LCUCEI10079FT

Vista previa del material en texto

Av. Hidalgo 935, Colonia Centro, C.P. 44100, Guadalajara, Jalisco, México 
bibliotecadigital@redudg.udg.mx - Tel. 31 34 22 77 ext. 11959 
UNIVERSIDAD DE GUADALAJARA 
COORDINACIÓN GENERAL ACADÉMICA 
Coordinación de Bibliotecas 
Biblioteca Digital 
 
 
 
 
 
 
 
 
 
 
 
La presente tesis es publicada a texto completo en virtud de que el autor 
ha dado su autorización por escrito para la incorporación del documento a la 
Biblioteca Digital y al Repositorio Institucional de la Universidad de Guadalajara, 
esto sin sufrir menoscabo sobre sus derechos como autor de la obra y los usos 
que posteriormente quiera darle a la misma. 
UNIVERSIDAD DE GUADALAJARA 
 Centro Universitario de Ciencias Exactas e Ingenierías 
División de Electrónica y computación 
 
Extracción de Intención de Movimiento en Señales Electroencefalográficas para el 
Control de una Prótesis de Mano 
Modalidad de titulación 
Investigación y estudios de posgrado 
Opción 
Seminario de investigación 
Que para obtener el grado de 
Ingenieros Biomédicos 
Presentan 
José Manuel Cervantes Pelayo 
Marysol Vázquez Evangelista 
Director 
Ricardo Antonio Salido Ruiz 
 
Guadalajara, Jal., 28 de abril de 2021 
 
 
Si se trata de un trabajo grupal, cada integrante debe llenar copia de esta solicitud. 
Formato válido hasta diciembre de 2021. 
Sulema Torres Ramos Israel Román Godínez 
 
 
AUTORIZACIÓN DE IMPRESIÓN 
PRESENTE. 
Por este conducto se hace de su conocimiento que el trabajo de titulación denominado: 
 Extracción de Intención de Movimiento en Señales Electroencefalográficas para el Control de una Prótesis de Mano . 
que fue aprobado por ustedes mediante el Folio No. 21/09 con la modalidad Seminario de Investigación . 
ha sido concluido, bajo la dirección de: Ricardo Antonio Salido Ruiz . 
 
El que suscribe éste documento, José Manuel Cervantes Pelayo declaro que el trabajo es de autoría propia y no ha sido 
presentado total ni parcialmente en ningún otro lugar. Que además, no contiene material que pertenezca a otra persona, con 
excepción de lo que ha sido debidamente citado o referenciado según los estándares de cada disciplina. 
 
 
 José Manuel Cervantes Pelayo . 
Nombre y Firma del Pasante 
 
El jurado de titulación certifica que se ha revisado tanto el formato como el contenido de éste trabajo. Por lo anterior, 
autorizamos la impresión de éste documento para su defensa, de conformidad con lo estipulado en los capítulos V y VI y 
artículos 23 y 24 del Reglamento General de Titulación de la Universidad de Guadalajara, así como en el capítulo V, artículos 
23 y 24 del Reglamento de Titulación del Centro Universitario de Ciencias Exactas e Ingenierías. 
 
 
 Ricardo Antonio Salido Ruiz . 
Nombre y Firma del Presidente del Jurado 
 
 
_________________________________________ _________________________________________ 
Nombre y Firma del Secretario del Jurado Nombre y Firma del Vocal del Jurado 
 
 
UTILICE ÉSTA FORMA HASTA QUE EL TRABAJO SEA CONCLUIDO Y REVISADO POR EL JURADO DE TITULACIÓN 
 
 
Si se trata de un trabajo grupal, cada integrante debe llenar copia de esta solicitud. 
Formato válido hasta diciembre de 2021. 
Israel Román Godínez Sulema Torres Ramos 
 
 
AUTORIZACIÓN DE IMPRESIÓN 
PRESENTE. 
Por este conducto se hace de su conocimiento que el trabajo de titulación denominado: 
 Extracción de Intención de Movimiento en Señales Electroencefalográficas para el Control de una Prótesis de Mano . 
que fue aprobado por ustedes mediante el Folio No. 21/09 con la modalidad Seminario de Investigación . 
ha sido concluido, bajo la dirección de: Ricardo Antonio Salido Ruiz . 
 
El que suscribe éste documento, Marysol Vázquez Evangelista declaro que el trabajo es de autoría propia y no ha sido 
presentado total ni parcialmente en ningún otro lugar. Que además, no contiene material que pertenezca a otra persona, con 
excepción de lo que ha sido debidamente citado o referenciado según los estándares de cada disciplina. 
 
 
 Marysol Vázquez Evangelista . 
Nombre y Firma del Pasante 
 
El jurado de titulación certifica que se ha revisado tanto el formato como el contenido de éste trabajo. Por lo anterior, 
autorizamos la impresión de éste documento para su defensa, de conformidad con lo estipulado en los capítulos V y VI y 
artículos 23 y 24 del Reglamento General de Titulación de la Universidad de Guadalajara, así como en el capítulo V, artículos 
23 y 24 del Reglamento de Titulación del Centro Universitario de Ciencias Exactas e Ingenierías. 
 
 
 Ricardo Antonio Salido Ruiz . 
Nombre y Firma del Presidente del Jurado 
 
 
_________________________________________ _________________________________________ 
Nombre y Firma del Secretario del Jurado Nombre y Firma del Vocal del Jurado 
 
 
UTILICE ÉSTA FORMA HASTA QUE EL TRABAJO SEA CONCLUIDO Y REVISADO POR EL JURADO DE TITULACIÓN 
 
 
 
 
 
 
 
 
Contenido 
Resumen .................................................................................. ¡Error! Marcador no definido. 
Palabras clave: CWT, Intención de Movimiento, Prótesis de Mano, STFT. ¡Error! 
Marcador no definido. 
1. Introducción ................................................................. ¡Error! Marcador no definido. 
2. Metodología .................................................................. ¡Error! Marcador no definido. 
2.1 Materiales ........................................................................... ¡Error! Marcador no definido. 
2.2 Métodos ................................................................................ ¡Error! Marcador no definido. 
A. Base de datos ..................................................................... ¡Error! Marcador no definido. 
B. Pre procesamiento del EEG ......................................... ¡Error! Marcador no definido. 
C. Procesamiento del EEG ................................................. ¡Error! Marcador no definido. 
D. Análisis ................................................................................. ¡Error! Marcador no definido. 
3. Resultados y Discusión ............................................. ¡Error! Marcador no definido. 
4. Conclusiones ................................................................ ¡Error! Marcador no definido. 
Declaración de conflictos de interés ............................. ¡Error! Marcador no definido. 
Agradecimientos ................................................................... ¡Error! Marcador no definido. 
Referencias ............................................................................. ¡Error! Marcador no definido. 
Anexos ...................................................................................... ¡Error! Marcador no definido. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Extracción de Intención de Movimiento en Señales 
Electroencefalográficas para el Control de una Prótesis 
de Mano 
J. M. Cervantes-Pelayo1, M. Vázquez-Evangelista1, R. A. Salido-Ruiz1* 
1 Departamento de Electrónica del Centro Universitario de Ciencias Exactas e Ingenierías de la 
Universidad de Guadalajara, Jalisco, México. 
2 Departamento de Ciencias Computacionales del Centro Universitario de Ciencias Exactas e 
Ingenierías de la Universidad de Guadalajara, Jalisco, México. 
ricardo.salido@academicos.udg.mx 
Resumen 
Un paradigma conocido en las Interfaces Cerebro-Computador es la Imaginación Motora, en 
éste paradigma un sujeto imagina que realiza algún movimiento y regiones cerebrales se activan en 
bandas de frecuencia específicas que forman patrones espaciales similares a aquellos que se 
hubiesen formado si el movimiento se ejecutararealmente. La detección y procesamiento de estos 
eventos permite controlar dispositivos como prótesis, sillas de ruedas o guiar tratamientos de 
rehabilitación. Hasta ahora estudios basados en este paradigma extraen características de éstos 
patrones de las señales electroencefalográficas mediante la Transformada de Fourier de Período 
Corto o Transformada Wavelet. Sin embargo, no se ha encontrado en la literatura que se utilice una 
combinación de ambas técnicas para lograr este objetivo. En este trabajo presentamos una 
metodología que combina la Transformada de Fourier de Período Corto con la Transformada 
Continua de Wavelet, con el fin de mejorar la detección de la intención de movimiento en tareas 
de Imaginación Motora para el control básico offline de una prótesis en miembro superior. Esta 
propuesta, es un nuevo enfoque para la clasificación de señales electroencefalográficas, en la 
detección de la intención de iniciar y detener un movimiento con un desempeño promedio de 
82.5%. 
Palabras clave: CWT, Intención de Movimiento, Prótesis de Mano, STFT. 
1. Introducción 
La electroencefalografía (EEG) es una técnica que nos permite adquirir señales provenientes de distintas 
regiones del cerebro mediante la colocación de electrodos en el cuero cabelludo. Esta es utilizada 
principalmente para la detección de patologías como la epilepsia [1], el Alzheimer [2], la esquizofrenia 
[3], entre otros trastornos cerebrales. Otros usos del EEG han sido realizados para el reconocimiento de 
emociones [4] y la interacción con dispositivos electrónicos [5]. Este último uso del EEG concierne a 
las Interfaces Cerebro-Computadora (BCI, del inglés Brain-Computer Interfaces) [5]. Un Sistema BCI 
provee al cerebro de un nuevo canal, no muscular, de comunicación y control [6]. De la definición 
anterior surge la siguiente pregunta: ¿cómo puede generar el usuario de un Sistema BCI los comandos 
al mundo exterior? La respuesta radica en los mecanismos neurológicos o procesos empleados por el 
usuario para generar las señales de control, denominados fuentes electrofisiológicas. Las más utilizadas 
son, los potenciales corticales lentos (SCP), los potenciales evocados visuales (VEP) y la Imaginación 
Motora (MI) [7]. En ésta última un sujeto imagina que realiza algún movimiento y regiones cerebrales 
se activan en bandas de frecuencia específicas. En general, los ritmos alfa tienen una banda de 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
frecuencia de 8 − 12 𝐻𝑧, mientras que un ritmo beta se encuentra en el rango de 12 − 30 𝐻𝑧 [8], siendo 
de gran importancia y de las más usadas en la MI. No obstante, estas bandas de frecuencia pueden variar 
dependiendo del sujeto, formando patrones espaciales similares a aquellos que se hubiesen formado si 
el movimiento se ejecutara realmente. Estos patrones detectados como señales EEG contienen 
características que los definen y que deben de ser extraídas para ser transformadas en señales de control 
en un Sistema BCI [8]. La mayoría de las aplicaciones biomédicas de esta tecnología tienen como 
objetivo que las personas que sufren parálisis severa puedan prescindir de las vías motoras 
interrumpidas y operar las prótesis de extremidades superiores directamente desde el cerebro. Convertir 
la actividad del sistema nervioso central en acciones ejecutables contribuye a un método efectivo, como 
se establece en [9]. 
 No obstante, detectar la intención de iniciar y detener un movimiento utilizando señales de EEG 
obtenidas antes de que ocurra el evento, son necesarios para aplicaciones BCI en tiempo real, como 
prótesis y neurorehabilitación [10]. En ese trabajo, los autores utilizaron la Transformada Wavelet (WT) 
para extraer la información relacionada con eventos en las bandas alfa y beta en una representación 
tiempo-frecuencia, logrando una exactitud en detección de intención de movimiento del 80,67%. La 
referencia [11] se centra en identificar los movimientos de las manos con MI, haciendo uso de la 
Transformada de Fourier de Período Corto (STFT). Esta brinda la oportunidad de ver el espectro de la 
señal en diferentes marcos de tiempo o ventanas, donde los resultados manifiestan que el rendimiento 
del método propuesto es comparable con otros algoritmos con una exactitud del 83,71%. Un estudio en 
[12], cuyo objetivo es agrupar correctamente las señales EEG provenientes de distintas regiones 
cerebrales, indica que es posible identificar los movimientos imaginados utilizando la WT para la 
extracción de características de la actividad cerebral, con una exactitud media de hasta el 76,19%. Un 
resumen de los objetivos y técnicas de procesamiento así como el desempeño obtenido en los trabajos 
antes mencionados se muestra en la Tabla 1. 
 
Tabla 1: Comparación de la efectividad de métodos para extracción de Imaginación Motora (MI). 
BCI basado en MI para control de prótesis 
Cita Objetivos Procesamiento Resultados 
[10] Detectar la intención de iniciar y detener un 
movimiento (marcha) utilizando señales de 
EEG obtenidas antes de que ocurra el evento 
(necesarios para la aplicación de BCI en 
tiempo real). 
Transformada 
Wavelet (WT) 
Efectividad del 
80,67% 
[11] Identificar los movimientos de las manos con 
imaginación motora, extrayendo las 
características adecuadas de las señales de 
EEG. 
Transformada de 
Fourier de tiempo 
corto (STFT) 
 
Efectividad de 
83,71%. 
 
[12] Sistema inteligente es capaz de identificar 
movimientos imaginados utilizando sólo la 
actividad cerebral. 
Transformada 
Wavelet (WT) 
Efectividad de 
76,19% 
 
En este contexto, el presente trabajo se enfoca en desarrollar como primera aproximación una 
metodología en el contexto de MI en un sistema BCI para el control off-line de una mano protésica, a 
partir de la extracción de características de la señal EEG combinando los métodos STFT y WT. 
2. Metodología 
En esta sección presentamos los materiales, herramientas computacionales y la metodología utilizada 
en este estudio. 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
2.1 Materiales 
El control para el prototipo de prótesis se implementó bajo la tarjeta de desarrollo Arduino®, [13]. Se 
utilizó un servomotor como actuador, que permite realizar el movimiento mecánico del prototipo de 
mano robótica mediante un sistema de poleas que simula la acción de abrir y cerrar la mano. 
El procesamiento de los datos (filtros digitales, Análisis de Componentes Independientes (ICA), 
representaciones tiempo-frecuencia, promediado en bandas de frecuencia y correlación cruzada) y los 
algoritmos de control (modulación por ancho de pulso y comunicación serial) fueron implementados 
en MATLAB®. 
2.2 Métodos 
Para el procesamiento completo de las señales EEG se diseñó una interfaz gráfica que consta de cuatro 
etapas como se muestra en el esquema de la Fig. 1: 
 
 
Fig. 1. Diagrama de metodología para procesamiento final. 
 
A. Base de datos 
Se optó por descargar un set de datos que contiene más de 1,500 registros de EEG obtenidos de 109 
voluntarios que realizaron diferentes tareas de MI [14], el cual se encuentra en PhysioNet, que consiste 
en un repositorio de datos de investigación médica disponibles gratuitamente [14], donde menciona que 
se registró utilizando el Sistema BCI2000 [14] que se utiliza para controlar la adquisición de señales, 
procesamiento de señales y la retroalimentación para el usuario [15]. De los cuales se seleccionaron 
sólo 10 registros EEG de 64 canales sin procesar, posicionados según el Sistema Internacional 10-10, 
registrados a una frecuencia de muestreo establecida en 160 𝐻𝑧. De esta manera, cada sujeto realizó 14 
series experimentales, de las cuales sólo elegimos 2 series para nuestro estudio.La primera serie de 1 
minuto (EEG base), la cual consiste en identificar un objeto del lado izquierdo o derecho de la pantalla, 
el sujeto abre y cierra la mano correspondiente hasta que el objeto desaparece y entonces el sujeto se 
relaja. La segunda serie de 2 minutos (EEG en tarea 1) consiste en identificar un objeto del lado 
izquierdo o derecho de la pantalla, el sujeto imagina abrir y cerrar la mano correspondiente hasta que 
el objeto desaparece y entonces el sujeto se relaja. Lo anterior con la intención de comparar ambas 
series experimentales e identificar patrones espaciales similares en el movimiento imaginado de la mano 
a aquellos que se hubiesen formado si el movimiento se ejecutara realmente [8]. 
B. Pre procesamiento del EEG 
Las señales fueron re-referenciadas a una referencia promedio (CAR) para eliminar el ruido común a 
todos los electrodos [16]. Además, debido a que las señales EEG presentaron artefactos (oculares, 
musculares, movimiento de electrodos, ruido gaussiano e interferencia de señales ECG, entre otros), se 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
implementó un Análisis de Componentes Independientes mediante el algoritmo FastICA, para 
identificar señales fuentes estadísticamente independientes y eliminar mediante inspección visual las 
fuentes de artefactos [9]. En el caso de MI se utilizan menos electrodos de los totales, ya que la mayor 
parte de la información útil extraíble proviene de la corteza motora [8], que es la región de la corteza 
cerebral responsable de los procesos de planificación, control y ejecución de los movimientos, por lo 
tanto, teniendo en cuenta que la actividad que se quiere adquirir se encuentra en la corteza motora, los 
electrodos de interés en nuestro estudio fueron: C3, C4 y CZ, debido a su localización en el plano coronal 
[7]. Para resaltar los potenciales en estos electrodos, éstos fueron representados en un montaje 
Laplaciano, restando la media de las señales provenientes de los 4 electrodos vecinos más cercanos a 
los electrodos de interés. Finalmente, se aplicó un filtro pasa bandas IIR de fase 0 y de orden 16, en las 
ondas alfa (8 – 13 𝐻𝑧) del EEG, ya que este rango de frecuencias es parte de la actividad sensorial 
motora [17]. 
C. Procesamiento del EEG 
Las señales EEG (C3, C4 y CZ) previamente filtradas fueron promediadas para obtener C la cual fue 
procesada mediante la STFT dada por (1). Donde 𝐶[𝑛] es la señal EEG discreta, 𝑤[𝑛] es la ventana y 
𝑚 es el índice de tiempo discreto que usualmente no se expresa con tan alta resolución como con el 
tiempo 𝑛. 
 
𝑆𝑇𝐹𝑇{𝐶[𝑛]} = 𝐶(𝑚, 𝑤) = ∑ 𝐶[𝑛]𝑤[𝑛 − 𝑚]𝑒−𝑗𝑤𝑛
∞
𝑛=−∞
 (1) 
 
La señal promedio C también fue procesada con la Transformada Continua de Wavelet (CWT) que 
está dada por (2). Donde la variable 𝑎 controla el ancho o soporte efectivo de la función 𝜓(𝑡) y la 
variable 𝑏 nos da la ubicación en el dominio del tiempo de 𝜓. 
 
𝐶𝑊𝑇(𝑎, 𝑏) =
1
√𝑎
∫ 𝐶(𝑡)𝜓 (
𝑡 − 𝑏
𝑎
) 𝑑𝑡
∞
−∞
 (2) 
 
Para ambas representaciones se calcula el promedio de la PSD en la banda de 8 a 13 𝐻𝑧, obteniendo 
dos vectores de datos 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝑆𝑇𝐹𝑇, 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝐶𝑊𝑇 con la PSD promedio para el intervalo de tiempo estudiado. 
D. Análisis 
Se calcula la correlación entre datos 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝑆𝑇𝐹𝑇 y 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝐶𝑊𝑇 a fin de conocer si ambos métodos coinciden 
en la detección de la intención de movimiento y decidir si ésta es correcta o si se trata de un falso 
positivo. Si el valor de correlación supera un umbral (ht), 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝑆𝑇𝐹𝑇 y 𝑃𝑆𝐷̅̅ ̅̅ ̅̅ 𝐶𝑊𝑇 se promedian para 
obtener una sola PSD y de ésta obtener las ventanas de inicio y fin del evento. Después se calcula la 
envolvente a la PSD resultante (EPSD) que será utilizada para generar una señal de modulación por ancho 
de pulsos (PWM), que consiste en generar una onda cuadrada formada por pulsos positivos, 
modificando su ciclo de trabajo o el ancho relativo de su parte positiva en relación con el período [9] y 
con esto mover el servomotor para generar la fuerza mecánica suficiente y controlar el movimiento off-
line del prototipo de mano protésica. 
Para estimar la efectividad se contabilizó el número de detecciones de intenciones de movimiento 
correctas e incorrectas y con ello se obtuvo el porcentaje de aciertos para cada sujeto y se promedió. 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
3. Resultados y Discusión 
Después de aplicar la metodología propuesta en 10 estudios EEG del set de datos para prueba piloto, se 
lograron detectar los picos de Densidad Espectral de Potencia (PSD), los cuales se utilizan como 
característica para la extracción de la MI. Un procedimiento similar al que expone [9]. 
En la Fig. 2 se muestra el espectrograma 3D de la señal EEG (C), utilizando STFT que brinda la 
oportunidad de ver el espectro de la señal en diferentes marcos de tiempo (rectángulos rojos), donde se 
visualiza la intención de movimiento del sujeto al imaginar abrir y cerrar la mano. 
 
 
Fig. 2. Espectrograma STFT en representación 3D de la señal EEG de sujeto de prueba 1. 
 
En la Fig. 3 se muestra el espectrograma de la señal EEG (C), utilizando CWT donde se visualiza 
la intención de movimiento del sujeto al imaginar abrir y cerrar la mano, reflejado en los puntos de 
mayor magnitud de PSD (rectángulos rojos). 
 
 
 
Fig. 3. Espectrograma de la señal EEG por CWT de sujeto de prueba 1. 
 
En la Fig. 4 se muestra el rango de variación de la envolvente de las PSD normalizada en 10 sujetos, 
donde se identifica un rango en el que se encuentran la mayoría de los sujetos de entre 0.3 y 0.85 de 
magnitud normalizada, varios sujetos tienen traslape en rango pero otros no, por lo que para cada uno 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
de ellos es necesario adecuar un umbral personalizado para la detección del movimiento imaginado. 
Sin embargo, se debe considerar que siempre va a existir un grupo de individuos del 20 al 25% que no 
pueden usar Sistemas BCI basados en potenciales motores de EEG, debido a que no poseen 
características de ERD/ERS (Desincronización Relacionada a Eventos/Sincronización) [16], por lo que 
también se observan valores atípicos en el análisis. Como ejemplo, para el sujeto 3 se eligió un umbral, 
tomando en cuenta el rango de variación de la envolvente observado en la Fig. 4 y con él se construyó 
una señal de modulación por ancho de pulsos (PWM). Esta se utilizó para mover un servo motor 
mediante una BCI (una conexión entre el software MATLAB y Arduino), como se puede observar en 
la Fig. 5. Esto con el fin de simular la intención de movimiento (abrir y cerrar el puño izquierdo o 
derecho) en un prototipo de prótesis de mano. Un ejemplo de la utilidad de la PWM es mencionada por 
[11], quien hace hincapié en que es una técnica extendida para muchas aplicaciones que al aplicarla a 
las señales de EEG puede ser utilizada para interpretar la intención de los usuarios y traducirlo a una 
acción. 
 
Fig. 4. Rango de variación de PSD normalizada en 10 estudios EEG diferentes. 
 
 
Fig. 5. PWM para control de BCI (Sujeto 3). 
 
La efectividad de los resultados obtenidos en la detección de MI con la metodología propuesta, 
comparando las anotaciones (instantes de tiempo en los que se hicieron las tareas de MI) de los estudios 
realizados, fue para cada sujeto de 75%, 91.66%, 91.66%, 83.33%, 75%, 91.66%, 83.33%, 83.33%, 
75%, y 75% respectivamente para dar en promedio del 82.5 con una desviación estándar de ±7.3 en la 
detección de MI como se muestra en la Tabla 2.Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
Tabla 2: Análisis estadístico de la efectividad del método para la detección de la MI. 
Efectividad del método 
Estudios de 
prueba 
Efectividad en 
detección de MI 
Error-promedio 
(segundos) 
Desviación estándar 
(segundos) 
S1 75% 2 ±1.41 
S2 91.66% 1.27 ±1.60 
S3 91.66% 1.83 ±1.77 
S4 83.33% 1.81 ±1.58 
S5 75% 0.6 ±1.20 
S6 91.66% 1.16 ±1.40 
S7 83.33% 1.36 ±1.66 
S8 83.33% 1.27 ±1.48 
S9 75% 0.66 ±1.33 
S10 75% 0.66 ±1.33 
Promedio 82.5% 1.26 ± 0.48 
4. Conclusiones 
Los resultados preliminares son prometedores, ya que demuestran que el método propuesto alcanza un 
rendimiento estadístico similar (82.5 %) con respecto a otros métodos (ver sección introducción). Por 
lo anterior, este estudio presenta resultados aceptables en cuanto a la detección de movimientos 
imaginarios, sin embargo, a manera de conclusión podemos decir que, debido a que las señales EEG 
presentan gran cantidad de información, es necesario ejecutar una caracterización más robusta de MI 
presentes en estas señales. Además, se necesita impulsar el desarrollo de nuevas tecnologías o 
implementaciones que conlleven a un mejor aprovechamiento de información (libre de ruidos y 
artefactos) que podrían ser una mejora relativamente alta en la eficiencia de Sistemas BCI o prototipos, 
como el presente. 
Declaración de conflictos de interés 
Los autores declaran no tener ningún conflicto de interés para este trabajo. 
Agradecimientos 
El autor J. M. agradece a su familia por apoyarlo siempre, no importando que tan lejos esté. El autor 
M. agradece a J. M. por compartir su conocimiento y por su paciencia infinita. El autor R. A. agradece 
a sus alumnos por el esfuerzo y dedicación en el trabajo realizado. 
Referencias 
[1] Deivasigamani, S., Senthilpari, C. & Yong, W.H. (2020). Machine learning method based 
detection and diagnosis for epilepsy in EEG signal. Obtenido de Biblioteca Digital: https://doi-
org.wdg.biblio.udg.mx:8443/10.1007/s12652-020-01816-3 
[2] Al-Jumeily D., Iram S., Hussain A.J., Francois-Benois V. & Fergus P. (2014). Early Detection 
Method of Alzheimer’s Disease Using EEG Signals. Obtenido de Biblioteca Digital: 
https://doi-org.wdg.biblio.udg.mx:8443/10.1007/978-3-319-09330-7_4 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
[3] Deivasigamani, S., Senthilpari, C. & Yong, W.H. (2020). Machine learning method based 
detection and diagnosis for epilepsy in EEG signal. Obtenido de Biblioteca Digital: https://doi-
org.wdg.biblio.udg.mx:8443/10.1007/s12652-020-01816-3 
[4] Matlis, Sean Eben Hill (2016). Functional network and spectral analysis of clinical EEG data 
to identify quantitative biomarkers and classify brain disorders. Obtenido de Biblioteca Digital: 
http://wdg.biblio.udg.mx:2048/login?url=https://www.proquest.com/docview/1853453348?ac
countid=28915 
[5] Hubert, B., Rishabh, G. & Tiago H. (2017). Mental Task Evaluation for Hybrid NIRS-EEG 
Brain-Computer Interfaces. Obtenido de Biblioteca Digital: 
http://dx.doi.org/10.1155/2017/3524208 
[6] Ozdenizci,Ozan (2020). Statistical learning and inference in neural signal processing: 
Applications to brain interfaces. Obtenido de Biblioteca Digital: 
http://wdg.biblio.udg.mx:2048/login?url=https://www.proquest.com/docview/2438895614?ac
countid=28915 
[7] Astigarraga, A., Arruti, A., Muguerza, J., Santana, R., Martin, J. I., & Sierra, B. (2016). User 
Adapted Motor-Imaginary Brain-Computer Interface by means of EEG Channel Selection 
Based on Estimation of Distributed Algorithms. Obtenido de Biblioteca Digital: 
https://doi.org/10.1155/2016/1435321 
[8] King, C. E. (2014). Brain-computer interface systems for neurorehabilitation. Obtenido de 
Biblioteca Digital: 
http://wdg.biblio.udg.mx:2048/login?url=https://search.proquest.com/docview/1609013804?a
ccountid=28915 
[9] Mariacarla, S., Maurizio, G. & Fanny, F. (2019). Network Approach for a BCI-Based Robotic 
Prosthetic Control. Obtenido de Biblioteca Digital: https://doi-
org.wdg.biblio.udg.mx:8443/10.1007/s12369-019-00576-1 
[10] Shafiul, H., Masudur, S., Roozbeh, A., Rodrigo, R., J. Sebastian, M. & Ou, B. (2020). 
Prediction of gait intention from pre-movement EEG signals: A feasibility study. Obtenido de 
Biblioteca Digital: http://dx.doi.org/10.1186/s12984-020-00675-5 
[11] Syed, K. & Mohammed, I. (2016). Classification of motor imagery movements using 
multivariate empirical mode decomposition and short time Fourier transform based hybrid 
method. Obtenido de Biblioteca Digital: https://doi.org/10.1016/j.jestch.2016.04.009 
[12] Andrade, M. K., Santana M. A, Moreno, G. & Olivera I. (2020). An EEG Brain-Computer 
Interface to Classify Motor Imagery Signals. Obtenido de Biblioteca Digital: https://doi-
org.wdg.biblio.udg.mx:8443/10.1007/978-981-13-9097-5_5 
[13] Cho, J. I., Wang, X., Xu, Y., & Sun, J. (2019). LISA: A MATLAB package for longitudinal 
image sequence analysis. Obtenido de Biblioteca Digital: 
https://search.proquest.com/docview/2186324195?accountid=28915 
[14] Schalk, G., McFarland, D.J., Hinterberger, T., Birbaumer, N., Wolpaw, J.R. (Septiembre de 
2009). EEG Motor Movement/Imagery Dataset. Obtenido de PhysioNet: 
https://www.physionet.org/content/eegmmidb/1.0.0/ 
[15] Niknamian, S. (2019). Designing a hybrid brain computer interface system: An introduction. 
Obtenido de Biblioteca Digital: 
http://wdg.biblio.udg.mx:2048/login?url=https://search.proquest.com/-
docview/2275866123?accountid=28915 
[16] Botelho, T. R. (2017). Nuevo Enfoque para la Clasificación de Señnales EEG usando la 
Varianza de la Diferencia. Revista Iberoamericana de Automática e Informática Industrial, 
362–371. 
[17] Barón, D. F. (2011). Reconocimiento de Imaginación Motora de Señales EEG en el Dominio 
Temporal aplicando Modelos Paramétricos. Obtenido de Biblioteca Digital: 
https://inaoe.repositorioinstitucional.mx/jspui/bitstream/1009/672/1/DcrozBD.pd 
 
 
 
 
Extracción de MI en Señales EEG para el Control de una Prótesis de Mano J.M. Cervantes, et al. 
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
Anexos 
Publicación de Artículo: Extracción de Intención de Movimiento en Señales Electroencefalográficas 
para el Control de una Prótesis de Mano. 
Publicado en el vol. 7 núm. 1 (2020): Memorias del XLII Congreso Nacional de Ingeniería 
Biomédica, disponible en el siguiente link: 
http://memorias.somib.org.mx/index.php/memorias/article/view/751 
 
Presentado en el Concurso de Trabajos Libres en la modalidad de Póster científico, en el marco del 
XLII Congreso Nacional de Ingeniería Biomédica. 
 
Adjuntando el Póster científico, el Artículo publicado y el reconocimiento obtenido: 
 
Un paradigma conocido en las Interfaces Cerebro Computador (BCI, del inglés Brain-Computer
Interfaces), es la Imaginación Motora (MI) [1], en este paradigma un sujeto imagina que realiza algún
movimiento y regiones cerebrales se activan en bandas de frecuencia específicas que forman patrones
espaciales similares a aquellos que se hubiesen formado si el movimiento se hubiese ejecutado
realmente. La detección y procesamiento de estos eventos permite controlar dispositivos como prótesis,
sillas de ruedas o guiar tratamientos de rehabilitación, ya que un sistema BCI provee al cerebro de un
nuevo canal, no muscular, de comunicación y control [2]. Hasta ahora estudios basados en este
paradigma extraen características de estos patrones de las señales electroencefalográficas (EEG)
mediante la Transformada de Fourier de Período Corto (STFT) o Transformada Continua Wavelet
(CWT). Sin embargo, no se ha encontrado en la literatura que se utilice una combinación de ambas
técnicas para lograr este objetivo. Un resumen de los objetivos y técnicasde procesamiento así como el
desempeño obtenido en algunos de estos trabajos se muestra en el cuadro 1.
Introducción
Metodología
Conclusión 
Para el procesamiento completo de las señales EEG y el control del prototipo de prótesis de mano, se
diseñó en App Designer, una interfaz gráfica entre el entorno MATLAB y la tarjeta Arduino, que consta
de cuatro etapas como se muestra en el esquema de la Fig. 1:
Centro Universitario de Ciencias Exactas e Ingenierías de la Universidad de Guadalajara, Jalisco, México.
J. M. Cervantes-Pelayo, M. Vázquez-Evangelista, R. A. Salido-Ruiz 
Extracción de Intención de Movimiento en Señales Electroencefalográficas para el 
Control de una Prótesis de Mano
XLIII Congreso Nacional de Ingeniería Biomédica, 15 – 17 de octubre 2020 
En la Fig. 4 se muestra el rango de variación de la envolvente de las PSD normalizada en 10 sujetos,
donde se identifica un rango entre 0.3 y 0.85 de magnitud, por lo que es necesario adecuar un umbral
personalizado para la detección del movimiento imaginado. Como ejemplo, para el sujeto 3 se eligió un
umbral, tomando en cuenta el rango de variación de la envolvente observado en la Fig. 4 y con él se
construyó una señal de modulación por ancho de pulsos (PWM) como se puede observar en la Fig. 5.
Esto con el fin de generar la fuerza mecánica suficiente y controlar la simulación de la intención de
movimiento (abrir y cerrar el puño izquierdo o derecho) en un prototipo de prótesis de mano off-line.
La efectividad de los resultados obtenidos en la detección de MI con la metodología propuesta,
comparando los instantes de tiempo en los que se hicieron las tareas de MI, se muestra en el cuadro 2.
Los resultados preliminares son prometedores, ya que demuestran que el método propuesto alcanza un
rendimiento estadístico similar (82.5 %) con respecto a otros métodos (cuadro 1). Por lo anterior, este
estudio presenta resultados aceptables en cuanto a la detección de movimientos imaginarios, sin
embargo, debido a que las señales EEG presentan gran cantidad de información, es necesario ejecutar
una caracterización más robusta de MI presentes en estas señales. Además, se necesita impulsar el
desarrollo de nuevas tecnologías que conlleven a un mejor aprovechamiento de información (libre de
artefactos) que podrían ser una mejora en la eficiencia de sistemas BCI o prototipos, como el presente.
Fig 1. Diagrama de metodología para procesamiento final.
Fig. 4. Rango de variación de PSD normalizada en
10 estudios EEG diferentes.
Fig. 5. PWM para control de BCI (Sujeto 3).
Fig. 2. Espectrograma STFT en representación 3D de 
la señal EEG en tareas de MI de sujeto de prueba 1. Fig. 3. Espectrograma CWT de la señal EEG en tareas
de MI de sujeto de prueba 1.
En el presente trabajo proponemos una metodología que combina la Transformada de Fourier de Período Corto con la Transformada Continua Wavelet, con el fin de mejorar la detección de la intención de
movimiento en tareas de Imaginación Motora para el control básico offline de una prótesis en miembro superior. Esta propuesta es un nuevo enfoque para la clasificación de señales electroencefalográficas en la
detección de la intención de iniciar y detener un movimiento con un desempeño de 82.5%.
Cuadro 1: Comparación de la efectividad de métodos para extracción de Imaginación Motora (MI).
Cuadro 2: Análisis estadístico de la efectividad del método para la detección de la MI.
BCI basado en MI para control de prótesis
Cita Objetivos Procesamiento Resultados
[3] Detectar la intención de iniciar y detener un movimiento utilizando 
señales de EEG obtenidas antes de que ocurra el evento.
Transformada Wavelet. Efectividad del 
80,67%
[4] Identificar los movimientos de las manos con imaginación motora, 
extrayendo las características adecuadas de las señales de EEG.
Transformada de Fourier 
de tiempo corto (STFT).
Efectividad de 
83,71%.
[5] Sistema inteligente es capaz de identificar movimientos imaginados 
utilizando sólo la actividad cerebral.
Transformada Wavelet. Efectividad de 
76,19%
Efectividad del método
Estudios de prueba Efectividad en detección de MI Error-promedio (s) Desviación estándar (s)
S1 75 2 ±1.41
S2 91.66% 1.27 ±1.60
S3 91.66% 1.83 ±1.77
S4 83.33% 1.81 ±1.58
S5 75% 0.6 ±1.20
S6 91.66% 1.16 ±1.40
S7 83.33% 1.36 ±1.66
S8 83.33% 1.27 ±1.48
S9 75% 0.66 ±1.33
S10 75% 0.66 ±1.33
Promedio 82.5% 1.26 ± 0.48
Resultados y Discusión
Después de aplicar la metodología propuesta en 10 estudios EEG del set de datos para prueba piloto , se
lograron detectar los picos de Densidad Espectral de Potencia (PSD), los cuales se utilizan como
característica para la extracción de la MI. Por lo tanto, la Fig. 2 muestra el espectrograma 3D de la señal
EEG (C), utilizando STFT y la Fig. 3 se muestra el espectrograma de la señal EEG (C) utilizando CWT.
Dónde se visualiza la intención de movimiento del sujeto al imaginar abrir y cerrar la mano.
Resumen
En este contexto, el presente trabajo se enfoca en desarrollar como primera aproximación una
metodología en el contexto de MI en un sistema BCI para el control off-line de una mano protésica, a
partir de la extracción de características de la señal EEG combinando los métodos STFT y CWT.
Referencias
[1] Hubert, B., Rishabh, G. & Tiago H. (2017). Mental Task Evaluation for Hybrid NIRS-EEG Brain-Computer Interfaces. Obtenido de Biblioteca Digital: http://dx.doi.org/10.1155/2017/3524208 
[2] Ozdenizci,Ozan (2020). Statistical learning and inference in neural signal processing: Applications to brain interfaces. Obtenido de Biblioteca Digital: https://www.proquest.com/docview/2438895614?accountid=28915 
[3] Mariacarla, S., Maurizio, G. & Fanny, F. (2019). Network Approach for a BCI-Based Robotic Prosthetic Control. Obtenido de Biblioteca Digital: https://doi-org.wdg.biblio.udg.mx:8443/10.1007
/s12369-019-00576-1
[4] Shafiul, H., Masudur, S., Roozbeh, A., Rodrigo, R., J. Sebastian, M. & Ou, B. (2020). Prediction of gait intention from premovement EEG: A feasibility study. Obtenido de Biblioteca Digital: 
http://dx.doi.org/10.1186/s12984-020-00675-5
[5] Syed, K. & Mohammed, I. (2016). Classification of motor imagery movements using multivariate empirical mode decomposition and short time Fourier transform based hybrid method. 
Obtenido de Biblioteca Digital: https://doi.org/10.1016/j.jestch.2016.04.009 
A) Set de 
Datos
Base de Datos EEG con
tareas MI (physionet),
registradas a 160 Hz en
BCI2000
1) Filtrado espacial CAR
2) Eliminación de 
artefactos (FastICA)
3) Selección de canales 
EEG de interés: C3 CZ C4
4) Filtrado espacial 
Laplaciano.
5) Filtrado pasa-bandas 
(8-13 Hz)
Promedio de canales C3
CZ y C4 (C).
Calcular:
1) STFT a C (STFTC)
2) PSDSTFT = STFTC|8-13 Hz
3) CWT a C: (CWTC)
4) PSDCWT = CWTC|8-13 Hz
5) Correlación Cruzada 
(CC) entre PSDSTFT y 
PSDCWT. (CC).
B) Pre-
Procesamiento
C) Procesamiento
D) Análisis
1) Si max 𝐶𝐶 >
𝑈𝑚𝑏𝑟𝑎𝑙 (𝑡ℎ) →
𝑃𝑆𝐷 =
𝑃𝑆𝐷𝑆𝑇𝐹𝑇+𝑃𝑆𝐷𝐶𝑊𝑇
2
2) Si max 𝐶𝐶 < 𝑡ℎ →
𝑃𝑆𝐷 = 0
3) Calcular envolvente 
a PSD (EPSD)
4) Generar señal PWM 
de EPSD para controlar 
un servomotor 
Declaración de conflictos de interés
Los autores declaran no tener ningún conflicto de interés para este trabajo.
J o s é M a n u e l C e r v a n t e s P e l a y o , M a r y s o l
V á z q u e z E v a n g e l i s t a y R i c a r d o
A n t o n i o S a l i d o R u i z
M o d a l i d a d p o s t e r , p r e s e n t a d o e n e l m a r c o d e l
4 3 ° C o n g r e s o N a c i o n a l d e I n g e n i e r í a B i o m é d i c a
e n s u m o d a l i d a d v i r t u a l .
P o r s u p a r t i c i p a c i ó n e n e l S i m p o s i o 1 “ P r o c e s a m i e n t o d e S e ñ a l e s 
e I m á g e n e s M é d i c a s ” , c o n e l t r a b a j o t i t u l a d o :
Extracción de intención de movimiento en señales EEG para el control de 
una prótesis de mano