| dc.description.abstract | Durante siglos la humanidad ha tratado de descifrar al cerebro, tecnologías como el EEG son capaces de registrar la actividad eléctrica del cerebro [67]. La popularidad del EEG en la investigación científica es debido a la gran cantidad de estudios y aplicación de sus registros, también por la portabilidad y el costo del equipo. Los derivados de la técnica de EEG incluyen los potenciales evocados ( PE), que implica un promedio de la actividad EEG en tiempo, mediante la medición de la presencia de un estímulo que puede ser de tipo visual, somatosensorial o auditivo [67] Está claro que la lectura de la respuesta cerebral no representa un reto, sin embargo, el problema principal se centra en la decodificación respuesta cerebral [49]. Hay muchos algoritmos de decodificación se han propuesto para esta decodificación, opciones van desde estimadores lineales óptimos, hasta varias versiones de decodificadores bayesiano, e incluso diferentes topologías de redes neurales (NN).
Una de los más limitaciones más reiterada de las técnicas de decodificación del cerebro es, de hecho, los tratamientos previos que se aplican a las señales de EEG [56], [64]. Se ha establecido que hay una enorme cantidad de información que se ha perdido de la señal sin procesar.
Tratando de evitar está perdida, hay algunos algoritmos que trabajan con la señal sin procesar pero su decodificación de la señal es lento y con bajas tasas de clasificación correcta. En este momento, la mayoría de los algoritmos de interpretación automática de EEG se enmarcan en la denominada teoría de reconocimiento de patrones [8].
Las NN se han aplicado con éxito en diversas áreas de clasificación de patrones [15],[38],[93]. Diferentes tipos de NN estáticas se han utilizado para la decodificación EEG [98], [127], la mayoría de sus aplicaciones en diagnóstico de condiciones cerebrales, tales como la epilepsia, el autismo, el Alzheimer, la degeneración del cerebro tejido, trastornos del sueño, entre otros. Pero está claro que este tipo de NN deprecia el carácter continuo de la señal electrofisiológica.
En esta tesis se propone la aplicación de Redes Neuronales Dinámicas (DNNs), con el fin de tener en cuenta la naturaleza continua de las señales de EEG, las DNNs son conocidas por ser más complejas en su implementación que NN estáticas, pero también son más avanzadas. Debido al hecho de que los datos se almacenan y se elaboran en el tiempo. Las entradas no son independientes, por otra parte están interactuando e influyen entre sí.
Se proponen cuatro topologías que siguen esta estructura de aprendizaje. En primer lugar, una red neuronal recurrente (RNN) que analizan una versión discretizada de señales de EEG con un período de muestreo fijo. A continuación, una red neuronal diferencial (DfNN) que se aplica para clasificar señales de EEG obtenidas de diferentes bases de datos que se consideran en esta tesis. También los fundamentos para las aplicaciones en hardware de esta DfNN, primero mediante su implementación en un Field Programmable Gate Arrays (FPGAs), posteriormente en un Very-Large-Scale Integración (VLSI) y finalmente en circuitos analógicos. A continuación, una red neuronal con retardos en el tiempo (TDNN) se prueba con las mismas señales de EEG, una TDNN es una especie de DNN que tienen la ventaja de tomar en cuenta la información anterior de la misma señal electrofisiológica. Y finalmente una red neuronal compleja (CVNN) que permite la clasificación basada en el análisis de frecuencia de la señal.
A continuación, una red neuronal con retardos en el tiempo (TDNN) se prueba con las mismas señales de EEG, una TDNN es una especie de DNN que tienen la ventaja de tomar en cuenta la información anterior de la misma señal electrofisiológica. Y finalmente una red neuronal compleja (CVNN) que permite la clasificación basada en el análisis de frecuencia de la señal.
Por todas las NN en software que trabajan con la base de datos tomada de [97], su correcta clasificación se validó mediante el método de validación cruzada -k . Lograr un promedio de clasificación correcta por encima del 90 %. En el caso de las NN en hardware el enfoque es diferente para cada caso, en el la FPGA implementó un DfNN y se generó una interfaz entre la PC y el FPGA. Parte de la ocupación código VHDL para la aplicación FPGA se utilizó para el VLSI , en este caso el chip no se probó debido al tiempo de la fabricación , pero el diseño fue aprobado para su manufactura. Para la red neuronal analógica es sólo la simulación del circuito.
Las tasas de clasificación correcta de software NN están por encima de 5 % a partir de otras obras que emplean la misma base de datos y no aplican ningún preproceso de la señal de EEG. Para el conocimiento de autores que no hay aplicación de la DfNN en hardware haciendo de esto una de las más importantes contribuciones de esta tesis. | |
