Control Proporcional Multiresolución para un Robot de 2GDL a través de un Sistema BCI

Jesús García Blancas; Omar Arturo Domínguez; Luis Enrique  Ramos-Velasco

doi:10.29057/icbi.v7iEspecial.4395

Jesús García Blancas Instituto Tecnológico Superior del Oriente del Estado de Hidalgo
Omar Arturo Domínguez Universidad Autónoma del Estado de Hidalgo
Luis Enrique Ramos-Velasco Universidad Politécnica Metropolitana de Hidalgo

DOI: https://doi.org/10.29057/icbi.v7iEspecial.4395

Palabras clave: Control de posición, Sistemas de control médico, Control de robots, Frecuencia, Interfaces Cerebro-Computador (BCIs)

Resumen

Las complicaciones que presentan muchas personas con algún tipo de discapacidad motriz a la hora de hacer sus tareas cotidianas, ha despertado el interés de investigar los comandos cerebrales y entender las señales cerebrales generadas por una tarea definida, el objetivo es transformar estos comandos cerebrales en comandos de entrada a sistemas robóticos que ayuden a mejorar la calidad de vida de las personas de forma automática. Actualmente existe una gran cantidad de investigaciones que abordan el tema de los sistemas BCI, estos siguen presentando limitaciones a la hora de la implementación en tiempo real por la caracterización de las señales EEG y por el alto consumo computacional. El objetivo principal de este trabajo es mostrar la herramienta de multiresolución wavelet para el procesamiento de las señales cerebrales y, por otro lado, la implementación de un Control Multiresolución Proporcional que facilita cerrar el lazo del sistema BCI en tiempo real, y así mejorar los resultados actuales.

Descargas

La descarga de datos todavía no está disponible.

Citas

Chambers, S. S. (2007). EEG SIGNAL PROCESSING. England: John Wiley & Sons Ltd.

CHAN, J. C. (2011). Fundamentals of Wavelets Theory, Algorithms,and Applications. New Jersey: John Wiley & Sons.

Eltaf Abdalsalam Mohamed, M. Z. (2014). Enhancing EEG Signals in Brain Computer Interface Using Wavelet Transform. International Journal of Information and Electronics Engineering, 234-238.

Friesen, G. (1990). A comparison of the noise sensitivity of nine QRS detection algorithms. IEEE Transactions on Biomedical Engineering, 85-98.

Fundamentals of Wavelets Theory, Algorithms, and Applications. (2011). New Jersey: John Wiley & Sons.

Jang, W. A., Lee, S. M., & Lee, D. H. (2014). Development BCI for individuals with severely disability using EMOTIV EEG headset and robot. Development BCI for individuals with severely disability using EMOTIV EEG headset and robot, 1-3.

José Alberto Cruz Tolentino, A. J. (2012). Wavelet PID and Wavenet PID:Theory and Applications. En M. Vagia, PID Controller Design Approaches - Theory, Tuning and Application to Frontier Areas (págs. 3-28). Europe: IntechOpen.

Krzysztof Kotowskia, K. S. (2018). Validation of Emotiv EPOC+ for extracting ERP correlates of emotional face processing. Biocybernetics and Biomedical Engineering, 773-781.

M. Spezialetti, L. C. (2018). Towards EEG-based BCI driven by emotions for addressing BCI-Illiteracy: a meta-analytic review. Behaviour & Information Technology , 855-871.

Nurseitov, D., Serekov, A., Shintemirov, A., & Abibullaev, B. (2017). Design and evaluation of a P300-ERP based BCI system for real-time control of a mobile robot. 5th International Winter Conference on Brain-Computer Interface (BCI), 115-120.

Thompsona, M. R. (2017). Enhancing P300-BCI performance using latency estimation. Brain-Computer Interfaces , 137-145.