Beruflich Dokumente
Kultur Dokumente
Diciembre 2014
Diciembre 2014
1 / 31
Objetivos
Antecedentes
Planteamiento del problema
Solucion propuesta
Resultados Parciales
Cronograma del plan de trabajo
Diciembre 2014
2 / 31
Antecedentes
Biosenales
Electroencefalograma
I
I
I
I
Neuronas
Cortex Cerebral
Formas de onda
Potenciales Evocados
Diciembre 2014
3 / 31
Biosenales
Diciembre 2014
4 / 31
Potenciales de accion
Diciembre 2014
5 / 31
Electroencefalograma
Diagnostico
Monitoreo
Investigacion
BCI
Diciembre 2014
6 / 31
Neuronas
Motoras
Musculares
Interneuronas
EStructura
I
I
I
Soma
Dendritas
Axon
Diciembre 2014
7 / 31
Cortex cerebral
Parte mas importante del SNC, donde se
llevan acabo todas las funciones vitales.
Parte exterior del cerebro, 2-3 mm de
grosor, 2.5m2
10 billones de neuronas
Su estructura esta definida como dos
hemisferios simetricos dividos a su vez en
lobulos:
frontal
temporal
parietal
occipital
Ramrez Mata Raymundo (CINVESTAV Bioelectronica)
Diciembre 2014
8 / 31
Formas de onda
Diciembre 2014
9 / 31
Formas de onda
Diciembre 2014
10 / 31
Potenciales evocados
Diciembre 2014
11 / 31
AEP Bajo
I
I
I
AEP Medio
I
I
I
Diciembre 2014
12 / 31
P75
P100
P300
Diciembre 2014
13 / 31
Sistema de adquisicion
Diciembre 2014
14 / 31
Diciembre 2014
15 / 31
Artefactos
Pueden ser el resultado directo o indirecto del proceso para la extraccion de la senal.
Basados en su origen, pueden ser:
Movimiento Ocular
Actividad Muscular
ECG
Instrumentacion
Diciembre 2014
16 / 31
Artefactos
Fig.: (a)actividad electrica del movimiento ocular (b) parpadeo continuo y voluntario
Diciembre 2014
17 / 31
Artefactos
Diciembre 2014
18 / 31
Diciembre 2014
19 / 31
Metodo Wavelet
Diciembre 2014
20 / 31
Filtros Adaptativos
Hay una senal primaria d(n) y una senal secundaria x(n). El filtro lineal H(z)
produce una salida y(n), la cual es sustrada de d(n) genera como resultado un
error e(n).
Diciembre 2014
21 / 31
Diciembre 2014
22 / 31
Filtros Adaptativos
Filtros LMS
Least-Mean-Squares
Filtros RLS
Estocastica
Recursive-Least-Squares
Deterministica
Menor procesamiento
Diciembre 2014
23 / 31
Dado el traslape de bandas de frecuencia de las interferencias con las senal deseada
y la amplitud de las mismas, no es posible hacer uso de un filtrado convencional.
Diciembre 2014
24 / 31
Solucion propuesta
Diciembre 2014
25 / 31
Resultados parciales
Datos crudos de EEG con sistema para captura de las mismas:
Diciembre 2014
26 / 31
Resultados parciales
Ejemplo Filtro adaptativo LMS
Diciembre 2014
27 / 31
Resultados parciales
Ejemplo filtro adaptativo RLS de Matlab:
Diciembre 2014
28 / 31
Plan de trabajo
Mes:
Preproyecto
Revision bibliografica
9 10 11 12
80% complete
75% complete
60% complete
80% complete
10% complete
10% complete
Comparacion y validacion
Escritura de Tesis
0% complete
20% complete
Diciembre 2014
29 / 31
Referencias
[1] S. L and Laguna, Bioelectrical Signal Processing in Cardiac and Neurological
Applications. London: Elsevier Academic Press, 2005.
[2] L. Yu and T. Meng, The Recognition of Visual Evoked Potential Based on Wavelet
Transformation and BP Neural Network, 2009 Second International Conference on
Intelligent Computation Technology and Automation, no. 1, pp. 117120, 2009.
[3] American Clinical Neurophysiology Society, Guideline 9B: Guidelines on Visual
Evoked Potentials,2008.
[4] R. Quian Quiroga, Evoked potentials, Encyclopedia of Medical devices and
implementation, pp. 233246, 1993.
[5] L. Yu, EEG De-Noising Based on Wavelet Transformation, 2009 3rd International
Conference on Bioinformatics and Biomedical Engineering, pp. 14, June 2009.
[6] A. G. Correa, E. Laciar, H. D. Patino, and M. E. Valentinuzzi, Artifact removal from
EEG signals using adaptive filters in cascade, Journal of Physics: Conference Series,
vol. 90, p. 012081, Nov. 2007.
Ramrez Mata Raymundo (CINVESTAV Bioelectronica)
Diciembre 2014
30 / 31
Diciembre 2014
31 / 31