RT info:eu-repo/semantics/doctoralThesis
T1 Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste
A1 Rivas Navazo, Fernando
A2 Universidad de Burgos. Departamento de Ingeniería Electromecánica
K1 Interfaz cerebro-computadora (BCI)
K1 Electroencefalografía (EEG)
K1 Predicción (RNN)
K1 Clasificación
K1 Robótica Asistencial
K1 Interfaces cerebro-ordenador
K1 Brain-computer interfaces
K1 3307.99 Otras
K1 3311.02 Ingeniería de Control
K1 3311.10 Instrumentos Médicos
K1 3314.99 Otras
AB La presente tesis aborda el desarrollo y la evaluación de una Interfaz CerebroComputadora (BCI) de bajo coste para el control de dispositivos físicos. El objetivoprincipal es superar las barreras de accesibilidad y aplicabilidad de los sistemas BCItradicionales, que dependen de equipos EEG de grado clínico de alto coste, proponiendouna arquitectura funcional basada en diademas comerciales de bajo coste (Neurosky,Brainlink).La metodología se centra en dos tareas fundamentales: la predicción de estadoscognitivos (atención y meditación) y la posterior clasificación de intenciones motoras(cuatro movimientos direccionales y estado de reposo) aplicables en sistemas físicos conelectrónica 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 comparativoexhaustivo entre las arquitecturas RNN, sus variantes estabilizadas mediante el criteriode Popov (LSTM+Popov, GRU+Popov) y el algoritmo de aprendizaje automático basadoen árboles de decisión, Extreme Gradient Boosting (XGBoost).En el proceso de clasificación el preprocesamiento de las señales EEG incluyónormalización mediante RobustScaler, segmentación en ventanas temporales y unaingeniería de características basada en descriptores estadísticos para optimizar laentrada a los modelos. La evaluación del rendimiento se realizó mediante métricas comoExactitud, 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 lapredicción de estados cognitivos continuos, el modelo XGBoost exhibe unasuperioridad significativa en la tarea de clasificación multiclase de las intencionesmotoras. XGBoost alcanzó una exactitud del 87.72% y un F1-Score del 87.65%, contiempos de inferencia sustancialmente menores a los de las arquitecturas RNN. Estaeficiencia computacional lo posiciona como el modelo idóneo para su despliegue enplataformas embebidas (ej. Jetson Nano, Raspberry Pi) con recursos limitados.Como principal contribución, la tesis aporta una arquitectura BCI validada, de bajo costey alto rendimiento, y proporciona evidencia empírica de que, para la clasificación deseñales EEG ruidosas en tiempo real, los métodos de boosting como XGBoost puedensuperar en precisión y eficiencia a modelos de aprendizaje profundo secuencial. Eltrabajo culmina con el despliegue de un clasificador funcional y una propuesta deintegración completa basada en ROS (Robot Operating System), sentando las bases parael desarrollo de tecnologías de asistencia más accesibles y prácticas.
YR 2025
FD 2025
LK https://hdl.handle.net/10259/10849
UL https://hdl.handle.net/10259/10849
LA spa
DS Repositorio Institucional de la Universidad de Burgos
RD 07-may-2026