Examinando por Materia "Espectroscopia funcional"

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    PublicaciónAcceso abierto
    Interfaz cerebro computadora con señales de infrarrojo cercano
    (Universidad del Valle, 2026) Mora, Carlos José; Loaiza-Correa, Humberto
    Este trabajo de grado desarrolla y evalúa una interfaz cerebro–computadora (BCI) unimodal e individual por sujeto, basada en espectroscopia funcional de infrarrojo cercano (fNIRS) para discriminar imaginación motora de mano izquierda y mano derecha (LMI vs. RMI) usando el conjunto de datos abierto de la TU Berlin (28 sujetos). Se implementó en Python un pipeline reproducible por sujeto: verificación de canales y longitudes de onda, conversión de intensidades a concentraciones hemodinámicas mediante la Ley de Beer–Lambert modificada (MBLL), corrección explícita de artefactos de movimiento, filtrado pasa–banda hemodinámico y segmentación de épocas alrededor del inicio de cada ensayo. A partir de ventanas de tarea se extrajeron características temporales de ΔHbO y ΔHbR (incluyendo el contraste ΔHbO-ΔHbR) y se aplicó selección de canales y variables para controlar la dimensionalidad. La decisión final se realizó con un comité de clasificadores y stacking basados en aprendizaje superficial debido a la pequeña dimensionalidad del sistema; además incorporando calibración probabilística y una opción de rechazo basada en confianza para abstenerse en ensayos ambiguos. El desempeño se reporta con métricas de exactitud, balanced accuracy y riesgo–cobertura. De manera global en prueba, se alcanza Accuracy = 70.5%; la exactitud condicionada a aceptados aumenta a 75% y Balanced Accuracy = 75.9%, mientras que el desempeño interno en entrenamiento de manera global (validación cruzada sobre el conjunto de entrenamiento) presenta una Accuracy ≈ 73.7% ± 9.3% de desviación estándar. Estos resultados se encuentran dentro del rango de desempeño reportado en la literatura para sistemas BCI basados en fNIRS en paradigmas de imaginación motora, donde las exactitudes típicas suelen situarse aproximadamente entre 70% y 90% dependiendo del número de canales, características empleadas y clasificador utilizado. Para la validación funcional, las predicciones se exportaron como comandos discretos y se reprodujeron offline en un entorno Unity con un avatar llevando a cabo movimientos de mano derecha e izquierda según la orden, demostrando la trazabilidad desde la señal hemodinámica hasta una acción observable.