Índice de sesiones cientÍficas

ÍNDICE DE SESIONES CIENTÍFICAS

Miércoles, 21 de noviembre

Sesión: Imagen Biomédica I

On the Construction of Non Linear Adjoint Operators: Application to L1-Penalty DynamicImage Reconstruction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Reproducibilidad y respuesta durante estrés pasivo de la técnica Arterial Spin Labeling en elmiocardio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Implications of magnetic resonance resolution in the generation of 3D patient-specific modelsafter myocardial infarction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Método para la corrección de radiación dispersa a través de un beam-stopper en radiografía plana 15

Sesión: Imagen Biomédica II

Segmentación de imágenes de Resonancia Magnética de la médula espinal cervical en pacientesde Esclerosis Múltiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Clasificación de superpíxeles para la detección automática de lesiones rojizas en imágenes defondo de ojo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

Evaluación automática de la calidad en retinografías mediante clasificación de característicasglobales de imágenes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Desarrollo de una Herramienta para la Detección Automática del Plano Valvular MitralMediante Algoritmos de Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Sesión: e-Salud/Bioinformática I

Extracción de datos mediante procesamiento de lenguaje natural en terapias de adicción a cocaína 39

Desarrollo de una herramienta para la identificación de pacientes crónicos complejos utilizandométodos estadísticos y algoritmos de aprendizaje automático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Análisis de correspondencias para el estudio de la sensibilidad antibiótica de gérmenes en la UCI 47

Modelo multicriterio para la optimización del mantenimiento en los sistemas de respiraciónasistida de neonatología. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Sesión: e-Salud/Bioinformática II

Promoción de la actividad física en personas mayores mediante las nuevas tecnologías: pruebade concepto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Interfaz Cerebro-Ordenador para el Control de las Funcionalidades de un Teléfono Móvil . . . . . . . 61

Virtual visit through augmented reality applications for people with blindness . . . . . . . . . . . . . . . . . . . . 65

Sesión: Sesión Póster I

Plataforma TIC RoboAGE para la promoción del envejecimiento activo a través de SeriousGames. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

Comparative evaluation of physical activity parameters based on wrist-wearable devices . . . . . . . . . 75

Andamios celulares con función gradiente fabricados mediante impresión 3D para implanteshueso-ligamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Sesión: Procesado de Señal I

On the Bipolar Electrograms Obtained from Electrocardiographic Imaging. . . . . . . . . . . . . . . . . . . . . . . . 85

Validación técnica y clínica de sensores inerciales para la valoración del rango articular de codoy muñeca. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

Diagnóstico del Ritmo Cardíaco durante la Resucitación Cardiopulmonar Administradamediante una banda de distribución de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

Relación entre la variabilidad del ritmo cardiaco y la fatiga en jugadores de baloncestoprofesionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

Sesión: Procesado de Señal II

Método sencillo y eficiente para la eliminación de la interferencia de red en el ECG usando latransformada Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Predicción de Recurrencias Tras Cardioversión Eléctrica de Fibrilación Auricular PersistenteMediante Índices No Lineales Aplicados al Electrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

Diferencias morfológicas en ECG de adultos que tuvieron Crecimiento Intrauterino Retardado . . 111

Combinación de Filtrado Notch y Transformada Wavelet para Mejorar la Reducción del Ruidode Red en Electrogramas de Fibrilación Auricular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Detección automática de calidad de electrogramas para la identificación de reentradas eléctricasdurante fibrilación auricular mediante mapa de fase 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

Sesión: Sistemas

Influencia de la corriente de estimulación en las diferencias entre simulacioneselectrofisiológicas de célula y tejido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Comparison study of boundary conditions in the computational simulation of an ureteralperistalsis bolus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Efecto del monóxido de carbono en la generación de rotores. Estudio de simulación. . . . . . . . . . . . . . 133

Estudio in-silico de la cardiotoxicidad inducida por fármacos en células ventriculares sanas ycon insuficiencia cardíaca. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Definición de un Flujo de Trabajo para el Desarrollo de Modelos ComputacionalesPersonalizados del Cerebro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

Metodología experimental y resultados preliminares en la estimación termográfica de la fatigaoperacional en operadores VTS (Vessel Traffic Service). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

Sesión: Biomecánica

Clinical application of the upper limb motion analysis during wheelchair propulsion. . . . . . . . . . . . . 151

Método de calibración anatómica para la alineación de unidades de medida inercial con los ejesanatómicos de la extremidad superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Sesión: Instrumentación

Dispositivo de Interacción y Monitorización basado en Unidad de Medición Inercial enentornos de Realidad Virtual para Rehabilitación de la Extremidad Superior . . . . . . . . . . . . . . . . . . . . . . 161

Estudio electromiográfico de la musculatura de suelo pélvico infiltrado con toxina botulínicapara el tratamiento del síndrome miofascial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Sesión: Educación

Desarrollo de un modelo de tumor multimodal para investigación y formación en cirugíapancreática laparoscópica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

Knowledge elicitation of pedagogical needs for TEL-based minimally invasive surgery learningof multiple skills . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

Sesión: Biomateriales

Peptide coated poly(ε-caprolactone) generates antifouling surfaces for medical devices . . . . . . . . . . 181

A comparative study of bioprinting extrusion nozzles geometries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

Jueves, 22 de noviembre

Sesión: Neuroingeniería

Aplicabilidad de Leap Motion Controller para el tratamiento de los déficits motores enpacientes tetrapléjicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191

Localización de fuentes cerebrales para la caracterización de la demencia debida a enfermedadde Alzheimer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

Interfaz tiflotécnica para explorar espacios interiores desde un único punto de observación . . . . . . 199

Design and implementation of a Virtual Reality platform for Upper Limb rehabilitation . . . . . . . . . . 203

Modelado computacional de bobinas para estimulación magnética transcraneal . . . . . . . . . . . . . . . . . . . 207

Sesión: Biofotónica

Methodology to improve optical hyperthermia technique application in biological samplesusing Silica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

Análisis de propiedades espectroscópicas de fluoróforos utilizados en el diagnóstico clínico . . . . . 217

Innovative multiphotonic endoscope to address technological challenges in currentcolonoscopy procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

Sesión: Sesión Póster II

Estudio de la evolución temporal de la resistencia antimicrobiana de gérmenes en la unidad decuidados intensivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

Análisis de biomarcadores qEEG para la detección de convulsiones en neuropatologías de tipoepiléptico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231

A new virtual reality based environment for surgical training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235

Sesión: Premio José Ma Ferrero

Estudio del efecto de la conducción de volumen en medidas de conectividad funcional derivadasde la coherencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

New approaches to cancer treatment: microwire-based magnetic hyperthermia . . . . . . . . . . . . . . . . . . . . 245

Caracterización de la apnea del sueño infantil mediante nuevas bandas espectrales del EEG . . . . . 249

Estudio de nuevos hidrogeles basados en mezclas de poli (vinil alcohol) (PVA) y quitosano(CS) reforzados con partículas inorgánicas de vidrio bioactivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

Diseño y desarrollo de un sistema para la detección automática de sangre en imágenes decápsula endoscópica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

Diseño y estudio de un escáner PET con cobertura 4Π . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261

Sesión: Sesión GIB

Understanding human response to tactile stimuli: A machine learning approach . . . . . . . . . . . . . . . . . . 267

Aging effects on resting state networks after an emotional memory task . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

Tissue Engineering for modeling Epidermolysis Bullosa Squamous Cell Carcinomas . . . . . . . . . . . . 275

PDMS Microfluidic Chip for Multiplexed Testing of Antibiotics against Tuberculosis . . . . . . . . . . . . 279

Gait analysis of knee osteoarthritis patients using DyCare Lynx . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283

Electron Energy Loss Spectroscopy (EELS) assessment of iron oxidation states of nanoparticleclusters of amyloid cores of Alzheimer´s Disease . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287

Clasificación automática de planos ecográficos en ecografías prenatales . . . . . . . . . . . . . . . . . . . . . . . . . . . 291

Caracterización del Electroencefalograma mediante Entropía Multiescala para la Detección dela Somnolencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295

In silico optimization of left atrial appendage occluder implantation using interactive andmodelling tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299

Information Processing Organization of a Biological Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303

Desarrollo de una herramienta para la detección automática del plano valvular mitral mediantealgoritmos de deep learning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307

Virtual reality applied to CROM measurement and rehabilitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

Design of a low-cost wireless hand rehabilitation device for stroke patients . . . . . . . . . . . . . . . . . . . . . . . 315

Diseño y desarrollo de un modelo cardíaco 3d para la pedagogía en dispositivos cardiacosimplantables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319

Characterization of graphene oxide doped with metal nanoparticles and its intrisic antimicrobialproperties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323

Caracterización histológica de la piel dorsal de ratones Wild type y transgénicos Sox2/GFPjóvenes y viejos en estado basal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Diseño, fabricación y validación de plataformas microfluidicas de difusión con membranaspoliméricas integradas para el testeo de tratamientos basados en nanovehículos . . . . . . . . . . . . . . . . . . . 331

Sistema de predicción del éxito de la inducción farmacológica basado en electrohisterografía . . . 335

Desarrollo de un modelo para ajustar los cambios observados en la mutación R420Q del canalRyR2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339

Sesión: Imagen Biomédica III

Desarrollo de un sistema automático para la segmentación de estructuras glandulares enimágenes histológicas de próstata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

Aplicación de técnicas de aprendizaje profundo (deep learning) a clasificación de imágeneshistológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349

Experiments in Digital Pathology for Nuclei Detection with a Semantic Segmentation DeepLearning-based approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353

Comparación de estrategias de machine learning clásico y de deep learning para la clasificaciónautomática de estructuras glandulares en imágenes histológicas de próstata . . . . . . . . . . . . . . . . . . . . . . . 357

Sclerotic Glomerulus detection in kidney Whole Slide Images based on Convolutional NeuralNetworks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361

Viernes, 23 de noviembre

Sesión: Procesado de Señal III

Evaluación de la actividad cardíaca mediante la señal seismocardiográfica registrada medianteun dispositivo inalámbrico portable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

Optimización del algoritmo de clasificación supervisada KNN como herramienta de soportepara la implantación de estimuladores cerebrales profundos en pacientes con Parkinson . . . . . . . . . . 371

Arquitecturas de aprendizaje profundo para la detección de pulso en la parada cardiacaextrahospitalaria utilizando el ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

Estudio de la Fibrilación Auricular en pacientes con Miocardiopatía Hipertrófica mediantetécnicas de Análisis Multivariante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379

Interfaz Cerebro–Ordenador para el Control de las

Funcionalidades de un Teléfono Móvil

V. Martínez-Cagigal, E. Santamaría-Vázquez, R. Hornero

Grupo de Ingeniería Biomédica, E.T.S.I. Telecomunicación, Universidad de Valladolid, Paseo de Belén 15, 47011,

Valladolid, España, e-mails: [email protected], [email protected], [email protected].

Resumen

En este estudio se presenta una Interfaz Cerebro–Computadora

que permite controlar las principales funcionalidades de un

teléfono móvil de última generación mediante las ondas

cerebrales del usuario. El sistema utiliza los potenciales

evocados P300, generados a través de un paradigma “odd-ball”

visual, para determinar las intenciones del usuario en cada

momento. Estas intenciones, convertidas en comandos de la

aplicación, se envían por Bluetooth al dispositivo final. La

aplicación permite el control del navegador web, Telegram,

Twitter, cámara, galería, contactos, llamadas, SMS, alarmas,

temporizador y cronómetro. El sistema ha sido evaluado en dos

partes: (1) funcionalidades relacionadas con las redes sociales

(i.e., Telegram y Twitter) con 10 sujetos de control (92.3%) y 18

sujetos con graves discapacidades motoras (80.6%); y (2) el resto

de funcionalidades con 5 sujetos de control (94.2%). Los

resultados sugieren que el sistema es adecuado para su uso por

parte de personas con grave discapacidad, reduciendo la brecha

digital y aumentando la accesibilidad en este tipo de dispositivos.

1. Introducción

Las Interfaces Cerebro–Ordenador (BCI, Brain–Computer

Interface) permiten el control de aplicaciones o

dispositivos externos utilizando únicamente las ondas

cerebrales del usuario [1]. Generalmente, el objetivo que

motiva su diseño y desarrollo es mejorar la calidad de vida

de las personas que sufren graves discapacidades motoras,

producidas a raíz de: (i) enfermedades neurodegenerativas,

(ii) anomalías congénitas, o (iii) traumatismos, entre otras

causas [1]. Para ello, se monitoriza la actividad cerebral a

través del electroencefalograma (EEG), dada su naturaleza

no invasiva, facilidad de uso, bajo coste y portabilidad [1].

Con el fin de identificar las intenciones del usuario en

tiempo real, la interfaz puede usar distintas señales de

control [2]. Concretamente, las señales exógenas, como los

potenciales evocados P300, suelen emplearse para asegurar

la eficacia del sistema con cualquier usuario

independientemente de la discapacidad motora que

presente [2].

El rápido desarrollo de la telefonía móvil en las últimas

décadas ha causado un gran impacto en la vida cotidiana

que, a su vez, se ha visto aumentado con la aparición de

Internet. De hecho, se estima que existen 4.9 mil millones

de usuarios móviles en todo el mundo, alcanzando una

penetración de mercado del 66% [3]. Sus funcionalidades

cubren desde gestionar finanzas hasta leer noticias,

pasando por la visualización de vídeos e imágenes,

comprar, jugar o consultar información [3]. Sin embargo,

la accesibilidad de estos dispositivos sigue limitada para

las personas que sufren graves discapacidades motoras que

les impiden usar de manera precisa sus manos y sus dedos.

A pesar del vertiginoso desarrollo de estos dispositivos,

existen pocos estudios en la literatura científica que hayan

intentado controlar alguna de sus funcionalidades mediante

un sistema BCI. Estos estudios están limitados a marcar

números en teléfonos móviles [4], [5], aceptar llamadas

entrantes [6], o llamar a ciertos contactos [4], [7].

Posiblemente, el trabajo más relacionado con el presente

estudio es el desarrollado por los investigadores Elsawy y

Eldawlatly [8], que permite a los usuarios abrir

aplicaciones pre-instaladas y visualizar la galería de

imágenes. No obstante, hasta donde tenemos

conocimiento, ninguno de estos estudios se ha centrado en

proveer un control en alto nivel de los teléfonos móviles

realmente práctico. Además, dado que ninguno de ellos se

ha evaluado con una población de usuarios con

discapacidad, su efectividad no ha sido probada en un

entorno real.

El objetivo de este estudio es doble: (1) diseñar, desarrollar

y evaluar un sistema BCI que permita controlar las

principales funcionalidades de un teléfono móvil; y (2)

verificarlo con una población de usuarios con graves

discapacidades motoras para evaluar la utilidad del sistema

a la hora de satisfacer sus necesidades cotidianas.

2. Sujetos

Debido a la complejidad del proyecto, este estudio, que aún

se encuentra en fase de pruebas, se ha realizado en dos

etapas y se han evaluado las distintas funcionalidades con

dos poblaciones distintas:

Funcionalidades de socialización (Twitter y

Telegram): 18 sujetos con graves discapacidades

motoras (SD, 47.63 ± 9.53 años) y 10 sujetos de

control (SC, 26.10 ± 3.45 años). La Tabla 1 resume las

características demográficas y clínicas de los SD.

Resto de funcionalidades: 5 SC (26.2 ± 3.27 años). En

un futuro próximo se planea su evaluación con sujetos

con grave discapacidad.

3. Métodos

La estructura del sistema BCI desarrollado, ilustrada en la

Figura 1, se compone de 3 entidades principales: (1)

usuario, donde se adquiere la señal; (2) ordenador, que

recibe la señal por cable, la procesa, genera los estímulos

61

XXXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Ciudad Real, 21 – 23 nov, 2018

ISBN: 978-84-09-06253-9, pags. 61- 64

visuales y determina la intención del usuario en cada

momento; y (3) el dispositivo móvil, que recibe los

comandos de manera inalámbrica mediante tecnología

Bluetooth, los interpreta y provee realimentación al

usuario.

3.1. Adquisición de la señal

La señal EEG de los usuarios se ha registrado a través de 8

electrodos activos, colocados en Fz, Cz, Pz, P3, P4, PO7,

PO8 y Oz. El sistema se ha referenciado al lóbulo de la

oreja derecha, utilizando FPz como tierra. Los electrodos

se han conectado a un amplificador g.USBamp (g.Tec,

Austria), con una frecuencia de muestreo de 256 Hz. Como

pre-procesado, se han aplicado filtros paso-banda

(0.1–60 Hz), notch (50 Hz), y de referencia de media

común. La plataforma BCI2000 se ha empleado para

registrar la señal y para procesar los estímulos visuales [9].

3.2. Procesado de la señal

El procesado de señal se realiza en un ordenador portátil

que se sitúa en frente del usuario y que, a su vez, monitoriza

la señal EEG. El sistema usa un paradigma “odd-ball” para

identificar las intenciones del usuario en tiempo real [2],

[10]. Para ello, se muestra una matriz con los distintos

comandos de control. El usuario únicamente debe fijar la

vista en el comando que desee seleccionar, mientras las

filas y las columnas de la matriz se iluminan de forma

aleatoria. De esta manera, cuando se ilumine la fila o la

columna que contienen dicho comando, se producirá un

potencial evocado P300 en el córtex del usuario [10]. Estos

potenciales se corresponden con deflexiones de voltaje

producidas unos 300 ms después de que el usuario haya

percibido un estímulo que, en este caso, es visual [2]. El

comando que desea seleccionar se predice determinando en

qué fila y columna se han producido tales potenciales.

No obstante, la baja relación señal-a-ruido de los

potenciales revela fundamental emplear un procesado de

señal adecuado para poder detectarlos [11]. En este caso,

se ha aplicado: (i) un sub-muestreo a 20 Hz como método

de extracción de características; (ii) una selección paso-a-

paso (máx. 60, pin = 0.10, pout = 0.15) como método de

selección; y (iii) un análisis discriminante lineal (LDA,

Linear Discriminant Analysis) como método de

clasificación [11].

Asimismo, las matrices del paradigma “odd-ball” son

esencialmente procesos síncronos. Es decir, el sistema

detectará una selección por parte del usuario, aunque éste

no esté presentando atención a los estímulos visuales. La

sincronía, en este caso, limita enormemente la autonomía

de la aplicación, creando la necesidad de contar con un

supervisor externo o implementar un comando que permita

pausar el sistema cuando el usuario desee visualizar la

pantalla del móvil sin realizar ninguna selección. Nuestro

sistema cuenta con un control asíncrono que monitoriza la

atención del usuario [12]: (i) las señales EEG del usuario

prestando atención (i.e., control state) e ignorando (i.e.,

non-control state) los estímulos se recogen en una sesión

de calibración, (ii) las señales se procesan normalmente,

(iii) los scores de cada selección ps devueltos por LDA se

introducen en una curva ROC (Receiver Operating

Characteristic), y (iv) se calcula el umbral óptimo T

maximizando el par sensibilidad–especificidad. En las

sesiones de evaluación, se compara la probabilidad final de

cada selección con el umbral: si ps > T, la selección se envía

al dispositivo móvil vía Bluetooth; si ps ≤ T, la selección se

rechaza y el sistema recomienda al usuario realizarla de

nuevo [12].

3.3. Aplicación final

La aplicación final se ejecuta sobre el dispositivo móvil

Android, que recibe los comandos seleccionados por el

usuario en tiempo real y actúa en consecuencia, ofreciendo

realimentación visual. Debido al gran número de

comandos necesarios para controlar todas las

funcionalidades de la aplicación, se utilizan varias matrices

“odd-ball” que se intercalan a voluntad del usuario. Las

funcionalidades que incluye la aplicación son:

Navegador web. Provee un control total de Google

Chrome mediante etiquetado de hipervínculos [12].

Llamadas. Permite al usuario llamar a cualquier

número de teléfono.

Usuario Sexo GD Enfermedad

SD01 F 90% Derrame cerebral

SD02 M 80% Lesión médula espinal

SD03 F 93% Ataxia de Friedreich



SD06 M 76% Parálisis cerebral


SD08 M 90% Ataxia de Friedreich



SD11 M 86% Distrofia miotónica

SD12 M 90% Síndrome polimalformativo





SD17 F 89% Parálisis cerebral

SD18 F 84% Lesión médula espinal

Tabla 1. Características demográficas y clínicas de los

usuarios con grave discapacidad motora. GD: Grado

de Discapacidad, F: Femenino, M: Masculino.

Figura 1. Estructura general del sistema BCI desarrollado.

62


Mensajes SMS. Provee una interfaz que permite leer

la bandeja de entrada, de salida y enviar nuevos SMS.

Cámara. Permite al usuario hacer fotos y grabar vídeos

tanto con la cámara frontal como con la trasera.

Galería. Provee un control sobre la galería de

imágenes del teléfono, permitiendo visualizarlas,

eliminarlas o rotarlas.

Alarmas, temporizador y cronómetro. Permite al

usuario (i) crear, modificar y eliminar alarmas, (ii)

establecer un temporizador, e (iii) iniciar, resetear o

crear marcas de tiempo con un cronómetro.

Contactos. Provee un control total sobre la lista de

contactos del teléfono, permitiendo añadir, editar y

eliminar contactos, así como realizar acciones con

ellos, tales como llamar, enviar un SMS o iniciar un

chat de Telegram.

Twitter. Permite controlar todas las funcionalidades de

la red social, incluyendo la posibilidad de interactuar

con (1) tweets, escribir, responder, “retweetear”,

marcar como favorito; y (2) cuentas de usuario,

navegación entre perfiles y mensajes directos.

Telegram. Provee control sobre la aplicación de

mensajería instantánea, incluyendo la posibilidad de

interactuar con chats individuales, grupos y canales

mediante mensajes en tiempo real, o crear nuevos

chats con cualquier contacto del teléfono.

3.4. Procedimiento de evaluación

Tal y como se ha mencionado, las funcionalidades de

socialización (i.e., Twitter y Telegram), que ocupan más

del 56% del tiempo dedicado en los móviles por los

usuarios actualmente [13], se han evaluado con 18 SD y 10

SC. El resto de funcionalidades se han evaluado con 5 SC,

y en un futuro se evaluará con SD. Para los dos estudios se

han realizado 2 sesiones iniciales de calibración, orientadas

a entrenar el clasificador, el umbral y hallar el número

óptimo de secuencias para cada usuario; y 1 sesión de

evaluación, compuesta por una serie de tareas que tenía que

realizar cada usuario. En dichas tareas se evaluaban

distintas funcionalidades de la aplicación, y el número de

selecciones necesarias para finalizarlas aumentaba

progresivamente, con el objetivo de incrementar la

dificultad. Cabe destacar que se recogieron métricas tanto

cuantitativas (i.e., precisión, tiempo, caracteres por

minuto) como cualitativas (i.e., cuestionarios de

satisfacción, sugerencias de mejora). En la Figura 3 se

puede observar la disposición del equipo en la evaluación,

así como capturas de pantalla de las distintas

funcionalidades implementadas en el sistema BCI.

4. Resultados

Cuatro de los SD (i.e., SD01, SD07, SD11 y SD13)

obtuvieron precisiones inferiores al 70% en la precisión del

entrenamiento del clasificador. Dado que 70% se considera

la precisión mínima aceptable en la literatura relacionada

con los sistemas BCI, fueron descartados de su evaluación

posterior [14]. En la Figura 4 se muestran las precisiones

medias de cada usuario, así como las puntuaciones

cualitativas de los mismos sobre el sistema BCI en ambas

evaluaciones.

5. Discusión y conclusiones

La baja precisión en entrenamiento de los cuatro usuarios

SD descartados se debe a una gran atenuación o una

latencia muy variable en sus potenciales P300. Dado que

otros usuarios que sufren las mismas patologías no

mostraron este comportamiento, probablemente esté

causado por problemas indirectos de visión o control de la

mirada. Concretamente, SD01 mostró poca capacidad de

atención sostenida; SD07 mostraba temblores

involuntarios; SD11 era incapaz de abrir apropiadamente

sus ojos; y SD13 reportó nistagmo, que causa movimientos

involuntarios de los ojos.

Como se esperaba, los resultados cuantitativos muestran

que los SC de ambos grupos obtuvieron precisiones medias

más altas (92.3% y 94.2%) que los SD (80.6%). De hecho,

esta diferencia en el rendimiento es significativa (test de

rangos con signo de Wilcoxon, SC1∪SC2 vs. SD, p–valor:

0.0195). Asimismo, el número de secuencias necesario

Figura 2. (Izquierda) Disposición del equipo en la evaluación del sistema BCI desarrollado: (a) sistema de registro de la señal EEG,

(b) pantalla que muestra las matrices “odd-ball”, (c) usuario, (d) trípode que sostiene el dispositivo móvil. (Derecha) Capturas

de pantalla de las distintas funcionalidades de la aplicación: (e) navegador web; (f) llamadas; (g) mensajes SMS; (h) cámara;

(i) galería; (j) alarma, temporizador y cronómetro; (k) contactos; (l–m) Twitter; (n) Telegram.

63


para los SC1 (7.7 ± 2.7) y SC2 (6.6 ± 1.8) en comparación

con los SD (10.9 ± 2.8) también es significativamente

menor (test de rangos con signo de Wilcoxon, SC1∪SC2 vs.

SD, p–valor: 0.0024). No obstante, la diferencia de

precisiones entre las distintas patologías no es significativa

(Kruskal-Wallis H test, p–valor: 0.6143). A menor número

de secuencias, mayor es la velocidad con la que se maneja

el sistema BCI, causando que los SC1 y SC2 tardasen

menos tiempo que los SD en terminar las tareas.

Los resultados cualitativos muestran que los participantes

estuvieron satisfechos con el sistema BCI desarrollado.

Todos ellos se mostraron dispuestos a participar en

estudios similares, e indicaron que la aplicación no les

producía fatiga. Asimismo, el aspecto mejor valorado, en

general, fue la interfaz de usuario, que consideraron

intuitiva y fácil de manejar. En contraposición, el aspecto

peor valorado fue la velocidad de la aplicación. Sin

embargo, la velocidad está relacionada directamente con el

rendimiento del clasificador. A pesar de que el sistema BCI

requiere que un supervisor coloque el gorro EEG a los

usuarios antes de controlar la aplicación, el procedimiento

es sencillo y de corta duración, pues se emplean electrodos

activos, favoreciendo su aplicación en un contexto real.

A raíz de estos resultados, se concluye que el sistema

desarrollado permite controlar satisfactoriamente las

principales funcionalidades de un teléfono móvil

inteligente mediante BCI. Asimismo, a diferencia de la

mayor parte de estudios BCI encontrados en la literatura,

la aplicación se ha evaluado con usuarios reales,

favoreciendo su viabilidad y utilidad en un contexto real.

Agradecimientos

Este estudio se ha financiado por el proyecto DPI2017-

84280-R del Ministerio de Economía y Competitividad y

FEDER, y el proyecto "Análisis y correlación entre el

genoma completo y la actividad cerebral para la ayuda en

el diagnóstico de la enfermedad de Alzheimer" (Interreg

VA Spain-Portugal POCTEP 2014–2020) de la Comisión

Europea y FEDER. V. Martínez-Cagigal cuenta con una

ayuda FPI–UVa de la Universidad de Valladolid.

Referencias

[1] J. R. Wolpaw et al., “Brain-computer interface

technology: a review of the first international meeting,”

IEEE Trans. Rehabil. Eng., vol. 8, no. 2, pp. 164–173,

2000.

[2] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G.

Pfurtscheller, and T. M. Vaughan, “Brain-computer

interfaces for communication and control,” Clin.

Neurophysiol., vol. 113, no. 6, pp. 767–91, 2002.

[3] S. Kemp, “Digital in 2017: global overview,” 2017.

[4] Y.-T. Wang, Y. Wang, and T.-P. Jung, “A cell-phone-

based brain-computer interface for communication in

daily life.,” J. Neural Eng., vol. 8, p. 025018, 2011.

[5] Y. M. Chi, Y. Te Wang, Y. Wang, C. Maier, T. P. Jung,

and G. Cauwenberghs, “Dry and noncontact EEG

sensors for mobile brain-computer interfaces,” IEEE

Trans. Neural Syst. Rehabil. Eng., vol. 20, no. 2, pp.

228–235, 2012.

[6] J. Katona, D. Peter, T. Ujbanyi, and A. Kovari, “Control

of incoming calls by a Windows Phone based Brain

Computer Interface,” 15th IEEE Int. Symp. Comput.

Intell. Informatics (CINTI 2014), pp. 121–125, 2014.

[7] A. Campbell et al., “NeuroPhone: brain-mobile phone

interface using a wireless EEG headset,” Proc. Second

ACM SIGCOMM Work. Networking, Syst. Appl. Mob.

handhelds - MobiHeld ’10, pp. 3–8, 2010.

[8] A. S. Elsawy and S. Eldawlatly, “P300-based

applications for interacting with smart mobile devices,”

in 7th Annual International IEEE EMBS Conference on

Neural Engineering, 2015, pp. 166–169.

[9] G. Schalk, D. J. McFarland, T. Hinterberger, N.

Birbaumer, and J. R. Wolpaw, “BCI2000: A general-

purpose brain-computer interface (BCI) system,” IEEE

Trans. Biomed. Eng., vol. 51, no. 6, pp. 1034–1043,

2004.

[10] L. A. Farwell and E. Donchin, “Talking off the top of

your head: toward a mental prosthesis utilizing event-

related brain potentials,” Electroencephalogr. Clin.

Neurophysiol., vol. 70, no. 6, pp. 510–523, 1988.

[11] D. J. Krusienski et al., “A comparison of classification

techniques for the P300 Speller.,” J. Neural Eng., vol. 3,

no. 4, pp. 299–305, 2006.

[12] V. Martínez-Cagigal, J. Gomez-Pilar, D. Álvarez, and R.

Hornero, “An asynchronous P300-based Brain-

Computer Interface web browser for severely disabled

people,” IEEE Trans. Neural Syst. Rehabil. Eng., vol.

25, no. 8, pp. 1332–1342, 2017.

[13] Ipsos MORI and Google, “Something for everyone: why

the growth of mobile apps is good news for brands,”

2017.

[14] A. Kübler, B. Kotchoubey, J. Kaiser, N. Birbaumer, and

J. R. Wolpaw, “Brain-computer communication:

Unlocking the locked in,” Psychol. Bull., vol. 127, no. 3,

pp. 358–375, 2001.

Figura 3. (Izquierda) Precisiones medias de cada usuario en las sesiones de evaluación. (Derecha) Valoraciones medias normalizadas

de los distintos aspectos evaluados cualitativamente para cada subgrupo de usuarios. SD: sujetos con discapacidad motora

(magenta), SC1 y SC2: sujetos de control en las distintas evaluaciones (cyan y amarillo).

64


Índice de sesiones cientÍficas

Documents