Interfaz cerebro-computador multimodal para procesos de neurorrehabilitación de miembros superiores en pacientes con lesiones de médula espinal: una revisión

Bolaños, Carlos Diego Ferrin; Correa, Humberto Loaiza

doi:10.24050/19099762.n24.2018.1222

Cited by 2 publications

(2 citation statements)

References 52 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…EEG has been widely used in research involving neural engineering, neuroscience, and biomedical engineering (e.g., brain–computer interfaces, sleep analysis, and disease prediction) because of its high temporal resolution, non-invasiveness, and relatively low cost [ 6 , 7 ]. However, the representative features of EEG signals are difficult to determine owing to their dynamic character and inter-individual differences [ 8 ].…”

Section: Introductionmentioning

confidence: 99%

EEG-Based Emotion Classification Using Improved Cross-Connected Convolutional Neural Network

Dai

Li³

et al. 2022

Brain Sciences

View full text Add to dashboard Cite

The use of electroencephalography to recognize human emotions is a key technology for advancing human–computer interactions. This study proposes an improved deep convolutional neural network model for emotion classification using a non-end-to-end training method that combines bottom-, middle-, and top-layer convolution features. Four sets of experiments using 4500 samples were conducted to verify model performance. Simultaneously, feature visualization technology was used to extract the three-layer features obtained by the model, and a scatterplot analysis was performed. The proposed model achieved a very high accuracy of 93.7%, and the extracted features exhibited the best separability among the tested models. We found that adding redundant layers did not improve model performance, and removing the data of specific channels did not significantly reduce the classification effect of the model. These results indicate that the proposed model allows for emotion recognition with a higher accuracy and speed than the previously reported models. We believe that our approach can be implemented in various applications that require the quick and accurate identification of human emotions.

show abstract

Section: Introductionmentioning

confidence: 99%

EEG-Based Emotion Classification Using Improved Cross-Connected Convolutional Neural Network

Dai

Li³

et al. 2022

Brain Sciences

View full text Add to dashboard Cite

show abstract

“…Esto ha llamado la atención de expertos en rehabilitación de pacientes con limitaciones motrices, ya que su uso por parte del paciente puede complementar las sesiones terapéuticas e, incluso en algunos casos, motivar la realización de las mismas en los que han perdido el interés. Más aun, recientemente, el uso de esta tecnología por pacientes con paraplejia ha demostrado sus beneficios clínicos en procesos de rehabilitación [7], permitiendo pasar de una lesión completa (pérdida total de las funciones sensitivas y motoras por debajo de la lesión) a incompleta (pérdida parcial de las funciones sensitivas y motoras por debajo de la lesión) [4]. Esto ha motivado la investigación y desarrollo en este tipo de tecnologías para rehabilitación de miembros superiores en pacientes con lesiones cervicales.…”

Section: Introductionunclassified

Evaluación del aporte de la covarianza de las señales electroencefalográficas a las interfaces cerebro-computador de imaginación motora para pacientes con lesiones de médula espinal

Ferrin-Bolaños

Correa

Pierre-Díaz

et al. 2019

TecnoL.

View full text Add to dashboard Cite

Las interfaces cerebro-computadora no invasivas basadas en EEG de imaginación motora (miBCI) prometen restaurar efectivamente el control motor a pacientes con discapacidades motoras, por ejemplo, aquellos con lesión de la médula espinal (LME). Sin embargo, todavía es necesario investigar las miBCI, con fines de rehabilitación, para este tipo de pacientes que utilizan dispositivos de adquisición de señales EEG de bajo costo, tales como Emotiv EPOC. En este trabajo, se describe en detalle y se comparan diez arquitecturas miBCI basadas en información de covarianza de señales EEG, adquiridas con Emotiv EPOC, para la decodificación de intención de mano abierta y cerrada en tres sujetos control y dos pacientes con LME cervical. Cuatro de estas diez miBCI usan información de covarianza para construir filtros espaciales y el resto usa la información covarianza como una representación directa de las señales EEG, permitiendo la manipulación directa mediante geometría de Riemann. Como resultado, se encontró que, a pesar de que todas las arquitecturas miBCI tienen una precisión general por encima del nivel de azar, las que utilizan la covarianza como representación directa de las señales EEG junto con clasificadores lineales, superan las miBCI que usan la covarianza para el filtrado espacial, tanto en sujetos de control como en pacientes con LME. Estos resultados sugieren un alto potencial de las miBCI basadas en la geometría de Riemann para la rehabilitación de pacientes con LME, utilizando dispositivos de adquisición de EEG de bajo costo.

show abstract

Interfaz cerebro-computador multimodal para procesos de neurorrehabilitación de miembros superiores en pacientes con lesiones de médula espinal: una revisión

Cited by 2 publications

References 52 publications

EEG-Based Emotion Classification Using Improved Cross-Connected Convolutional Neural Network

EEG-Based Emotion Classification Using Improved Cross-Connected Convolutional Neural Network

Evaluación del aporte de la covarianza de las señales electroencefalográficas a las interfaces cerebro-computador de imaginación motora para pacientes con lesiones de médula espinal

Contact Info

Product

Resources

About