2026-05-23T22:44:00Zhttps://riubu.ubu.es/oai/request

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

Rivas Navazo, Fernando 2025-09-04T21:36:51Z 2025-09-04T21:36:51Z 2025 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. spa 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 Attribution-NonCommercial-NoDerivatives 4.0 Internacional Interfaz cerebro-computadora (BCI) Electroencefalografía (EEG) Predicción (RNN) Clasificación Robótica Asistencial Contribuciones al Control de Dispositivos Físicos Mediante Sistemas EEG de Bajo Coste info:eu-repo/semantics/doctoralThesis