Cortines Torre, Eva2022-03-042022-03-042022https://academica-e.unavarra.es/handle/2454/42441El ictus es la principal causa de discapacidad motora en el mundo y en más del 85% de los casos provoca déficits motores. La fisioterapia es el método de rehabilitación más ampliamente utilizado. Sin embargo, las personas post-ictus con parálisis más severa suelen presentar una recuperación limitada o nula en respuesta a estas terapias tradicionales, ya que requieren de un movimiento residual como premisa para su aplicación. Las interfaces cerebro ordenador (BCI de sus siglas en inglés, Brain- Computer Interface) han surgido como único medio de terapia de rehabilitación motora en los pacientes con parálisis más severa, ya que no requieren movimiento residual activo. Las BCI decodifican las señales cerebrales, las analizan y finalmente las traducen en comandos que puedan controlar un dispositivo externo, como puede ser el caso de brazos robóticos o electroestimulación funcional (FES). A diferencia de las terapias clásicas, incorporan estrategias de retroalimentación al sistema nervioso, que restablecen los circuitos neuronales dañados mediante mecanismos de neuroplasticidad y hacen que se produzca un aprendizaje motor. Las señales cerebrales pueden ser adquiridas mediante técnicas invasivas o no invasivas como la electroencefalografía (EEG), método más ampliamente utilizado. Este trabajo propone la implementación de una BCI basada en un clasificador lineal capaz de realizar la decodificación continua de la intención de movimiento y de generar comandos para el control de dispositivos, que puedan ser utilizados en terapias de rehabilitación motora. Para ello, se implementará un decodificador y se evaluará su comportamiento sobre dos conjuntos de datos de sujetos sanos grabados en Bitbrain (Zaragoza).application/pdfspaElectroencefalograma (EEG)Interfaz cerebro-ordenadorElectrodos secosElectrodos basados en aguaConjunto de datos BCIClasificadores linealesDecodificación continuaMotor imageryDecodificación de la actividad electroencefalográfica para la detección de intención de movimiento en tiempo realTrabajo Fin de Máster/Master Amaierako Lana2022-03-03Acceso abierto / Sarbide irekiainfo:eu-repo/semantics/openAccess