Desarrollo y evaluación de un sistema BCI basado en imaginación motora: comparativa de FBCSP y geometría Riemanniana
DOI:
https://doi.org/10.65234/interaccion.149Palabras clave:
Interfaz cerebro–computador, Imaginación motora , EEG, FBCSP , Geometría RiemannianaResumen
Este trabajo presenta el desarrollo y evaluación de un sistema de interfaz cerebro–computador (BCI) basado en señales EEG para clasificación de imaginación motora bilateral. Se diseñó un protocolo experimental con hardware de bajo coste (OpenBCI Cyton+Daisy, 16 canales, 125 Hz) e implementación en Python. Se compararon Filter Bank Common Spatial Patterns (FBCSP) y geometría Riemanniana con proyección al espacio tangente y alineamiento euclidiano (EA), evaluados mediante validación cruzada leave-one-subject-out (LOSO) con 10 participantes novatos. El FBCSP obtuvo una exactitud balanceada media de 0,569 ± 0,081 en el esquema cross-subject; el método Riemannian alcanzó 0,647 ± 0,086 (N=9). Ambos son significativamente superiores al azar (FBCSP: t(9)=2,69, p=0,025, d=0,85; Riemannian: t(8)=5,10, p<0,001, d=1,70). El EA aportó +5,3 puntos porcentuales al rendimiento Riemannian cross-subject. La latencia de inferencia fue inferior a 7 ms (p99), confirmando la viabilidad para retroalimentación en tiempo real.
Referencias
Ang, K. K., Chin, Z. Y., Zhang, H., y Guan, C. (2012). Filter Bank Common Spatial Pattern algorithm on BCI Competition IV datasets 2a and 2b. Frontiers in Neuroscience, 6, 39. https://doi.org/10.3389/fnins.2012.00039
Barachant, A., Bonnet, S., Congedo, M., y Jutten, C. (2012). Multiclass brain-computer interface classification by Riemannian geometry. IEEE Transactions on Biomedical Engineering, 59(4), 920–928. https://doi.org/10.1109/TBME.2011.2172210
Clerc, M., Bougrain, L., y Lotte, F. (Eds.). (2016). Brain-Computer Interfaces: Foundations and Methods. Wiley.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2.ª ed.). Lawrence Erlbaum Associates.
Congedo, M., Barachant, A., y Andreev, A. (2017). A primer on Riemannian geometry for EEG-based brain-computer interfaces. Brain-Computer Interfaces, 4(3), 162–174. https://doi.org/10.1080/2326263X.2017.1297192
He, H., y Wu, D. (2020). Transfer learning for brain-computer interfaces: a Euclidean space data alignment approach. IEEE Transactions on Biomedical Engineering, 67(2), 399–410. https://doi.org/10.1109/TBME.2019.2913914
Lawhern, V. J., Solon, A. J., Waytowich, N. R., Gordon, S. M., Hung, C. P., y Lance, B. J. (2018). EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces. Journal of Neural Engineering, 15(5), 056013. https://doi.org/10.1088/1741-2552/aace8c
Lotte, F., Larrue, F., y Mühl, C. (2013). Flaws in current human training protocols for spontaneous brain-computer interfaces: lessons learned from instructional design. Frontiers in Human Neuroscience, 7, 568. https://doi.org/10.3389/fnhum.2013.00568
Lotte, F., Bougrain, L., Cichocki, A., Clerc, M., Congedo, M., Rakotomamonjy, A., y Yger, F. (2018). A review of classification algorithms for EEG-based brain-computer interfaces: a 10+year update. Journal of Neural Engineering, 15(3), 031005. https://doi.org/10.1088/1741-2552/aab2f2
Ramoser, H., Müller-Gerking, J., y Pfurtscheller, G. (2000). Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Transactions on Rehabilitation Engineering, 8(4), 441–446. https://doi.org/10.1109/86.895946
Schirrmeister, R. T., Springenberg, J. T., Fiederer, L. D. J., Glasstetter, M., Eggensperger, K., Tangermann, M., Hutter, F., Burgard, W., y Ball, T. (2017). Deep learning with convolutional neural networks for EEG decoding and visualization. Human Brain Mapping, 38(11), 5391–5420. https://doi.org/10.1002/hbm.23730
Shenoy, P., Krauledat, M., Blankertz, B., Rao, R. P. N., y Müller, K.-R. (2006). Towards adaptive classification for BCI. Journal of Neural Engineering, 3(1), R13–R23. https://doi.org/10.1088/1741-2560/3/1/R02
Shinners, P., y Pygame Community. (2011). Pygame (versión 2.x) [Software]. Recuperado de https://www.pygame.org
Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., y Vaughan, T. M. (2002). Brain-computer interfaces for communication and control. Clinical Neurophysiology, 113(6), 767–791. https://doi.org/10.1016/S1388-2457(02)00057-3
Xiong, H., Wang, M., y Xiao, M. (2024). Wasserstein generative adversarial network with gradient penalty and convolutional neural network based motor imagery EEG classification. Journal of Neural Engineering, 21, 016032. https://doi.org/10.1088/1741-2552/ad6cf5
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Cristina Herrero Martínez, Álvaro Fernández Guirao, Enrique Navarro Camba, José Vicente Riera López
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
