The aim of this Master's Thesis was to develop a naturally controllable BCI that can predict
motion trajectories from the imagination of motor execution. The approach to reach this aim
was to nd a correlation between movement and brain data, which can subsequently be used
for the prediction of movement trajectories only by brain signals. To nd this correlation, an
experiment was carried out, in which a participant had to do triggered movements with its right
arm to four di erent targets. During the execution of the movements, the kinematic and EEG
data of the participant were recorded. After a preprocessing stage, the velocity of the kinematic
data in x and y directions, and the band power of the EEG data in di erent frequency ranges
were calculated and used as features for the calculation of the correlation by a multiple linear
regression. When applying the resulting regression parameter to predict trajectories from EEG
signals, the best accuracies were shown in the mu and low beta frequency range, as expected.
However, the accuracies were not as high as necessary for control of an application. / El objetivo de esta Tesis de Maestría fue desarrollar un interfaz cerebro computador controlable
naturalmente que pueda predecir trayectorias de movimiento imaginadas. El enfoque para alcanzar
este objetivo fue encontrar una correlación entre el movimiento y los datos cerebrales
que puedan ser utilizados posteriormente para la predicción de las trayectorias de movimiento
sólo por medio de señales cerebrales. Para encontrar esta correlación, se realizó un experimento,
en cual un participante tuvo que realizar movimientos desencadenados con su brazo derecho a
cuatro puntos diferentes. Durante el examen de los movimientos, se registraron los datos cinemáticos y de EEG del participante. Después de una etapa de pre-procesamiento, se calcularon
las velocidades en las direcciones x y y, de los datos cinemáticos, y la potencia de la banda, de
los datos EEG en diferentes rangos de frecuencia, y se utilizaron como características para el
cálculo de la correlación mediante con una regresión lineal múltiple. Al aplicar el parámetro
de regresión resultante para predecir trayectorias a partir de señales de EEG, las mejores precisiones
estuvieron en el rango de frecuencia mu e inferior en beta, como se esperaba. Sin
embargo, los resultados no fueron suficientemente precisos como para usarlas para el control de
una aplicación. / Tesis
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:123456789/11605 |
| Date | 20 March 2018 |
| Creators | Petersamer, Matthias |
| Contributors | Haueisen, J. |
| Publisher | Pontificia Universidad Católica del Perú |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | Pontificia Universidad Católica del Perú, Repositorio de Tesis - PUCP |
| Rights | info:eu-repo/semantics/openAccess, Atribución-NoComercial-SinDerivadas 2.5 Perú, http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ |
Page generated in 0.0835 seconds