Interfaz Cerebro Computador Basado en Señales EEG para el Control de Movimiento de una Prótesis de Mano Usando ANFIS

A large number of people in the world who have amputated limbs that are usually replaced by mechanical prostheses. Moreover, electromechanical prostheses have been gaining strength and are supported by different types of interfaces as brain interfaces computer that improve the functionality of these, despite show representative results for the control of prostheses, it is still an open field research that seeks to improve its effectiveness and efficiency. In this paper, we present a methodology for classification of electroencephalographic signals (EEG) to control movement of a prosthetic hand, based on the adaptive neurofuzzy inference system (ANFIS) applied to features derived from the wavelet transform is presented ( TW ) and the rough fuzzy sets (FRS ) to EEG signals obtained in 10-10 system. Thus the performance of the proposed system was measured using cross-validation with 30 repetitions 70-30 obtaining high performance in terms of accuracy, which means that this model has potential as a classifier for the detection of EEG changes for the command generation for the control of hand movement.Actualmente, existe un gran número de personas en el mundo que presentan amputación de miembros que son reemplazados usualmente por prótesis mecánicas. Por otro lado las prótesis electrómecanicas han venido tomando fuerza y son apoyadas por diferentes tipos de interfaces como las interfaces cerebro computador que han permitido mejorar la funcionalidad de estas, y a pesar de mostrar resultados representativos para el control de prótesis, aun es un campo abierto de investigación que busca mejorar su eficacia y eficiencia. En este estudio, se presenta una metodología de clasificación de señales electroencefalográficas (EEG) para el control del movimiento de una prótesis de mano, basada en el sistema de inferencia neuro-difuso adaptativo (ANFIS) aplicado a características obtenidas de la transformada wavelet (TW) y los conjuntos difusos rough (FRS) a señales EEG obtenidas en el sistema 10-10. De esta forma el rendimiento del sistema propuesto fue medido utilizando validación cruzada 70-30 con 30 repeticiones obteniendo un alto desempeño en términos de precisión, lo que significa que este modelo tiene potencial como clasificador en la detección de los cambios EEG para la generación de comandos para el control del movimiento de la man