La presente tesis aborda el desarrollo y la evaluación de una Interfaz CerebroComputadora (BCI) de bajo coste para el control de dispositivos físicos. El objetivo
principal es superar las barreras de accesibilidad y aplicabilidad de los sistemas BCI
tradicionales, que dependen de equipos EEG de grado clínico de alto coste, proponiendo
una arquitectura funcional basada en diademas comerciales de bajo coste (Neurosky,
Brainlink).
La metodología se centra en dos tareas fundamentales: la predicción de estados
cognitivos (atención y meditación) y la posterior clasificación de intenciones motoras
(cuatro movimientos direccionales y estado de reposo) aplicables en sistemas físicos con
electrónica de control embarcada.
Para la primera tarea, se implementaron y compararon redes neuronales recurrentes
(RNN) de tipo LSTM y GRU. Para la segunda, se realizó un análisis comparativo
exhaustivo entre las arquitecturas RNN, sus variantes estabilizadas mediante el criterio
de Popov (LSTM+Popov, GRU+Popov) y el algoritmo de aprendizaje automático basado
en árboles de decisión, Extreme Gradient Boosting (XGBoost).
En el proceso de clasificación el preprocesamiento de las señales EEG incluyó
normalización mediante RobustScaler, segmentación en ventanas temporales y una
ingeniería de características basada en descriptores estadísticos para optimizar la
entrada a los modelos. La evaluación del rendimiento se realizó mediante métricas como
Exactitud, F1-Score, ROC-AUC y los tiempos de entrenamiento e inferencia.
Los resultados demuestran que, si bien los modelos LSTM y GRU son adecuados para la
predicción de estados cognitivos continuos, el modelo XGBoost exhibe una
superioridad significativa en la tarea de clasificación multiclase de las intenciones
motoras. XGBoost alcanzó una exactitud del 87.72% y un F1-Score del 87.65%, con
tiempos de inferencia sustancialmente menores a los de las arquitecturas RNN. Esta
eficiencia computacional lo posiciona como el modelo idóneo para su despliegue en
plataformas embebidas (ej. Jetson Nano, Raspberry Pi) con recursos limitados.
Como principal contribución, la tesis aporta una arquitectura BCI validada, de bajo coste
y alto rendimiento, y proporciona evidencia empírica de que, para la clasificación de
señales EEG ruidosas en tiempo real, los métodos de boosting como XGBoost pueden
superar en precisión y eficiencia a modelos de aprendizaje profundo secuencial. El
trabajo culmina con el despliegue de un clasificador funcional y una propuesta de
integración completa basada en ROS (Robot Operating System), sentando las bases para
el desarrollo de tecnologías de asistencia más accesibles y prácticas.
