Índice de sesiones cientÍficas
TRANSCRIPT
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
SD04 M 98% Lesión médula espinal
SD05 F 78% Ataxia de Friedreich
SD06 M 76% Parálisis cerebral
SD07 M 99% Parálisis cerebral
SD08 M 90% Ataxia de Friedreich
SD09 M 69% Parálisis cerebral
SD10 M 87% Parálisis cerebral
SD11 M 86% Distrofia miotónica
SD12 M 90% Síndrome polimalformativo
SD13 F 94% Ataxia de Friedreich
SD14 F 88% Ataxia de Friedreich
SD15 M 98% Lesión médula espinal
SD16 M 80% Lesión médula espinal
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
XXXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Ciudad Real, 21 – 23 nov, 2018
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
XXXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Ciudad Real, 21 – 23 nov, 2018
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
XXXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Ciudad Real, 21 – 23 nov, 2018