Browsing by Author "Vidaurre, Carmen"

Now showing 1 - 1 of 1
  • Thumbnail Image
    PublicationOpen Access
    Toward robustness and performance prediction in Brain-Computer Interfacing
    (2024) Jorajuria Gómez, Tania; Gómez Fernández, Marisol; Vidaurre, Carmen; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika
    Las interfaces cerebro-computadora (BCIs, por sus siglas en inglés) leen y decodifican la actividad cerebral. Entre sus muchas aplicaciones, se pueden emplear como una nueva herramienta de comunicación, para controlar un dispositivo externo, asistir a pacientes durante neurorrehabilitación, o incluso en neuromarketing. Las BCIs normalmente se prueban bajo condiciones controladas. Sin embargo, su correcta operación en condiciones de fuera del laboratorio es crucial, especialmente cuando los investigadores tienen en mente su uso en aplicaciones clínicas. Por tanto, es vital que las BCIs sean robustas a perturbaciones externas. Por otro lado, se ha demostrado que un gran porcentaje de usuarios no puede operar correctamente las BCIs actuales. Este fenómeno, conocido como ineficiencia de las BCIs, señala la necesidad de que los investigadores estimen de antemano qué rendimiento tendrá un nuevo participante. Predecir el desempeño de un participante podría ahorrar recursos de investigación, que siempre son escasos, y ayudar en el diseño de algoritmos para aumentar la fiabilidad operativa de las BCIs. En esta Tesis, se han abordado los puntos anteriores, dando como resultado la propuesta de nuevas herramientas para el procesamiento de señales BCI. En particular, se han propuesto dos métodos de procesamiento (pipelines) para BCIs basadas en señales steady-state visual evoked potential (SSVEP), que funcionan bien con señales de sólo un segundo de duración. Uno de ellos, denominado corrLDA, supera al pipeline del estado del arte basado en el an´alisis de la correlación canónica (CCA). Su aspecto clave es que, aplicando el análisis discriminante lineal regularizado (sLDA), emplea información de clase para encontrar el subespacio de extracción de características, al contrario que CCA. El siguiente pipeline, llamado oscillatory source tensor discriminant analysis (OSTDA), es una extensión de corrLDA con dos características principales: primero, sLDA se reemplaza por su método análogo para datos tensoriales, denominado análisis discriminante de orden superior regularizado (sHODA), desarrollado durante esta Tesis. Este método de extracción de características basado en tensores convierte a OSTDA en un pipeline robusto en condiciones de tamaños muestrales pequeños. Además, OSTDA también incluye un método llamado descomposición espacio-espectral (SSD). Se aplica como un primer paso en el procesado de las señales SSVEP. SSD extrae fuentes oscilatorias con relación señal-ruido mejorada. De este modo, SSD convierte a OSTDA en un pipeline más robusto contra perturbaciones cognitivas puesto que, a diferencia de las señales SSVEP, las perturbaciones no son de naturaleza oscilatoria y por tanto pueden eliminarse al proyectar los datos al subespacio generado por el SSD. Al comparar OSTDA contra tres métodos del estado del arte, demostró tener un desempeño similar o mejor que ellos en todas las configuraciones estudiadas.