Estudio de técnicas de análisis y tratamiento de información en P300: Aproximaciones hacia la clasificación adaptativa

Las interfaces cerebro máquina (Brain Computer Interface, BCI) constituyen un acceso alternativo a las tecnologías de la información, mediante el registro y clasificación de señales procedente de la actividad cerebral. Las tecnologías de la información, abarcan cualquier sistema, servicio, o dispositivo informático. Como cualquier otra Interfaz de Usuario, los sistemas BCI representan un intermediario entre el software principal y el usuario. En este caso, este tipo de interfaz no proporciona un entorno amigable para el usuario de cara al acceso de la funcionalidad final. En su lugar, este intenta superar discapacidades físicas inherentes a la persona, aunque también es posible usarlo con otros fines, como científicos o meramente lúdicos. Controlar un sistema de control remoto con el uso simple de la voluntad, o comunicarse solo prestando atención a una matriz de deletreo, son posibles gracias al uso de sistemas BCI. No obstante, clasificar un proceso oculto en la actividad cerebral necesita de la aplicación de un complejo sistema de entrenamiento y tratamiento de la señal registrada. Las diferencias entre dos personas (conocido como diferencias intrasujeto), o entre una misma persona en el tiempo (intersujeto), hacen de este problema relativamente imposible de generalizar, y por tanto, muy difícil de clasificar. Y más teniendo en cuenta que las soluciones de aprendizaje automático, suelen estar enfocadas entorno a un entrenamiento inicial. Una de las soluciones para abordar este problema es el desarrollo de sistemas adaptativos, enfocados en reorientar sus parámetros de clasificación en función de la evolución de la fuente de datos. En los sistemas BCIs más comunes, se hace uso de la técnica de adquisición de datos por electroencefalograma. Esta señal, manifiesta una gran cantidad de ruido por naturaleza y, más importante, no conserva un comportamiento estacionario. No obstante, es plausible presuponer que a periodos de tiempo pequeños, existe un comportamiento suficientemente estacionario para su estudio. En este proyecto, se han revisado un conjunto de técnicas usuales en el contexto de las BCIs con el objetivo de desarrollar una primera aproximación de sistema de clasificación con esta connotación de adaptabilidad. El paradigma de BCI escogido fue el oddball, sobre la señal de control P300. Partiendo de la hipótesis de la existencia de una estacionaridad local, se desarrolló un conjunto de sistemas para capturar la estructura fundamental. Comprendiendo esta las características instantáneas de la señal, conjunto con su evolución. En primera instancia, se implementó un sistema para medir la similaridad de la información, haciendo uso de métodos basados en la similaridad entre eventos en el tiempo. Del mismo modo, se trató de encontrar la configuración idónea de datos para maximizar la diferencia entre clases de eventos. Los métodos aplicados fueron: Correlación, Synchronization Likelihood y Normalized Compression Distance. Para poder medir las diferencias entre clases de eventos, se hizo del método de Minimum Quartet Tree Cost para su representación, y el coeficiente de Silhouette para el cálculo de distancia. Para terminar, se desarrolló un clasificador sencillo sobre un conjunto de datos simple para poder verificar la capacidad de los resultados obtenidos. La capacidad del clasificador se desarrolló para mantener unos mínimos de funcionamiento, pero dejando un margen de mejora. Paralelamente, se obtuvo una puntuación para cada electrodo mediante el sistema ya explicado, y con ella se limitó la cantidad de datos del clasificador. Primero para aquellas veinte fuentes mejores, seguido de las veinte peores, según la puntuación obtenida. Los resultados de esta modificación, mejoraron la calidad de la clasificación y, por extensión, la adaptación de los métodos aplicados.The Brain Computer Interfaces (BCI) are an alternative way to access to the information technologies, with the recording and classification of brainwave signals. Information technologies, includes any system, service, or IT device. Like any other User Interface, a BCI system represents an intermediary between the front-end sftware system and the user. In this case, this type of interface does not provide a user-friendly access to the final functionality environment. Instead, it tries to overcome physical disabilities inherent to the person, but it is also usefull for other purposes such as scientific or merely playful. Control a remote control system with the simple use of the will, or communicate only paying attention to an speller matrix are possible through the use of BCI systems. However, brain activity hidden process classification requires the application of a complex training system and processing the recorded signal. The differences between two people (known as intra-subject differences), or from the same person over time (intersubject), make relatively impossible to generalize the problem, and therefore very difficult to classify. And even more due to machine learning systems usually only uses an initial training data set. One viable solution is the development of adaptive systems, focused on orientate its classification parameters depending on the evolution of the data source. Usually the data is recorded using the electroencefalographic (EEG) data acquisition technic. This signal shows a lot of noise and retains an none stationary behavior. However, it is plausible to assume that in small periods of time, there is a sufficiently stationary behavior for study. In this project, a set of common BCI application techniques were reviewed, in order to develop an approximation of an adaptability classification system. The oddball paradigm was chosen to study the P300 characteristics. Assuming the existance a locally stationarity, a set of systems was developed to capture the principal structure. Understanding the structure like the instantaneous signal characteristics and evolution. In the first place, a system was implemented to measure the similarity of information. This system used similirity-based-on methods between events at different times. Similarly, right configuration data was tried to find to maximize the difference between classes of events. The methods used were: Correlation, Synchronization Likelihood and Normalized Compression Distance. In order to measure the differences between classes of events, the Minimum Cost Tree Quartet method was used for representation, and Silhouette coefficient distance measure. Finally, a simple classifier was developed to verify the capability of the results obtained. The classifier was developed to acomplish a minimun clasification rates, but leaving room for improvement. In parallel, a score for each electrode was obtained across the Silhouette coeficient. And then, the amount of data given to the clasifier was limited to the top twenty electrodes, followed by the last twenty. The results of this modification, improved the quality of the classification and, by extension, the adaptation of the methods applied