de la aplicación, el usuario, mediante la imaginación de

movimientos de la mano derecha o izquierda, desplazará el cursor hacia la derecha o la

izquierda para seleccionar una de las dos barras presentadas. Cuando lleva el cursor

hasta la barra azul, se selecciona una nueva acción, es decir, se selecciona el siguiente

botón. Por ejemplo, dentro del submenú luces, si se encontraba seleccionado el botón

“on/off” se pasaría a seleccionar el botón “cambiar color”. Por tanto, la selección de las

diferentes funciones se realiza mediante un movimiento circular en el sentido de las

agujas del reloj. En el caso de que el usuario llevara el cursor hasta la barra roja, se

ejecutaría la acción que esté seleccionada en ese momento. Esta acción puede estar

relacionada con el control de un dispositivo, como bajar el volumen de la televisión, o

con el acceso a un submenú o la vuelta al menú principal.

Figura 10. Ventana principal de la aplicación dentro del submenú televisión

Figura 11. Submenús correspondientes a los dispositivos reproductor de DVD, equipo de música y luces



5. Aplicación del sistema a los usuarios del CRE de Discapacidad y Dependencia de San Andrés de Rabanedo (León). Descripción del equipamiento y de las pruebas realizadas.

5.1. Descripción de las pruebas realizadas

La finalidad de este proyecto consiste en desarrollar una aplicación de control de

dispositivos domóticos que pueda ser manejada por un usuario dependiente mediante la

señal de EEG. Para conseguir que un usuario controle adecuadamente la aplicación es

necesario dedicar un tiempo a realizar tareas de aprendizaje y entrenamiento. En los

siguientes apartados se describe tanto el grupo de usuarios que han participado en el

proyecto, como el montaje empleado para el registro EEG y las diferentes tareas que se

realizaron a lo largo de las sesiones de pruebas.

5.1.1. Usuarios participantes en el proyecto

Los usuarios que han participado en este proyecto son usuarios del CRE para la

Atención a las Personas con Grave Discapacidad y para la promoción de la Autonomía

Personal y Atención a la Dependencia de San Andrés del Rabanedo (León) dependiente

del IMSERSO. En total, han participado cinco usuarios del centro con diferentes grados

de discapacidad, tanto física como cognitiva.

En la Tabla 6 se recogen los datos relativos a edad, sexo y discapacidad que

presentan los usuarios que han participado en el estudio.

El proceso que se ha llevado a cabo con estos usuarios del CRE de Discapacidad y

Usuario Edad Sexo Descripción discapacidad física y cognitiva Malformación de Arnold-Chiari. U002 57 H Dificultad en procesos de planificación y funciones frontales. Ataxia degenerativa del adulto. U003 43 M Dificultades en el sistema atencional y en área frontal.

Parálisis cerebral espástica. U004 51 M Dificultades en consolidación mnésica, dificultades en planificación mostrando

perseverancia en respuestas y poca flexibilidad cognitiva. Tetraplejia espástica perinatal.

U005 44 H Dificultades en consolidación mnésica y planificación de estrategias de resolución de problemas.

Traumatismo cráneoencefálico, tetraparesia de predominio derecho. U006 40 M Deterioro cognitivo leve en todos los procesos mnésicos, flexibilidad cognitiva

comprometida, dificultades en estrategias de planificación y secuenciación.

Tabla 6. Datos de los usuarios del CRE participantes en el proyecto DOMO-BCI, donde el sexo de los usuarios se representa por H: hombre y M: mujer



Dependencia ha consistido en tres tipos de tareas: aprendizaje, entrenamiento y

aplicación.

5.1.2. Montaje para el registro del EEG

El montaje que se ha empleado para registrar la señal EEG de los usuarios es un

montaje estándar recomendado por los diseñadores del sistema BCI2000. En dicho

montaje se recogen un total de 8 canales, que se pueden observar en la Figura 12. Los

tres canales principales se recogen sobre la zona motora del córtex y son los canales C3,

Cz y C4, que se emplearán para el control de la aplicación. Además, se recogen también

dos canales de la zona frontal: F3 y F4, dos canales de las zonas temporales: T7 y T8, y

un canal de la zona parietal: Pz. Estos cinco canales se emplean para realizar un filtrado

espacial de los tres canales principales, como se muestra en la Figura 13. El objetivo del

filtrado espacial es aumentar la SNR, mejorando la señal de control y/o reduciendo el

nivel de ruido [47].

5.1.3. Tareas de aprendizaje

Las tareas de aprendizaje se realizan durante las primeras sesiones y al inicio de

cada sesión. Durante las mismas se muestra al usuario un estímulo que consiste en una

palabra en el centro de la pantalla. Cada estímulo permanece durante 3 s

aproximadamente y entre estímulos la pantalla permanece en blanco durante un tiempo

entre 2 y 2.5 s. Se realizan dos tipos de tareas:

- Izquierda y Derecha: se muestran aleatoriamente estas dos palabras al usuario

Figura 12. Montaje de 8 canales para el registro de la señal EEG



para que imagine movimientos de la mano izquierda o de la mano derecha,

respectivamente.

- Pies y Derecha: en este caso el usuario imagina movimiento de los pies o de la

mano derecha, respectivamente.

En la Figura 14 se muestra la fotografía de uno de los usuarios participantes en el

estudio realizando una tarea de aprendizaje durante las primeras sesiones.

Cada tarea consta de 20 estímulos, 10 de cada una de las dos clases presentadas al

usuario. Esta tarea se realiza unas 8 veces (4 para izquierda y derecha y 4 para pies y

mano derecha) en las sesiones iniciales y su número de repeticiones se va reduciendo en

las siguientes sesiones en función de los avances del usuario. Es decir, que una vez que

el usuario va aprendiendo a imaginar las tareas correctamente y se observan

características de control estables se reducen las repeticiones de estas tareas y se limitan

Figura 13. Esquema del filtrado espacial que se realiza para cada uno de los tres canales principales:

C3, Cz y C4

Figura 14. Usuaria del CRE de Discapacidad y Dependencia realizando una tarea de aprendizaje

durante las sesiones iniciales



a una o dos y del tipo con el que mejor trabaje cada sujeto (izquierda y derecha o pies y

mano derecha).

Tras la realización de estas tareas se lleva a cabo un análisis offline de las señales

EEG registradas en la sesión en función del tipo de movimiento imaginado. El objetivo

consiste en encontrar características espectrales relacionadas con los ritmos

sensoriomotores μ y β que permitan discriminar los dos tipos de movimiento y, por

tanto, puedan emplearse para el control de la aplicación. En la Figura 15 se muestran

varias capturas del análisis offline realizado para un usuario en una sesión de

aprendizaje. En la primera imagen se observa qué canales muestran mayor actividad y a

qué frecuencias. La segunda captura muestra el espectro y la característica r2 de los tres

canales principales: C3, Cz y C4. La característica r2 es una medida estadística que nos

indica cómo de diferentes son las componentes espectrales del EEG cuando se imaginan

movimientos de la mano derecha respecto a los de la mano izquierda. Este valor varía

entre 0 y 1, y es mayor cuanto más diferentes son los espectros asociados a cada tipo de

imágenes motoras. A partir de valores de r2 superiores a 0.15 puede empezarse a

controlar un cursor en 1D con una precisión razonable. Por último, la tercera captura de

la Figura 15 muestra la topografía de la actividad de todos los canales a una frecuencia

determinada.

5.1.4. Tareas de entrenamiento

Una vez que se ha identificado para cada usuario la característica óptima para el

control de la aplicación se realizan tareas de entrenamiento. Estas tareas se configuran a

partir del canal y la frecuencia donde se ha encontrado la característica de control más

estable. Las tareas consisten en mover una bola desde el centro de la pantalla hacia el

lado en el que aparece una barra, con la intención de alcanzar dicho objetivo. Para

mover la bola hacia el lado derecho el usuario imagina movimientos de la mano

Figura 15. Capturas del análisis offline de las tareas de aprendizaje.



derecha, mientras que para mover la bola hacia el lado izquierdo habrá usuarios que

imaginen movimientos de la mano izquierda y otros que imaginen el movimiento de los

pies (en función de cuál sea la característica que se ha escogido para controlar la

aplicación). En la Figura 16 se pueden observar diferentes capturas correspondientes a

esta tarea. Una vez que la precisión obtenida por el usuario (número de aciertos frente a

número total de intentos) es aceptable, al menos 12 aciertos sobre 20 (60%), se

comienza a trabajar con la aplicación real.

5.1.5. Tareas de aplicación

Dado que todos los usuarios que han participado en el proyecto no tenían ningún

conocimiento previo de los sistemas BCI y que, además, presentaban algún tipo de

problema cognitivo, se optó por planificar tres secuencias de comandos sencillas, que

pueden realizarse en 5 ó 7 movimientos si se ejecutan correctamente. A continuación se

describe cada una de ellas.

Secuencia A. Encender la cadena de música y pasar de la función CD a la radio

Esta secuencia implica realizar como mínimo 5 movimientos del cursor: dos

movimientos hacia la derecha para navegar por el menú y tres movimientos a la

izquierda para ejecutar acciones. Los puntos intermedios por los que se pasa son:

A.1. Selección del botón menú música (Acción: seleccionar, Objetivo: barra

derecha)

A.2. Entrada en el menú música (Acción: ejecutar, Objetivo: barra izquierda)

A.3. Encendido de la cadena de música (Acción: ejecutar, Objetivo: barra

izquierda)

A.4. Selección del botón función radio/CD (Acción: seleccionar, Objetivo: barra

derecha)

Figura 16. Capturas de pantalla de la aplicación diseñada para medir la precisión de los distintos

métodos de extracción implementados en BCI2000



A.5. Cambiar de la función CD a la radio (Acción: ejecutar, Objetivo: barra

izquierda)

Secuencia B. Encender la televisión, cambiar de canal hacia abajo y subir el

volumen

Esta secuencia implica realizar al menos siete acciones o movimientos del cursor.

Los puntos intermedios que se van alcanzando son:

B.1. Entrada en el menú televisión (Acción: ejecutar, Objetivo: barra izquierda)

B.2. Encendido de la televisión (Acción: ejecutar, Objetivo: barra izquierda)

B.3. Selección del botón subir canal (Acción: seleccionar, Objetivo: barra derecha)

B.4. Selección del botón bajar canal (Acción: seleccionar, Objetivo: barra derecha)

B.5. Cambio de canal hacia abajo (Acción: ejecutar, Objetivo: barra izquierda)

B.6. Selección del botón subir volumen (Acción: seleccionar, Objetivo: barra

derecha)

B.7. Subir el volumen (Acción: ejecutar, Objetivo: barra izquierda)

Secuencia C. Encender las luces y cambiar su color

Esta secuencia puede realizarse mediante siete acciones. Los puntos intermedios

que se van alcanzando son:

C.1. Selección del botón menú música (Acción: seleccionar, Objetivo: barra

derecha)

C.2. Selección del botón menú DVD (Acción: seleccionar, Objetivo: barra derecha)

C.3. Selección del botón menú luces (Acción: seleccionar, Objetivo: barra derecha)

C.4. Entrada en el menú luces (Acción: ejecutar, Objetivo: barra izquierda)

C.5. Encendido de la bombilla (Acción: ejecutar, Objetivo: barra izquierda)

C.6. Selección del botón cambio de color (Acción: seleccionar, Objetivo: barra

derecha)

C.7. Cambio del color de la bombilla (Acción: ejecutar, Objetivo: barra izquierda)

En la Figura 17 se muestra la estancia en la que se realizaron las pruebas. En la

imagen se pueden ver: los dispositivos a controlar (televisión, DVD, cadena de música y



lámpara), el equipo BCI (amplificador, gorro, geles), el ordenador portátil en el que se

ejecuta la aplicación domótica, el dispositivo emisor de infrarrojos conectado al mismo

y el monitor en el que se le muestra al usuario la ventana de la aplicación.

Por último, en la Figura 18 se muestra una fotografía de uno de los participantes del

proyecto controlando la aplicación domótica mediante BCI.

Figura 17. Equipo BCI y dispositivos controlados por el mismo en las instalaciones del CRE

Figura 18. Uno de los usuarios del CRE usando la aplicación domótica para verla televisión



6. Resultados

Este apartado presenta los resultados obtenidos tras las pruebas realizadas por los

usuarios del CRE de San Andrés con la aplicación BCI domótica. Es necesario

mencionar que no todos los usuarios participantes en el proyecto consiguieron un

control aceptable del cursor durante las semanas en que se realizaron las pruebas.

6.1. Usuario U002

Este usuario ha sido uno de los dos que han conseguido llegar a controlar con

mayor precisión la aplicación domótica. Tras las sesiones iniciales de aprendizaje y

entrenamiento se observó una característica que permanecía constante sesión tras

sesión. Se trataba de un pico de r2 de valor 0.3 en torno a 9-10 Hz en el canal C3. En las

Figuras 19 y 20 se muestran los resultados obtenidos tras el análisis offline de una de

estas sesiones donde se observa claramente la característica de control mencionada.

Dado que esta característica permaneció estable sesión tras sesión, este usuario fue uno

de los que llegó a realizar pruebas con la aplicación domótica. Como ya se ha

mencionado anteriormente, estas pruebas se dividieron en tres secuencias sencillas para

comprobar la capacidad de los usuarios controlando la aplicación.

En la Tabla 7 se muestran los resultados obtenidos por este usuario tras realizar

varias pruebas con cada una de las secuencias propuestas. En la primera columna se

indican los puntos de control que debe alcanzar el usuario en cada secuencia. A

Figura 19. El análisis espectral de las sesiones de U002 revela una característica muy pronunciada

en torno a 10 Hz en el canal 4, que se corresponde con el canal C3



Figura 20. U002: Representación del espectro de los tres canales principales donde se aprecia un pico

de 0,3 en r2 en el canal C3 a 10 Hz

continuación se muestra el número de veces que el usuario terminó la prueba en cada

punto de control, así como el tanto por ciento de veces en que esto sucedió respecto al

total de las pruebas realizadas. A continuación se muestra el tiempo total empleado en la

realización de dichas pruebas así como el tiempo medio de duración de cada prueba. Por

último, se indica el número de intentos promedio realizados para alcanzar el punto de

control correspondiente.

Analizando en primer lugar los resultados para la secuencia A, se observa que en un

47% de las pruebas el usuario U002 consigue alcanzar el punto de control final, es

decir, completa la secuencia planteada. Para lo cual emplea, de media,

aproximadamente 1 minuto de tiempo y seis intentos (frente a cinco intentos, que es el

número mínimo en que puede realizarse dicha secuencia). Se observa también, que un

27% de las veces el usuario se queda en el punto de control A.2, mientras que un 13%

alcanza el punto A.3 o directamente no llega a alcanzar el primer punto de control.

Además, si se analiza el número medio de intentos y el tiempo medio de cada

prueba y se comparan en función del punto de control alcanzado, se observa que cuánto

menor es el punto alcanzado mayor es el número de intentos y el tiempo empleado. Hay

que tener en cuenta que se considera un fallo cuando el usuario elige “ejecutar” en lugar

de “seleccionar” y, por tanto, ejecuta una acción que no se había pedido en la secuencia



correspondiente. Sin embargo, no se considera un fallo cuando el usuario elige

“seleccionar” en vez de “ejecutar”, es decir, se salta el botón que tenía que ejecutar y

selecciona el siguiente. Por lo tanto, el hecho de que el número de intentos y el tiempo

medio sea mayor para puntos de control menores es debido, en general, a que el usuario

se salta el botón correspondiente y tiene que tratar de dar toda la vuelta al menú para

volver al botón deseado. Sin embargo, como esto requiere de muchos intentos más la

mayor parte de las veces no se consigue completar porque se comete un fallo antes de

alcanzar de nuevo el botón deseado.

Secuencia A Punto de control

alcanzado Total pruebas Tiempo total Tiempo medio por prueba

Número de intentos promedio (ideal=5)

A.0 2 (13%) 0m 25s 0m 13s 1 A.1 0 (0%) 0m 00s 0m 00s 0 (1) A.2 4 (27%) 5m 11s 1m 18s 7,75 (2) A.3 2 (13%) 2m 09s 1m 05s 6,50 (3) A.4 0 (0%) 0m 00s 0m 00s 0 (4) A.5 7 (47%) 6m 59s 0m 60s 6 (5)

TOTAL 15 14m 44s 0m 59s -

Secuencia B Punto de control



B.0 5 (19%) 1m 08s 0m 14s 1,20 B.1 5 (19%) 3m 37s 0m 43s 4,60 (1) B.2 6 (22%) 3m 29s 0m 35s 3,33 (2) B.3 2 (7%) 2m 05s 1m 03s 5,50 (3) B.4 1 (4%) 1m 50s 1m 50s 12 (4) B.5 0 (0%) 0m 00s 0m 00s 0 (5) B.6 1 (4%) 1m 32s 1m 32s 15 (6) B.7 7 (26%) 8m 22s 1m 12s 8,29 (7)

TOTAL 27 22m 03s 0m 49s -

Secuencia C Punto de control



C.0 4 (19%) 2m 59s 5m 36s 1 C.1 4 (19%) 2m 08s 5m 36s 2,75 (1) C.2 3 (14%) 3m 23s 7m 27s 3,33 (2) C.3 1 (5%) 1m 09s 22m 22s 10 (3) C.4 2 (10%) 2m 12s 11m 11s 7 (4) C.5 0 (0%) 0m 00s 0m 00s 0 (5) C.6 0 (0%) 0m 00s 0m 00s 0 (6) C.7 7 (33%) 10m 31s 3m 12s 9,14 (7)

TOTAL 21 22m 22s 6m 23s -

Tabla 7. Resultados obtenidos por el usuario U002 durante las sesiones de control de la aplicación domótica para cada una de las tres secuencias planteadas



En el caso de las secuencias B y C se observa que el porcentaje de pruebas en las

que se alcanzó el punto final propuesto es del 26% y 33%, respectivamente. Este

descenso respecto a la secuencia A se debe a que estas secuencias son más largas y

requieren de la realización de un número mayor de intentos sin cometer fallos.

Para ambas secuencias, B y C, se puede observar que el número de intentos y

tiempo medio por prueba es siempre menor cuando se logra terminar la secuencia que

cuando se alcanzan puntos intermedios. Esto es debido, como ya se mencionó antes, a la

penalización que supone elegir “seleccionar” en lugar de “ejecutar”.

Los resultados sugieren que el usuario ha sido capaz de controlar la aplicación y

llegar hasta los puntos prefijados con éxito. Sin embargo, no siempre ha conseguido

completar las secuencias. Hay que tener en cuenta que estas tareas requieren de mucha

concentración durante cada prueba y esto no siempre es posible debido a los problemas

cognitivos que presentan los usuarios.

6.2. Usuario U003

El usuario U003 realizó varias sesiones de aprendizaje y entrenamiento. Tras dos

semanas realizando dichas sesiones no se consiguió ningún avance significativo ya que

el análisis offline revelaba características muy diferentes entre las distintas sesiones.

Dentro de una misma sesión se encontraron tareas en las que aparecía una característica

de control en C3 en torno a 8 Hz mientras que en el resto de tareas esa característica

desaparecía por completo. En otras sesiones la característica aparecía en C3 a 16 Hz

pero no se mantenía estable. Una muestra del análisis offline donde se aprecia la

diferencia obtenida entre unas sesiones y otras se representa en la Figura 21.

Figura 21. El análisis offline de las sesiones del usuario U003 no muestra ninguna característica estable a lo largo de las mismas



Hubiera resultado interesante disponer de más tiempo para haber realizado más

sesiones de aprendizaje con este usuario y haber tratado de conseguir una característica

de control más estable. En cuanto a la diferencia de rendimiento respecto al usuario

U002 podría ser debido a que los problemas cognitivos que ambos tienen son diferentes

y no afectan de igual manera a todas las áreas. Por ejemplo, en cuanto al área de

atención sostenida, el usuario U003 se encuentra por debajo del usuario U002, lo que

explicaría que el usuario U003 haya tenido menos éxito en la realización de las pruebas

planteadas.

6.3. Usuario U004

Tras varias sesiones iniciales de aprendizaje y entrenamiento se observó una

característica que permanecía estable prácticamente durante todas las sesiones. Se

trataba de un pico de r2 de valor en torno a 0.15-0.2 a 20 Hz en el electrodo Cz. En el

caso particular de este usuario la mejor discriminación de las tareas se produce

imaginando movimientos de los pies y de la mano derecha. Es por ello, que la zona en

la que aparece la característica de control para este usuario se encuentra entre los dos

hemisferios, es decir, en la zona donde está el electrodo Cz, que es donde se localiza el

área motora del córtex relacionada con los pies [46].

En las Figuras 22 y 23 pueden observarse varias imágenes del análisis offline en las

que se aprecia dicha característica. Esta característica de control se mantuvo estable

durante las primeras sesiones de entrenamiento y aplicación. Sin embargo, durante las

Figura 22. El análisis espectral de las sesiones de U004 revela una característica muy pronunciada en torno a 20 Hz en el canal 5, que se corresponde con el canal Cz



Figura 23. U004: Representación del espectro de los tres canales principales donde se aprecia un pico

de aprox. 0,15 en r2 en el canal Cz a 20 Hz

últimas sesiones hubo ocasiones en las que el usuario no fue capaz de controlar con

precisión el sistema ya que no siempre estaba presente esta característica, lo que

comprometió la precisión final.

Los resultados que ha obtenido el usuario U004 durante las sesiones de aplicación

para cada una de las secuencias planteadas pueden observarse en la Tabla 8. Si se

analizan en primer lugar los resultados obtenidos para la secuencia A se observa que el

usuario U004 ha sido capaz de completar los cinco pasos de la secuencia un 27% de las

veces. Para ello, emplea una media de 10,67 intentos y 1 min 51 s de tiempo, casi el

doble que en el caso del usuario U002 para la misma secuencia.

Además, se observa que en un porcentaje considerado de pruebas (36%) el usuario

sólo es capaz de alcanzar el primer punto de control, A.1.

En el caso de la secuencia B, los resultados son más prometedores. En primer lugar,

el usuario consiguió realizar la secuencia completa un 31% de las veces, empleando una

media de 9,2 intentos y 1 min 28 s de tiempo. En este caso sí que se supera el resultado

del usuario U002 ya que éste completó esta secuencia un 26% de las veces. Además,

durante el resto de pruebas la mayor parte de las veces el usuario U004 alcanzó los

puntos B.3 (un 25%), B.5 (13%) o B.6 (13%). Por lo que en pocas pruebas el usuario se

quedó en los primeros puntos de control.



Secuencia A Punto de control



A.0 2 (18%) 0m 42s 0m 21s 3,50 A.1 4 (36%) 4m 24s 1m 06s 7 (1) A.2 1 (9%) 0m 45s 0m 45s 4 (2) A.3 1 (9%) 1m 14s 1m 14s 6 (3) A.4 0 (0%) 0m 00s 0m 00s 0 (4) A.5 3 (27%) 5m 32s 1m 51s 10,67 (5)

TOTAL 11 12m 37s 1m 09s -

Secuencia B Punto de control



B.0 1 (6%) 0m 16s 0m 16s 2 B.1 1 (6%) 0m 35s 0m 35s 4 (1) B.2 1 (6%) 0m 53s 0m 53s 5 (2) B.3 4 (25%) 4m 04s 1m 01s 5,75 (3) B.4 0 (0%) 0m 00s 0m 00s 0 (4) B.5 2 (13%) 2m 03s 1m 02s 6,50 (5) B.6 2 (13%) 4m 03s 2m 02s 12,50 (6) B.7 5 (31%) 7m 19s 1m 28s 9,20 (7)

TOTAL 16 19m 13s 1m 12s -

Secuencia C Punto de control



C.0 0 (0%) 0m 00s 0m 00s 0 C.1 0 (0%) 0m 00s 0m 00s 0 (1) C.2 1 (9%) 0m 38s 12m 03s 3 (2) C.3 8 (73%) 8m 46s 1m 30s 6,25 (3) C.4 1 (9%) 0m 51s 12m 03s 5 (4) C.5 0 (0%) 0m 00s 0m 00s 0 (5) C.6 1 (9%) 1m 48s 12m 03s 12 (6) C.7 0 (0%) 0m 00s 0m 00s 0 (7)

TOTAL 11 12m 03s 4m 23s -

Tabla 8. Resultados obtenidos por el usuario U004 durante las sesiones de control de la aplicación

domótica para cada una de las tres secuencias planteadas

A diferencia de la secuencia B, el usuario no consiguió finalizar la secuencia C por

completo durante ninguna de las pruebas realizadas. La mayoría de las veces, un 73%,

el usuario se quedó en el punto C.3 mientras que en el resto de pruebas se alcanzaron los

puntos C.2 (9%), C.4 (9%) y C.6 (9%). Sin embargo, en ninguna prueba el usuario se

quedó en los primeros puntos C.0 o C.1. Al igual que para la secuencia A, en este caso

el usuario U002 obtiene mejores resultados.



En general, los resultados sugieren que el usuario U004 ha sido capaz de controlar

la aplicación para alcanzar los puntos prefijados, aunque en bastantes ocasiones no ha

sido capaz de finalizar las secuencias por completo. En el caso de este usuario la

precisión se vio afectada por la aparición y desaparición de la característica de control

en las distintas sesiones, relacionadas sobre todo con el nivel de concentración y

atención sostenida del usuario.

6.4. Usuario U005

La participación de este usuario en las pruebas se limitó a una sola sesión ya que,

por motivos personales, estuvo fuera del centro durante los siguientes días de

realización de las pruebas. Debido a esto, no es posible sacar conclusiones sobre su

capacidad para el control del sistema BCI. Sin embargo, se puede hacer algún

comentario sobre la única sesión en que participó este usuario tras la realización de un

análisis offline del mismo.

Lo primero que se observa en este usuario es que presenta problemas de

espasticidad, lo que provoca movimientos musculares involuntarios que suponen un

artefacto que se superpone a la señal EEG registrada.

Durante esta sesión inicial se realizaron 4 tareas de aprendizaje con izquierda y

derecha, y 5 tareas de entrenamiento. En cuanto al aprendizaje, se han analizado las 3

tareas en las que el usuario presentó menos movimientos involuntarios. Estos análisis

muestran un pico de 0.12 de magnitud en la característica r2 del canal C4 a la frecuencia

de 26 Hz. Este valor podría ser adecuado para comenzar a controlar el movimiento del

cursor, por lo que se configuraron las tareas de entrenamiento con estos parámetros. Sin

embargo, el análisis de las tareas de entrenamiento muestra que ese pico que se emplea

para el control no se mantiene y, además, no se detectan otros picos que puedan

emplearse para el control del cursor. Esto se puede apreciar en la Figura 24, donde se

presenta una imagen del análisis offline realizado tras la sesión de entrenamiento.

Además, el análisis de estas primeras sesiones de aprendizaje y entrenamiento muestra

la presencia de artefactos que probablemente se deben a los movimientos involuntarios

del usuario, ya que durante este tipo de tarea el usuario parecía más nervioso

posiblemente debido al feedback (movimiento del cursor) y que se apreciaba en el

incremento de dichos movimientos involuntarios.



Figura 24. El análisis offline de la sesión realizada por el usuario U005 no muestra ninguna

característica que se mantenga estable a lo largo del tiempo y permita controlar adecuadamente un cursor

6.5. Usuario U006

El caso de este usuario es bastante similar al del usuario U003. Tras varias sesiones

de aprendizaje y entrenamiento durante las primeras semanas de pruebas no se

consiguió ningún avance significativo. El análisis offline de estas sesiones no revelaba

características de control estables, ya que incluso durante cada tarea de la misma sesión

la actividad cerebral se centraba en distintas zonas y a distintas frecuencias. La razón

más probable para esto es que el usuario no conseguía mantener la atención y

concentración suficiente debido, posiblemente, al problema cognitivo que presenta. En

la Figura 25 se pueden observar los valores obtenidos tras el análisis offline de algunas

sesiones.

Al igual que en el caso del usuario U003, hubiera resultado interesante la

realización de más pruebas para comprobar sí con un entrenamiento más intensivo se

podría haber conseguido que el usuario controlase con un poco más de precisión el

movimiento del cursor. Puesto que el tiempo de realización de las pruebas era limitado,

se contaba con cinco usuarios y el tiempo de colocación del gorro y los electrodos es

considerable, no ha sido posible realizar más pruebas con los usuarios U003 y U006.



Figura 25. El análisis offline de las sesiones del usuario U006 no muestra ninguna característica estable a lo largo de las mismas

6.6. Evaluación de la utilidad, manejabilidad y grado de satisfacción del usuario final

Durante la realización de las pruebas se hicieron varias preguntas a los usuarios

para conocer diferentes aspectos, no sólo relacionados con su visión de la aplicación,

sino también sobre su disposición y estado de ánimo.

En general, las respuestas a estas preguntas fueron muy similares por parte de todos

los usuarios y a lo largo de las distintas sesiones. En cuanto a las cuestiones planteadas

antes de comenzar la sesión, todos los usuarios se mostraban animados, dispuestos a

participar en el estudio durante el tiempo que fuera necesario y, además, reconocían

sentirse cómodos trabajando con ordenadores. Respecto a las cuestiones realizadas tras

las actividades de cada sesión, los usuarios se mostraron de acuerdo en que la duración

de las sesiones no se hacía excesivamente larga, que las tareas eran fáciles de

comprender, que estaban animados por seguir participando en el estudio y que con más

práctica mejorarían sus resultados. Las diferencias se observaron entre los diferentes

tipos de sesiones: las de aprendizaje fueron consideradas fáciles por todos los usuarios;

las de entrenamiento se consideraban algo más complicadas, puesto que no siempre

conseguían controlar adecuadamente el movimiento del cursor; y las de aplicación

fueron consideradas las más difíciles.

Además, una vez finalizadas las pruebas con los usuarios, independientemente del

nivel de control alcanzado, se realizó un cuestionario final sobre la valoración general

de la aplicación utilizada y su participación en el estudio. En la Tabla 9 se muestra un



resumen de las respuestas proporcionadas por los usuarios. Los cuestionaros empleados

se muestran en el Anexo I.

Cuestiones planteadas U002 U003 U004 U006 Complejidad diseño aplicac. entrenamiento Sencilla Sencilla Sencilla Sencilla Dificultad control aplicac. entrenamiento Fácil Muy difícil Fácil Media Valora nivel alcanzado tras entrenamiento Alto Medio Medio/Alto Medio

¿Esperaba alcanzar ese nivel? No, esperaba peor nivel

No, esperaba peor nivel

No, esperaba mejor nivel

No, esperaba peor nivel

Dificultad control aplicación domótica Media Muy alta Baja Muy alta Valora nivel alcanzado tras aplic. domótica Medio - Bajo -

¿Esperaba alcanzar ese nivel? No, esperaba peor nivel - No, esperaba

mejor nivel -

¿La aplicación puede mejorar la calidad de vida de las personas dependientes?

Sí, algunos aspectos




¿Sería útil aplicarlo a otros dispositivos domóticos? Muy útil Útil Muy útil Útil

¿A cuáles? Timbre, persianas

Persiana, puerta, cajones, armarios

Climatización, persianas, puertas,

ordenador

Timbre, persianas, ventanas

¿A qué otros ámbitos se podría aplicar? Ninguna idea Puertas Llamadas emergencia

Puertas (bares, bancos…)

Silla de ruedas

¿Cuál es el mayor problema con el que se ha encontrado durante las pruebas?

Colocación del gorro: muy engorrosa

Se necesita mucha

concentración y más sesiones

En la aplic. domótica la

bola no siempre se

mueve hacia donde quiero

Hay que concentrarse mucho, duele la cabeza y la

bola no obedece

Mejoras sistema de adquisición EEG

Tiempo colocación

gorro, geles, comprobación impedancias

Menor tiempo comprobación impedancias

Colocación del gorro más

sencilla, geles, comprobación impedancias

Usar menos electrodos y que abarquen áreas mayores

Mejoras entrenamiento con la bola Que me haga más caso la

bola Ninguna

Que me haga más caso la

bola Ninguna

Mejora menús aplicación domótica Ninguna Ninguna Opciones de control del teletexto

Un botón para cada canal tv o

emisora

Duración sesiones Adecuada No, mejor más largas Adecuada No, mejor más

largas

Duración total de las pruebas Hubiera sido necesario más

tiempo

Hubiera sido necesario más

tiempo


tiempo


tiempo

¿Estaría dispuesto a realizar más pruebas? Sí, para

mejorar nivel manejo

Sí, para mejorar nivel

manejo


manejo


manejo

¿Participaría de nuevo en proyecto similar? Sí, ha sido muy interesante

Sí, ha sido muy interesante



Tabla 9. Respuestas de los usuarios a las cuestiones planteadas tras la finalización de las pruebas



Las respuestas proporcionadas por los propios usuarios muestran que el diseño de

las tareas y la aplicación les resulta sencilla de comprender. Sin embargo, a la hora de

valorar el nivel de control que ha alcanzado cada uno de ellos realizando las tareas,

observamos que los usuarios que no pasaron de la sesión de entrenamiento consideran

que su nivel de control es medio; mientras que los que pasaron a utilizar la aplicación

consideran que tienen un nivel alto en las sesiones de entrenamiento y un nivel

medio/bajo en las sesiones de aplicación.

En cuanto al tiempo de duración de las sesiones, los usuarios U002 y U004

consideran que era el adecuado. En el caso de los usuarios U003 y U006 lo ven

insuficiente ya que piensan que con más intentos durante la sesión habrían podido

conseguir mejorar su nivel de control del movimiento del cursor. En lo que se refiere a

la duración total de las pruebas, todos los usuarios coinciden en que habría sido

necesario disponer de más semanas para haber realizado más sesiones y así haber

mejorado sus resultados.

También se han realizado preguntas en cuanto a posibles mejoras del sistema y la

aplicación BCI. Todos opinan que el proceso de adquisición de la señal dura demasiado

tiempo y requiere de una persona especializada para colocar bien el gorro y comprobar

las impedancias de los electrodos. Proponen la búsqueda de otro tipo de gorros o

electrodos que haga más sencilla esta etapa. En cuanto a la aplicación en sí, las mejoras

van dirigidas al control de la bola, donde algunos usuarios desearían sentir un mayor

control sobre el movimiento de la misma (curiosamente, estos comentarios

corresponden a los usuarios que mayor control obtuvieron).

Respecto a otros dispositivos que podrían controlarse, las principales sugerencias

fueron: timbre, persianas, puertas, ventanas, climatización y control del ordenador.

Fuera del hogar se sugieren aplicaciones de apertura y cierre de puertas en bares o

bancos, llamadas de emergencia o control del movimiento de las sillas de ruedas.

Por último, todos ellos coinciden en que estarían dispuestos a continuar realizando

más pruebas como las anteriores con el objetivo de mejorar sus resultados. Además,

según sus respuestas, la experiencia fue muy interesante y volverían a participar sin

duda en otro proyecto de características similares.



6.7. Difusión de resultados

Este apartado recoge la difusión de los resultados y conclusiones alcanzados en el

proyecto de investigación. En primer lugar se ha realizado una comunicación para el

Congreso Anual de la Sociedad Española de Ingeniería Biomédica, que es el congreso

nacional de mayor prestigio en el ámbito de la Ingeniería Biomédica:

1) R. Corralejo, R. Hornero, D. Álvarez. “Desarrollo de una aplicación domótica

controlada por Brain Computer Interface (BCI),” Actas del XXVII Congreso Anual

de la Sociedad Española de Ingeniería Biomédica (CASEIB 2009), pp. 577–580,

ISBN: 978-84-608-0990-6, Cádiz, España, 2009.

Además, a lo largo de la realización del proyecto se ha participado en varias

jornadas relacionadas con la discapacidad. La primera de ellas ha sido la II Jornada

Técnica para la Atención a Personas con Grave Discapacidad y para la Promoción de la

Autonomía Personal y Atención a la Dependencia, donde se realizó la ponencia

inaugural:

2) R. Hornero y R. Corralejo. “Aplicaciones de los sistemas BCI para la atención a

personas con grave discapacidad”. Ponencia inaugural de la “II Jornada Técnica

para la Atención a Personas con Grave Discapacidad y para la Promoción de la

Autonomía Personal y Atención a la Dependencia”. Organizada por el Centro de

Referencia Estatal para la Atención a Personas con Grave Discapacidad y para la

Promoción de la Autonomía Personal y Atención a la Dependencia de San Andrés

del Rabanedo (León). León, 6 noviembre de 2009.

Por último, se ha participado en el IV Congreso Nacional sobre Universidad y

Discapacidad, organizado por la Universidad de León:

3) R. Corralejo, R. Hornero, y D. Álvarez. “Desarrollo de una aplicación domótica

controlada mediante Brain Computer Interface (BCI)”. Póster y demostración

práctica presentados en el IV Congreso Nacional sobre Universidad y

Discapacidad. León, 11 y 12 de noviembre de 2009.

Por último, es necesario mencionar que este proyecto ha tenido una gran

repercusión a nivel de medios de comunicación. Han sido varias las publicaciones

aparecidas en periódicos tanto impresos como digitales. En las Figuras 26 y 27 se

muestran dos recortes de algunas publicaciones aparecidas al respecto. También se



indican, a continuación, varios enlaces a los artículos digitales más importantes que

aparecieron sobre el desarrollo del proyecto: http://www.elmundo.es/elmundo/2009/10/04/castillayleon/1254653980.html http://noticias.terra.es/espana/2009/1004/actualidad/el-cre-prueba-un-sistema-para-realizar-tareas-domoticas-a-traves-

de-la-mente.aspx http://www.hoytecnologia.com/noticias/tecnologia-discapacidad/132833 http://www.que.es/ultimas-noticias/sociedad/200910041405-cre-prueba-sistema-realizar-tareas.html http://www.adn.es/tecnologia/20091004/NWS-0207-CRE-domoticas-realizar-sistema-traves.html http://www.diariodeleon.es/noticias/noticia.asp?pkid=481647 http://www.eitb.com/noticias/tecnologia/detalle/259539/enciende-luz-salon-mente/ http://www.fundacionuniversia.net/actualidad/noticias/detalleNoticias-292.do http://www.cocemfe.es/noticias/vernoticia.php?id=6086 http://www.leonoticias.com/frontend/leonoticias/Del-Cerebro-A-La-Television-vn38891-vst306 http://www.diariodeleon.es/noticias/noticia.asp?pkid=488087 http://www.abc.es/20091107/castilla-leon-castilla-leon/aplicacion-pionera-permite-encender-20091107.html http://www.dicyt.com/exportNews.php?newsId=15478&siteId=NOV

Además, el centro territorial de TVE de Castilla y León se desplazó hasta el CRE

de San Andrés del Rabanedo para realizar un pequeño reportaje sobre el proyecto

DOMO-BCI y las pruebas que se realizaron en el centro. El reportaje fue emitido

durante el mes de noviembre en el informativo territorial de Castilla y León de La 1 y

en diciembre en el programa “España en comunidad” de La 2.

En el Anexo III se incluyen las publicaciones realizadas durante esta etapa de

difusión de resultados, así como los principales artículos digitales publicados al

respecto.

Figura 26. Noticia publicada en el periódico EL MUNDO de León el 5 de octubre de 2009 al respecto de

las pruebas del proyecto DOMO-BCI realizadas en el CRE de San Andrés


http://www.elmundo.es/elmundo/2009/10/04/castillayleon/1254653980.html

http://noticias.terra.es/espana/2009/1004/actualidad/el-cre-prueba-un-sistema-para-realizar-tareas-domoticas-a-traves-de-la-mente.aspx

http://noticias.terra.es/espana/2009/1004/actualidad/el-cre-prueba-un-sistema-para-realizar-tareas-domoticas-a-traves-de-la-mente.aspx

http://www.hoytecnologia.com/noticias/tecnologia-discapacidad/132833

http://www.que.es/ultimas-noticias/sociedad/200910041405-cre-prueba-sistema-realizar-tareas.html

http://www.adn.es/tecnologia/20091004/NWS-0207-CRE-domoticas-realizar-sistema-traves.html

http://www.diariodeleon.es/noticias/noticia.asp?pkid=481647

http://www.eitb.com/noticias/tecnologia/detalle/259539/enciende-luz-salon-mente/

http://www.fundacionuniversia.net/actualidad/noticias/detalleNoticias-292.do

http://www.cocemfe.es/noticias/vernoticia.php?id=6086

http://www.leonoticias.com/frontend/leonoticias/Del-Cerebro-A-La-Television-vn38891-vst306

http://www.diariodeleon.es/noticias/noticia.asp?pkid=488087

http://www.abc.es/20091107/castilla-leon-castilla-leon/aplicacion-pionera-permite-encender-20091107.html

http://www.dicyt.com/exportNews.php?newsId=15478&siteId=NOV


Figura 27. Noticia publicada en el periódico DIARIO DE LEÓN el 8 de noviembre de 2009 al respecto

de las pruebas del proyecto DOMO-BCI realizadas en el CRE de San Andrés



7. Discusión y conclusiones

7.1. Estudio de métodos de extracción y clasificación de características aplicados a sistemas BCI

Durante esta primera tarea se llevó a cabo un estudio de los sistemas BCI, en

concreto, de los métodos de procesado de la señal EEG utilizados en la fase de

extracción y clasificación de características. Estos sistemas permiten mejorar tanto la

calidad de vida de los pacientes como los servicios prestados por sus cuidadores.

En este proyecto, se consideró el EEG como la mejor solución para registrar la

actividad cerebral por tratarse de un método no invasivo, de bajo coste y portátil.

Además, se trabajó con los ritmos sensoriomotores ya que son los más adecuados para

realizar una aplicación basada en el control del movimiento de un cursor. De entre todos

los conjuntos de datos ofrecidos en las competiciones BCI, se escogió el que más

similitud presentaba con la aplicación que se pretendía desarrollar en el proyecto, éste

formaba parte de la competición BCI 2003. El análisis de métodos de procesado de

señal comenzó con un estudio exhaustivo de los algoritmos de extracción y clasificación

ganadores de la competición BCI 2003. De esta forma, el análisis de los distintos

métodos de extracción se realizó empleando el clasificador de Bayes, ganador de la

competición, mientras que la comparación de clasificadores se llevó a cabo a partir de

las características wavelets extraídas según el método ganador. Para evaluar los

diferentes métodos del estudio se mantuvo el mismo criterio de la competición BCI, es

decir, el valor máximo de la MI, ya que tiene en cuenta no sólo la clase estimada sino la

probabilidad de que dicha estimación sea correcta.

Con cada método de extracción de características se emplearon diferentes

longitudes de segmento para encontrar el valor óptimo y se estudiaron los resultados

con tasas de salida de 7.81 ms y 62.5 ms. Además, se analizó la importancia de eliminar

el ruido estadístico presente en las características wavelets antes de la clasificación y se

estudió el algoritmo Fast-MCD como método de recorte de outliers. A diferencia de

otros métodos de recorte que se basan en el cálculo de distancias respecto a una media

calculada con todos los puntos (datos y outliers), el Fast-MCD se centra en la

dispersión de distintos subconjuntos de datos, con lo que las distancias se calculan sin

tener en cuenta los outliers.



Tras el estudio se analizaron los resultados obtenidos, comparando los distintos

métodos entre sí y valorando la mejora que suponían respecto al método de referencia

ganador de la competición. Entre los métodos de extracción de características

destacaron los parámetros espectrales y el filtro adaptado. El primero consiguió una MI

máxima de 0.66 bit, lo que supuso un aumento del 8.10% respecto a la obtenida por el

método de referencia. Por otro lado, el segundo consiguió una mejora del 2.43%. La

ventaja es que empleaba muy poco tiempo en el procesado de las señales y conseguía el

mejor resultado respecto al tiempo de clasificación. En cuanto a los métodos de

reconocimiento de patrones, el clasificador óptimo fue la red neuronal RBF con 9 nodos

ocultos y recorte del 40% de los datos. Con ella se obtuvo una MI máxima de 0.685 bit,

alcanzándose una mejora del 12.28%. Además, dicho método reducía la tasa de error,

aunque aumentaba ligeramente el tiempo de clasificación.

Por último, se implementaron en BCI2000 cuatro de los métodos de extracción de

características del estudio y se desarrolló una aplicación de control de un cursor hacia la

izquierda y la derecha. A partir de dicha aplicación se analizó la precisión obtenida en

tiempo real por un usuario con cada uno de los métodos. Ésta aplicación de movimiento

del cursor fue integrada en la aplicación final para manejar una interfaz de control de

dispositivos domóticos mediante los distintos métodos de extracción de características.

7.2. Estudio de la interacción entre dispositivos domóticos y sistemas BCI

La segunda tarea del proyecto DOMO-BCI consistió, en primer lugar, en la

realización de un estudio sobre los diferentes tipos de dispositivos domóticos presentes

en una vivienda. Se analizó cómo estos dispositivos son de utilidad en diferentes

aspectos del hogar: climatización, persianas, puertas, electrodomésticos, enchufes,

camas, luces, comunicación, alarmas, etc. y cómo se estructuraba un sistema domótico.

Durante la segunda parte de esta tarea se estudiaron diferentes protocolos y

estándares de control domótico, así como otros protocolos de control: infrarrojos y

radiofrecuencia. Se seleccionó un sistema de infrarrojos por su sencillez, bajos coste,

alto conocimiento de su tecnología y por estar muy extendido su uso para controlar

diferentes dispositivos presentes en el hogar. Finalmente, se realizó un pequeño análisis

de la forma en que la aplicación BCI controlaría los dispositivos finales en función del

protocolo escogido.



7.3. Estudio de aplicaciones reales: control de los dispositivos domóticos de una vivienda accesible

El primer paso consistió en identificar las necesidades del usuario final, es decir, de

las personas dependientes con grave discapacidad. En concreto, de los usuarios del CRE

de Discapacidad y Dependencia de San Andrés del Rabanedo (León). Tras varias

reuniones y visitas al centro se optó por el control de dispositivos mediante infrarrojos,

lo que permitiría controlar televisiones, reproductores de vídeo y DVD así como

cualquier dispositivo que funcionara con un mando de infrarrojos. En concreto, se

escogieron cuatro dispositivos que se consideraron los más prácticos para los usuarios y

que serían controlados mediante el sistema BCI: un televisor, un equipo de música, un

reproductor de DVD y una bombilla multicolor. De esta forma, los servicios ofrecidos

por la aplicación domótica gestionarían las principales necesidades de los usuarios en

cuanto a confort y entrenamiento. Además, se tuvo en cuenta que la aplicación tenía que

ser clara y sencilla para facilitar la comprensión de la misma por parte de los usuarios y

favorecer así su manejabilidad.

Una vez establecido el protocolo de control y los dispositivos a controlar se diseñó

la aplicación BCI empleando el sistema de propósito general BCI2000. La interfaz de

usuario de la aplicación se dividió en dos partes o frames. En la parte de la derecha

aparece un menú formado por diferentes botones que muestran con imágenes y con

texto la función de cada botón. Para desplazarse por dicho menú el usuario ha de

centrarse en el frame izquierdo de la interfaz, donde mediante el control horizontal de

un cursor, el usuario decide si avanza al siguiente botón del menú o escoge que se

realice la función del botón seleccionado actualmente. El avance al siguiente botón del

menú se realiza siempre en sentido horario. De esta forma el usuario de la aplicación es

capaz de navegar por los menús de la aplicación a partir de la imaginación de dos tareas

motoras, controlando voluntariamente los dispositivos propuestos.

7.4. Aplicación del sistema a los usuarios del CRE de discapacidad y dependencia de San Andrés del Rabanedo (León)

Una vez desarrollada la aplicación BCI, ésta fue probada por varios usuarios del

CRE de Discapacidad y Dependencia. En concreto, participaron cinco usuarios del

centro con diferentes discapacidades físicas graves que son, por tanto, usuarios

potenciales de los sistemas BCI. Estos usuarios también presentaban problemas



cognitivos que durante el proyecto se vio que influían bastante en la capacidad de

control de la aplicación BCI.

Puesto que ninguno de los usuarios había trabajado antes con sistemas BCI fueron

necesarias varias etapas de aprendizaje y entrenamiento que se realizaron durante las

primeras semanas. Finalmente, los usuarios que presentaban una buena capacidad de

concentración y control del movimiento del cursor fueron los que hicieron pruebas con

la propia aplicación domótica. Las precisiones obtenidas por dichos usuarios trabajando

con la aplicación BCI no fueron demasiado elevadas. Probablemente esto se debiera a

que el tiempo dedicado a la realización de las pruebas fue limitado y se necesita

bastante entrenamiento y práctica para conseguir un buen control de la aplicación. En el

caso del resto de usuarios, ninguno realizó pruebas con la aplicación ya que durante las

pruebas de aprendizaje y de entrenamiento no consiguieron alcanzar un control

aceptable del movimiento del cursor. Estos resultados se vieron, por tanto, influenciados

principalmente por los propios problemas cognitivos de los usuarios que no facilitan

una atención continuada del usuario a la aplicación. Por eso, en futuros estudios se

propondrá un cambio en el perfil de los usuarios, es decir, se tratará de probar la

aplicación con usuarios con grave discapacidad físicas pero con el menor grado de

problemas cognitivos posible.

Una vez finalizadas las pruebas, los usuarios respondieron a un cuestionario sobre

la utilidad, manejabilidad y apreciaciones personales respecto a la aplicación domótica y

a los sistemas BCI en general. Todos ellos coincidieron en que el diseño de la

aplicación es claro y su funcionamiento fácil de comprender. Además, tanto los que

obtuvieron un mejor control de la misma como el resto estuvieron de acuerdo en la idea

de que sus resultados mejorarían si hubiera tiempo disponible para realizar más pruebas.

Por último, todos los usuarios coincidieron en la importancia y utilidad de estos

sistemas para mejorar la calidad de vida e independencia de las personas con grave

discapacidad y, además, manifestaron su disposición para continuar participando en este

proyecto o en proyectos similares si fuera necesario.

Los resultados obtenidos en este proyecto pueden calificarse como aceptables

teniendo en cuenta que se trata de un primer acercamiento de los sistemas BCI a los

usuarios potenciales. Por otro lado, se espera que con mayor tiempo, estudios y trabajo

la mayoría de los usuarios puedan llegar a controlar la aplicación de forma precisa.



Referencias [1] J.R. Wolpaw, N. Birbaumer, W.J. Heetderks, D.J. McFarland, P.H. Peckham, G. Schalk,

E. Donchin, L.A. Quatrano, C.J. Robinson, y T.M. Vaughan, “Brain–Computer Interface

Technology: A Review of the First International Meeting,” IEEE Trans. Rehab. Eng., vol.

8, pp. 164–173, Junio 2000.

[2] J. J. Vidal, “Real-time detection of brain events in EEG,” Proc. IEEE, vol. 65, pp. 633–

664, Mayo 1977.

[3] A. Kübler, V. K. Mushahwar, L. R. Hochberg, y J. P. Donoghue, “BCI Meeting 2005–

Workshop on Clinical Issues and Applications,” IEEE Trans. Rehab. Eng., vol. 14, no.2,

pp.131–134, Junio 2006.

[4] J.R. Wolpaw, G.E. Loeb, B.Z. Allison, E. Donchin, O.F. do Nascimento, W.J. Heetderks,

F. Nijboer, W.G. Shain, y J.N. Turner, “BCI Meeting 2005–Workshop on Signals and

Recording Methods,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 14, pp. 138–141,

Junio 2006.

[5] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, y T. M. Vaughan,

“Brain–computer interfaces for communication and control,” Clin. Neurophysiol., vol.

113, pp. 767–791, 2002.

[6] Y. Wang, R. Wang, X. Gao, B. Hong, y S. Gao, “A Practical VEP–Based Brain-

Computer Interface,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 14, pp. 234–240, Junio

2006.

[7] O. Friman, I. Volosyak, y A. Gräser, “Multiple Channel Detection of Steady–State Visual

Evoked Potentials for Brain-Computer Interfaces,” IEEE Trans. Biomed. Eng., vol. 54,

pp. 742–750, Abril 2007.

[8] E. Donchin, K.M. Spencer, y R. Wijesinghe, “The Mental Prosthesis: Assessing the

Speed of a P300–Based Brain–Computer Interface,” IEEE Trans. Rehab. Eng., vol. 8, pp.

174–179, Junio 2000.

[9] J. A. Pineda, B. Z. Allison, y A. Vankov, “The effects of Self-Movement, Observation,

and Imagination on Rhythms and Readiness Potentials (RP’s): Toward a Brain–Computer

Interface (BCI),” IEEE Trans. Rehab. Eng., vol. 8, no. 2, pp. 219–222, Junio 2000.

[10] G. Schalk, D.J. McFarland, T. Hinterberger, N. Birbaumer, y J.R. Wolpaw, “BCI2000: A

General–Purpose Brain–Computer Interface (BCI) System,” IEEE Trans. Biomed. Eng.,

vol. 51, pp. 1034–1043, Junio 2004.

[11] B. Blankertz, “Página oficial de la III Competición BCI,” 2005, disponible:

http://ida.first.fraunhofer.de/projects/bci/competition_iii. Último acceso: 15 de Abril de

2009.


http://ida.first.fraunhofer.de/projects/bci/competition_iii


[12] G. Pfurtscheller y A. Schlögl, “Descripción del conjunto de datos III de la Competición

BCI 2003,” proporcionado por el Instituto de Ingeniería Biomédica de la Universidad

Tecnológica de Graz, Diciembre 2002, disponible:

http://ida.first.fraunhofer.de/projects/bci/competition_ii/Graz_description.doc. Último

acceso: 28 Abril de 2009.

[13] S. Lemm, C. Schäfer, y G. Curio, “BCI Competition 2003–Data Set III: Probabilistic

Modeling of Sensorimotor µ Rhythms for Classification of Imaginary Hand Movements,”

IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1077–1080, Junio 2004.

[14] R. Duda, P.Hart, y D. Stork, Pattern Classification, 2nd ed. New York: Wiley, 2001.

[15] B. Blankertz, K. R. Müller, G. Curio, T. M. Vaughan, G. Schalk, J. R. Wolpaw, A.

Schlögl, C. Neuper, G. Pfurtscheller, T. Hinterberger, M. Schröder, y N. Birbaumer, “The

BCI Competition 2003: Progress and Perspectives in Detection and Discrimination of

EEG Single Trials,” IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1044–1051, Junio

2004.

[16] J.R. Millán, F. Renkens, J. Mouriño, W. Gerstner, “Brain–Actuated Interaction,” Art.

Intel., vol. 159, pp. 241–259, Enero 2004.

[17] A.K. Jain, R.P. W. Duin, y J. Mao, “Statistical Pattern Recognition: A Review,” IEEE

Trans. Pattern Anal. Mach. Intell., vol. 22, no. 1, pp. 4–37, Enero 2000.

[18] R.K. Young, Wavelet Theory and Its Applications, Springer, 2003.

[19] N. Huan y R. Palaniappan, “Classification of Mental Tasks Using Fixed and Adaptive

Autoregressive Models of EEG Signals,” Proc. 2nd IEEE EMBS International

Conference on Neural Engineering, pp. 633–636, Marzo 2005.

[20] A. Schlögl, The Electroencephalogram and the Adaptive Autoregressive Model: Theory

and Applications, Shaker Verlag, 2000.

[21] A. Schlögl, C. Keinrath, R. Scherer, y G. Pfurtscheller, “Information transfer of an EEG–

based Brain Computer Interface,” Proc. 1st Int. IEEE EMBS Conf. Neural Eng., pp. 641–

644, Marzo 2003.

[22] D.J. Krusienski, G. Schalk, D.J. McFarland, y J.R. Wolpaw, “A µ-Rhythm Matched Filter

for Continuous Control of a Brain-Computer Interface,” IEEE Trans. on Biomed. Eng.,

vol. 54, no. 2, pp. 273–280, Febrero 2007.

[23] D.J. Krusienski, G. Schalk, D.J. McFarland, y J.R. Wolpaw, “Tracking of the mu rhythm

using an empirically derived matched filter,” Proc. 2nd Int. IEEE EMBS Conf. Neural

Eng., pp. 86–89, Marzo 2005.

[24] I.T. Nabney (Mayo 2008) Netlab Software, disponible:

http://www.ncrg.aston.ac.uk/netlab/. Último acceso: 20 de Abril de 2009.

[25] I.T. Nabney, Netlab. Algorithms for Pattern Recognition, Springer, 2002.


http://ida.first.fraunhofer.de/projects/bci/competition_ii/Graz_description.doc

http://www.ncrg.aston.ac.uk/netlab/


[26] P.J. Rousseeuw y K. Van Driessen, “A Fast Algorithm for the Minimum Covariance

Determinant Estimator,” Technometrics, vol. 41, pp. 212–223, Diciembre 1998.

[27] J. Hardin y D.M. Rocke, “Outlier detection in the multiple cluster setting using the

minimum covariance determinant estimator,” Computational Statistics and Data

Analysis, vol. 44, pp. 625–638, 2004.

[28] C.M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.

[29] C.J. Mecklin y D.J. Mundfrom (2003), “On Using Asymptotic Critical Values in Testing

for Multivariate Normality,” InterSat, disponible:

http://interstat.statjournals.net/YEAR/2003/articles/0301001.pdf. Último acceso: 10 de

Mayo de 2009.

[30] K. Gurney, An Introduction to Neural Networks, CRC Press, 1997.

[31] G. McLachlan y D. Peel, Finite Mixture Models, John Wiley and Sons, 2004.

[32] “BCI Research and BCI2000 Forum,” disponible:

http://www.bci2000.org/phpbb/viewtopic.php?t=25. Último acceso: 1 de Junio de 2009.

[33] W. Chen, Y. Ming-Feng, C. Kuang-Chiung, y L. Ren-Guey. “Real-time ECG

telemonitoring system design with mobile phone platform,” Measurement, vol. 41, pp.

463-470, 2008.

[34] José M. Huidobro y Ramón J. Millán. Domótica. Edificios Inteligentes. Colegio Oficial

de Ingenieros de Telecomunicación (COIT), 2004.

[35] Fundación Telefónica. Libro Blanco del Hogar Digital y las Infraestructuras Comunes de

Telecomunicaciones, 2003.

[36] Konnex Asociation, disponible: http://www.knx.org/. Último acceso: 10 de Junio de

2009.

[37] Echelon Corporation, disponible: http://www.echelon.com/. Último acceso: 10 de Junio

de 2009.

[38] LonMark International, disponible: http://www.lonmark.org/. Último acceso: 10 de Junio

de 2009.

[39] Carlo Gavazzi – Dupline, disponible: http://www.dupline.com/. Último acceso: 10 de

Junio de 2009.

[40] Clipsal Integrated Systems, disponible: http://www3.clipsal.com/cis/portal/. Último

acceso: 10 de Junio de 2009.

[41] Bticino España, disponible: http://www.bticino.com.es/. Último acceso: 10 de Junio de

2009.

[42] Carletti, J. “Comunicación por infrarrojos. Descripción y funcionamiento,” 2009,

disponible: http://robots-argentina.com.ar/Comunicacion_IR.htm. Último acceso: 26 de

Noviembre de 2009.


http://interstat.statjournals.net/YEAR/2003/articles/0301001.pdf

http://www.bci2000.org/phpbb/viewtopic.php?t=25

http://www.knx.org/

http://www.echelon.com/

http://www.lonmark.org/

http://www.dupline.com/

http://www3.clipsal.com/cis/portal/

http://www.bticino.com.es/site_ES/jsp/home/home.do

http://robots-argentina.com.ar/Comunicacion_IR.htm


[43] Web sobre descripción de infrarrojo, disponible: http://users.telenet.be/davshomepage.

Último acceso: 26 de Noviembre 2009.

[44] Carletti, J. “Protocolo Philips RC-5 para control remoto,” 2009, disponible: http://robots-

argentina.com.ar/Comunicacion_protocolorc5.htm. Último acceso: 26 de Noviembre de

2009.

[45] Web sobre LSB S. L. “Introducción y Funcionamiento,” 2004, disponible:

http://www.lsb.es/imagenes/x10_introduccion.pdf. Último acceso: 26 de Noviembre de

2009.

[46] “Página principal de la Wiki de información y ayuda de BCI2000,” disponible:

http://www.bci2000.org/wiki/index.php/Main_Page. Último acceso: 2 de Junio de 2009.

[47] D. J. McFarland, L. M. McCane, S. V. David y J. R. Wolpaw, “Spatial filter selection for

EEG-based communication”, Electroenceph. Clin. Neurophysiol., vol. 103, pp.386-394,

Septiembre 1997.


http://users.telenet.be/davshomepage

http://robots-argentina.com.ar/Comunicacion_protocolorc5.htm

http://robots-argentina.com.ar/Comunicacion_protocolorc5.htm

http://www.lsb.es/imagenes/x10_introduccion.pdf

http://www.bci2000.org/wiki/index.php/Main_Page


Anexo I: Cuestionarios finales realizados a los usuarios sobre la valoración general de la aplicación utilizada y su participación en el estudio

I.1. Cuestionario realizado a los usuarios que realizaron sesiones de aprendizaje, entrenamiento y control de la aplicación domótica

Conteste a las siguientes cuestiones sobre diferentes aspectos del sistema de control de dispositivos domóticos mediante BCI:

1. Valore el nivel de complejidad del la aplicación para controlar el movimiento de una bola hacia la izquierda y la derecha:

a. Es extremadamente complejo b. Es muy complejo c. La complejidad es media d. Es sencilla e. Es muy sencilla

2. Valore el nivel de dificultad que ha supuesto controlar el movimiento de la bola: a. Es extremadamente difícil b. Es muy difícil c. La dificultad es media d. Es fácil de manejar e. Es muy fácil de manejar

3. Valore el nivel de manejo de la bola que ha alcanzado tras finalizar la fase de pruebas: a. Muy bajo b. Bajo c. Medio d. Alto e. Muy alto

4. Antes de realizar las pruebas, ¿esperaba alcanzar este nivel? a. No, esperaba manejarlo mejor b. No, esperaba manejarlo peor c. Sí

5. Valore el nivel de complejidad del sistema de control de dispositivos domóticos y electrónicos que ha estado probando:

a. Es extremadamente complejo b. Es muy complejo c. La dificultad es media d. Es fácil de manejar e. Es muy fácil de manejar

6. Valore el nivel de manejo del sistema (facilidad para controlar el dispositivo seleccionado: televisión, luces, etc.) que ha alcanzado tras finalizar la fase de pruebas:

a. Muy bajo b. Bajo c. Medio d. Alto e. Muy alto

7. Antes de realizar las pruebas, ¿esperaba alcanzar este nivel? a. No, esperaba manejarlo mejor



b. No, esperaba manejarlo peor c. Sí

8. ¿Cree que este sistema de control de dispositivos podría aumentar la autonomía e independencia de las personas dependientes?

a. Sí, podría mejorar mucho su calidad de vida b. Sí, Podría mejorar algunos aspectos de su calidad de vida c. Su utilidad no es muy elevada d. No mejoraría en nada su calidad de vida

9. ¿Cree que podría resultar útil emplear este sistema para el control de otros dispositivos domóticos (puertas, persianas, climatización, etc.) instalados en una vivienda?

a. Sería muy útil b. Podría ser útil para controlar algunos sistemas c. Su utilidad sería muy limitada d. No sería nada útil

10. ¿Qué otros elementos de una vivienda cree que sería útil controlar con este sistema? Enumérelos de mayor utilidad a menor utilidad.

11. ¿Para qué otras aplicaciones (fuera de la vivienda o entorno habitual) considera que podrían emplearse estos sistemas?

12. ¿Cuál es el mayor problema que se ha encontrado durante la realización de las pruebas?

13. ¿Qué elementos del sistema mejoraría para facilitar su utilización? A continuación proponemos algunas posibilidades:

a. El sistema de adquisición de la señal de EEG (gorro y electrodos) b. El sistema de elección izquierda/derecha (bola) c. El sistema de menús de la aplicación d. Otros (indicar cuáles)

14. ¿Considera que el tiempo de duración de cada prueba ha sido adecuado? a. Si, el tiempo era el adecuado b. No, hubiera necesitado más tiempo c. No, las pruebas se hacían demasiado largas

15. ¿Considera que la duración del conjunto de pruebas ha sido adecuado? a. Si, el tiempo ha sido el adecuado porque con más tiempo no habría mejorado

los resultados b. Sí, porque ya lo hago perfectamente c. No, hubiera sido necesario más tiempo

16. ¿Estaría dispuesto a continuar realizando nuevas pruebas durante más tiempo? a. Sí, para mejorar mi nivel de manejo del sistema b. Sí, aunque durante un tiempo limitado c. No lo sé, porque el esfuerzo necesario es muy grande d. No, porque ha sido extremadamente cansado

17. ¿Volvería a participar en un proyecto de características similares? a. Sí, ha resultado muy interesante b. Sí, aunque ha sido muy costoso c. No lo sé, porque el esfuerzo necesario ha sido grande d. No, porque ha sido extremadamente cansado



I.2. Cuestionario realizado a los usuarios que realizaron únicamente sesiones de aprendizaje y entrenamiento

Conteste a las siguientes cuestiones sobre diferentes aspectos del sistema de control de dispositivos domóticos mediante BCI:

1. Valore el nivel de complejidad del diseño de la aplicación para controlar el movimiento de una bola hacia la izquierda y la derecha:

a. Es extremadamente complejo b. Es muy complejo c. La complejidad es media d. Es una aplicación sencilla e. Es una aplicación muy sencilla

2. Valore el nivel de dificultad que ha supuesto controlar el movimiento de la bola: a. Es extremadamente difícil b. Es muy difícil c. La dificultad es media d. Es fácil de manejar e. Es muy fácil de manejar

3. Valore el nivel de manejo de la bola que ha alcanzado tras finalizar la fase de pruebas: a. Muy bajo b. Bajo c. Medio d. Alto e. Muy alto

4. Antes de realizar las pruebas, ¿esperaba alcanzar este nivel? a. No, esperaba manejarlo mejor b. No, esperaba manejarlo peor c. Sí

5. Valore el nivel de complejidad del sistema de control de dispositivos domóticos y electrónicos:

a. Es extremadamente complejo b. Es muy complejo c. La dificultad es media d. Es fácil de manejar e. Es muy fácil de manejar

6. ¿Cree que este sistema de control de dispositivos podría aumentar la autonomía e independencia de las personas dependientes?

a. Sí, podría mejorar mucho su calidad de vida b. Sí, Podría mejorar algunos aspectos de su calidad de vida c. Su utilidad no es muy elevada d. No mejoraría en nada su calidad de vida

7. ¿Cree que podría resultar útil emplear este sistema para el control de otros dispositivos domóticos (puertas, persianas, climatización, etc.) instalados en una vivienda?

a. Sería muy útil b. Podría ser útil para controlar algunos sistemas c. Su utilidad sería muy limitada d. No sería nada útil

8. ¿Qué otros elementos de una vivienda cree que sería útil controlar con este sistema? Enumérelos de mayor utilidad a menor utilidad.

9. ¿Para qué otras aplicaciones (fuera de la vivienda o entorno habitual) considera que podrían emplearse estos sistemas?



10. ¿Cuál es el mayor problema que se ha encontrado durante la realización de las pruebas?

11. ¿Qué elementos del sistema mejoraría para facilitar su utilización? A continuación proponemos algunas posibilidades:

a. El sistema de adquisición de la señal de EEG (gorro y electrodos) b. El sistema de elección izquierda/derecha (bola) c. El sistema de menús de la aplicación d. Otros (indicar cuáles)

12. ¿Considera que el tiempo de duración de cada prueba ha sido adecuado? a. Si, el tiempo era el adecuado b. No, hubiera necesitado más tiempo c. No, las pruebas se hacían demasiado largas

13. ¿Considera que la duración del conjunto de pruebas ha sido adecuado? a. Si, el tiempo ha sido el adecuado porque con más tiempo no habría mejorado

los resultados b. Sí, porque ya lo hago perfectamente c. No, hubiera sido necesario más tiempo

14. ¿Estaría dispuesto a continuar realizando nuevas pruebas durante más tiempo? a. Sí, para mejorar mi nivel de manejo del sistema b. Sí, aunque durante un tiempo limitado c. No lo sé, porque el esfuerzo necesario es muy grande d. No, porque ha sido extremadamente cansado

15. ¿Volvería a participar en un proyecto de características similares? a. Sí, ha resultado muy interesante b. Sí, aunque ha sido muy costoso c. No lo sé, porque el esfuerzo necesario ha sido grande d. No, porque ha sido extremadamente cansado




Anexo II: Difusión de resultados

II.1. Publicaciones de carácter científico – R. Hornero y R. Corralejo. “Aplicaciones de los sistemas BCI para la atención a

personas con grave discapacidad”. Ponencia inaugural de la “II Jornada Técnica para la Atención a Personas con Grave Discapacidad y para la Promoción de la Autonomía Personal y Atención a la Dependencia”. Organizada por el Centro de Referencia Estatal para la Atención a Personas con Grave Discapacidad y para la Promoción de la Autonomía Personal y Atención a la Dependencia de San Andrés del Rabanedo (León). León, 6 noviembre de 2009.

– R. Corralejo, R. Hornero, y D. Álvarez. “Desarrollo de una aplicación domótica controlada mediante Brain Computer Interface (BCI)”. Póster y demostración práctica presentados en el IV Congreso Nacional sobre Universidad y Discapacidad. León, 11 y 12 de noviembre de 2009.

– R. Corralejo, R. Hornero, D. Álvarez. “Desarrollo de una aplicación domótica controlada por Brain Computer Interface (BCI),” Actas del XXVII Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB 2009), pp. 577–580, ISBN: 978-84-608-0990-6, Cádiz, España, 2009.

II.2. Repercusión del proyecto en los medios de comunicación – EL MUNDO Digital Castilla y León, “Cómo encender o apagar la tele con sólo

pensarlo”, 04-10-2009.

– Noticias TERRA, “El CRE prueba un sistema para realizar tareas domóticas a través de la mente”, 04-10-2009.

– HoyTecnología.com, “El CRE prueba un sistema para realizar tareas domóticas a través de la mente”, 4-10-2009.

– Que.es, “El CRE prueba un sistema para realizar tareas domóticas a través de la mente”, 4-10-2009.

– Adn.es, “El CRE prueba un sistema para realizar tareas domóticas a través de la mente”, 4-10-2009.

– Diario de León, “Usuarios del CRE prueban un sistema domótico de control de viviendas”, 05-10-2009.

– ABC, “Una aplicación pionera permite encender la televisión con la mente”, 07-11-2009.

– DiCYT, Agencia de Noticias para la Difusión de la Ciencia y la Tecnología, “Del cerebro a la tele”, 06-11-2009.

http://www.abc.es/20091107/castilla-leon-castilla-leon/aplicacion-pionera-permite-encender-20091107.html

Documents

18. Brain Computer Interface ...' (12.144 Kb. pdf)