No abstract

Non-invasive brain-computer interfaces can be implemented through different paradigms, the most used one being motor imagery and evoked potentials, although recently there has been an interest in paradigms based on perception and visual imagery. Following this approach, this work demonstrates the classification of visual imagery, visual perception and also the possibility of knowledge transfer between these two domains from EEG signals using convolutional neural networks. Also, we propose an adequate framework for such classification, which uses convolutional neural networks and the black hole heuristic algorithm for the search for optimal neural network structures.

No abstract

No abstract

Las interfaces cerebro-máquina (Brain-Computer Intarface, BCI, en inglés) son una tecnología que permite la comunicación directa entre el cerebro y el mundo exterior sin necesidad de utilizar el sistema nervioso periferico. La mayoría de sistemas BCI se centran en la utilización de la imaginación motora, los potenciales evocados o los ritmos corticales lentos. En este trabajo se ha estudiado la posibilidad de utilizar la imaginación visual para construir un discriminador binario (brain-switch, en inglés). Concretamente, a partir del registro de señales EEG de siete personas mientras imaginaban siete figuras geométricas, se ha desarrollado un BCI basado en redes neuronales convolucionales y en la densidad de potencia espectral en la banda α (8-12 Hz), que ha conseguido distinguir entre la imaginación de una figura geométrica cualquiera y el relax, con un acierto promedio del 91 %, con un valor Kappa de Cohen de 0.77 y un porcentaje de falsos positivos del 9 %.