2026-05-07T00:49:43Zhttps://riubu.ubu.es/oai/request

oai:riubu.ubu.es:10259/108492025-09-10T09:41:06Zcom_10259_2699col_10259_2725

Sierra Garcia, Jesús Enrique 737 600 0000-0001-6088-9954 Cámara Nebreda, José María 95 600 0000-0003-3743-2088 Rivas Navazo, Fernando 930 600 0000-0001-6552-4110 Universidad de Burgos. Departamento de Ingeniería Electromecánica f93ba561-92af-427c-819a-f6d1081c8cd3 500 2025-09-04T21:36:51Z 2025-09-04T21:36:51Z 2025 25-06-27 2026-06-27 https://hdl.handle.net/10259/10849 10.36443/10259/10849 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. Doctorado en Ingeniería y Tecnologías Industrial, Informática y Civil application/pdf spa Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ Este documento está sujeto a una licencia de uso Creative Commons, por la cual está permitido hacer copia, distribuir y comunicar públicamente la obra siempre que se cite al autor original y no se haga de él uso comercial ni obra derivada info:eu-repo/semantics/embargoedAccess Interfaz cerebro-computadora (BCI) Electroencefalografía (EEG) Predicción (RNN) Clasificación Robótica Asistencial Interfaces cerebro-ordenador Brain-computer interfaces 3307.99 Otras 3311.02 Ingeniería de Control 3311.10 Instrumentos Médicos 3314.99 Otras Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/acceptedVersion THUMBNAIL e67cae89-5882-4974-9b3b-1a7553f99d0c.pdf.jpg e67cae89-5882-4974-9b3b-1a7553f99d0c.pdf.jpg IM Thumbnail image/jpeg 4412 https://riubu.ubu.es/bitstream/10259/10849/4/e67cae89-5882-4974-9b3b-1a7553f99d0c.pdf.jpg 1d075c4b85e8b7dffdeab790eb8772c2 MD5 4 Rivas_Navazo_Fernando-Tesis.pdf.jpg Rivas_Navazo_Fernando-Tesis.pdf.jpg IM Thumbnail image/jpeg 4412 https://riubu.ubu.es/bitstream/10259/10849/5/Rivas_Navazo_Fernando-Tesis.pdf.jpg 1d075c4b85e8b7dffdeab790eb8772c2 MD5 5 LICENSE license.txt license.txt text/plain; charset=utf-8 1362 https://riubu.ubu.es/bitstream/10259/10849/3/license.txt 5d013bfa6e473ff0db22cd82a4d71a70 MD5 3 CC-LICENSE license_rdf license_rdf application/rdf+xml; charset=utf-8 805 https://riubu.ubu.es/bitstream/10259/10849/2/license_rdf 4460e5956bc1d1639be9ae6146a50347 MD5 2 ORIGINAL Rivas_Navazo_Fernando-Tesis.pdf Rivas_Navazo_Fernando-Tesis.pdf application/pdf 29533284 https://riubu.ubu.es/bitstream/10259/10849/6/Rivas_Navazo_Fernando-Tesis.pdf fb53a2bbf2f2c8eb78b361e418976ca0 MD5 6 10259/10849 oai:riubu.ubu.es:10259/10849 2025-09-10 11:41:06.5 Repositorio Institucional de la Universidad de Burgos bubrep@ubu.es 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