Prototipo para Generación de Consignas de Control a partir de los Ritmos Sensomotores. Caso de Estudio: Factibilidad de Empleo de la Plataforma Emotiv Epoc

Prototipo para Generación de Consignas de Control a partir de los Ritmos Sensomotores. Caso de Estudio: Factibilidad de Empleo de la Plataforma Emotiv Epoc César Claros y Javier Sanabria

 Resumen— Una interfaz cerebro computador es un sistema que permite a un individuo interactuar con su medio mediante la traducción de las señales cerebrales a comandos o consignas de control. Este artículo propone un prototipo, que considera las etapas de adquisición, procesamiento y clasificación de señales cerebrales, con el propósito de generar comandos de control. Las señales electroencefalográficas que se analizan para el desarrollo de este prototipo son los ritmos sensomotores generados por los movimientos imaginarios de la mano derecha e izquierda. El prototipo propuesto integra además un conjunto de herramientas de software libre para concretar funcionalidades como el diseño del experimento o el almacenamiento de las señales capturadas. Este trabajo aplica conceptos del Procesamiento Digital de Señales, así como algoritmos para el procesamiento de señales cerebrales; particularmente, aquellos dedicados a la interpretación de los ritmos sensomotores. Los resultados demuestran la factibilidad de empleo de la plataforma Emotiv EPOC a través de la visualización de mapas topográficos del cráneo, simulaciones de operación y diagramas de dispersión. Índices—Interfaz cerebro-computador, Máquinas de aprendizaje, Procesamiento digital de señales, Ritmos sensomotores.

I. INTRODUCCIÓN

M

OVER un brazo, dar un paso o simplemente masticar son actividades cotidianas y todas ellas son realizadas gracias a los músculos. Generalmente, no somos conscientes de los complejos procesos que permiten que comandemos nuestros músculos o que ejecutemos algún movimiento, pero reconocemos que existe una conexión entre nuestros pensamientos, o intenciones de movimiento, y el movimiento en sí. No obstante, si dicha conexión se vería afectada por alguna razón, sería imposible ejecutar movimientos. Algunas condiciones médicas severas, como la paraplejía o el síndrome de enclaustramiento, en las cuales las conexiones entre los músculos y el cerebro se ven comprometidas, impiden a una persona realizar movimientos. En ese sentido, la tecnología ofrece la utilización de rutas alternativas a las musculares mediante la interpretación de las señales cerebrales de una persona.

C. Claros colabora en el Instituto de Electrónica Aplicada (IEA) de La Paz, Bolivia (e-mail: [email protected]). J. Sanabria es docente en la Universidad Mayor de San Andrés (UMSA) de La Paz, Bolivia. (e-mail: [email protected]).

Desafortunadamente, las Interfaces Cerebro Computador (ICC) no pueden operar sobre cualquier actividad cerebral debido principalmente a una limitación tecnológica ya que los sistemas de adquisición de señales electroencefalográficas (EEG) sólo son capaces de detectar la activación de grandes poblaciones neuronales. Las señales EEG que las interfaces son capaces de interpretar se pueden dividir principalmente en dos grandes grupos: los potenciales relacionados con eventos (Event-related Potentials, en inglés) y los procesos oscilatorios. El primer grupo está relacionado con actividad cerebral que está sujeta a algún estímulo que puede ser visual o auditivo, entre los más comunes. El segundo grupo tiene que ver con actividad cerebral espontánea que presenta una característica espectral; por ejemplo, cuando uno se encuentra realizando una tarea conscientemente, se genera un ritmo cerebral conocido como ritmo β (13-30[Hz]). En términos generales, las Interfaces Cerebro Computador, o Brain-Computer Interfaces (BCI), son consideradas como equipamiento potencial para la asistencia de personas con distintas discapacidades motoras o, en algunos casos, comunicacionales. Los sistemas BCI tienen la capacidad de construir una nueva vía de comunicación para tecnologías de asistencia, como las sillas de ruedas, o para aplicaciones de software, como los deletreadores. Concretamente, este trabajo propone un prototipo básico que pueda generar comandos de control a partir de los ritmos sensomotores (ritmos µ) derivados de la imaginación de los movimientos e incorpora las etapas necesarias desde la adquisición de datos hasta la visualización de resultados. Además, se contrastan los resultados producidos por el esquema propuesto considerando las señales adquiridas por el dispositivo Emotiv EPOC y los datos disponibles en línea del BCI Competition III, con el propósito de determinar la factibilidad de empleo del dispositivo mencionado anteriormente. En ese sentido, el trabajo propuesto considera el diseño de un experimento que condicione al usuario a generar las señales cerebrales que deberán ser identificadas por los algoritmos matemáticos aplicados, así como el desarrollo de una aplicación que permita al usuario observar cómo responde el sistema a sus señales EEG. Cabe mencionar que se emplearon diversas aplicaciones de software libre que concretaron funcionalidades ajenas al propósito de dicho prototipo. Con el desarrollo del presente trabajo se espera definir un esquema orientado a la implementación y evaluación de sistemas capaces de interpretar ritmos sensomotores mediante el

BIO-003

Página 1 de 6

procesamiento de señales EEG asociadas a los movimientos, utilizando el dispositivo Emotiv EPOC para la adquisición de dichas señales. Las secciones a continuación están organizadas de la siguiente manera. Las secciones II y III presenta un resumen de las herramientas de software y hardware utilizadas en el prototipo, así como los algoritmos empleados para el desarrollo del mismo; la sección IV explica cómo se integran las distintas herramientas y el funcionamiento del prototipo; finalmente, la sección V muestra los resultados obtenidos con el prototipo propuesto. II. HERRAMIENTAS DE HARDWARE Y SOFTWARE En esta sección se presentan las herramientas tanto de hardware como de software que fueron utilizadas para el desarrollo del prototipo. A. Emotiv EPOC Para la adquisición de señales electroencefalográficas, se empleó el dispositivo Emotiv EPOC que permite capturar dichas señales inalámbricamente. El dispositivo está equipado con catorce electrodos y dos electrodos de referencia. En la “Fig. 1” se puede observar el posicionamiento y denominación de cada electrodo de acuerdo al Sistema Internacional 1020.

E. Simulation and Neuroscience Application Platform (SNAP) SNAP es una plataforma de desarrollo de experimentos que permite diseñar desde una simple presentación de estímulos visuales hasta un complejo entorno para múltiples usuarios con simulaciones en 3D [6]. Adicionalmente, cabe resaltar que este entorno se encuentra integrado con LSL y permite el envió de marcadores, control remoto y acceso en tiempo real a los datos. III. ALGORITMOS UTILIZADOS EN LA INVESTIGACIÓN Esta sección sintetiza los procedimientos matemáticos aplicados en el desarrollo del prototipo. A. Filtrado Temporal Las señales EEG contienen no sólo los componentes espectrales relativos a estados mentales, sino también elementos que contaminan dichas señales conocidos como artefactos. Estos artefactos se identifican en distintos segmentos del espectro de las señales cerebrales, por lo que es necesario aislar los componentes que son de interés. En este caso, los ritmos sensomotores presentan componentes de frecuencia entre 8 y 12 [Hz] y son los que se filtran mediante un filtro FIR. La elección del filtro se debe principalmente a la estabilidad inherente que ofrece dicho tipo de filtro. B. Common Spatial Patterns (CSP) CSP es una técnica de filtrado espacial que es usada especialmente para distinguir entre dos clases o, en este caso, dos movimientos imaginarios diferentes representados en señales EEG. CSP busca aprender filtros espaciales que maximicen la varianza de una clase, mientras minimizan la varianza de la otra [7]. Formalmente, CSP usa los filtros espaciales w, los cuales maximizan la siguiente función: 𝑤 𝑇 𝐶1 𝑤 (1) 𝐽(𝑤) = 𝑇 𝑤 𝐶2 𝑤 Donde 𝑇 simboliza la transpuesta y 𝐶𝑖 es la matriz de covarianza de las señales EEG de la clase 𝑖, asumiendo que dichas señales tienen media cero.

Fig. 1. Posicionamiento de los electrodos del dispositivo Emotiv EPOC.

B. Layer Streaming Layer (LSL) LSL es un sistema de intercambio de datos cuyo propósito es la colección unificada de series temporales y está dirigido a la experimentación [1]. C. OpenVIBE Acquisition Server (OVAS) En principio, OVAS es una herramienta diseñada para comunicar dispositivos físicos de adquisición de señales EEG con las aplicaciones de OpenVIBE [2] y recientemente con LSL [3]. D. LabRecorder Ésta es la aplicación de captura de datos por defecto distribuida con LSL y permite almacenar todos los flujos de datos definidos para el dicho sistema dentro de un único archivo manteniendo la sincronización entre los mismos [4]. Cabe mencionar que el formato con el que LabRecorder almacena los flujos de datos se llama XDF y es un formato contenedor de propósito general para series de datos multivariable [5].

C. Log-variance Éste es un método de extracción de características que aprovecha la varianza que presentan los registros EEG para hacerlas atributos discriminativos entre condiciones o clases [8]. Matemáticamente, se expresa por: 𝑓𝑝 = log(𝑣𝑎𝑟(𝑋)) (2) Donde 𝑋 son los registros electroencefalográficos de un ensayo y 𝑓𝑝 son las características extraídas de dichos registros. D. Linear Discriminant Analysis (LDA) LDA es un método que proyecta información de alta dimensionalidad en un espacio de menor dimensión, preservando toda la información discriminativa que sea posible [8]. La información proyectada es separada en diferentes clases mediante criterios propios del método. Matemáticamente, el modelo lineal a partir del cual es posible distinguir entre dos clases es: (3) 𝑦 = 𝜃𝑥 + 𝑏 Donde 𝜃 y 𝑏 son parámetros que son determinados a partir de los atributos o características discriminativas de los registros electroencefalográficos y 𝑥 es el vector de características

BIO-003

Página 2 de 6

IV. DESARROLLO DEL PROTOTIPO Este apartado presenta los elementos que conforman el prototipo y que llevan a cabo distintas funcionalidades que van desde la adquisición de las señales EEG hasta la visualización de los resultados. A. Protocolo experimental En atención a los requerimientos planteados para el desarrollo del prototipo, se debe elaborar un experimento que condicione al sujeto de prueba a generar señales significativas relacionadas con tareas motoras imaginarias. Es en ese entendido se introduce el concepto de protocolo experimental. Un protocolo experimental es el procedimiento que se sigue durante una sesión experimental, de manera tal que el análisis de las señales adquiridas sea consistente y, además, pueda simplificarse. Para realizar este trabajo, se empleó un protocolo experimental similar al que se siguió para el estudio y desarrollo del sistema Graz-BCI [9]. La “Fig. 2” muestra el diagrama de tiempos del protocolo experimental que corresponde a un ensayo. Una sesión experimental consta de una serie de ensayos.

SNAP, donde se implementa el protocolo experimental, y LabRecorder, que almacena los datos experimentales. Tanto SNAP, como el sistema de adquisición difunden sus datos a la plataforma LSL. Por otra parte, la plataforma SNAP, donde se encuentra aplicado el protocolo experimental, es la que envía información a la plataforma LSL referente a los tiempos del ensayo. El diagrama de flujo de la “Fig 4” representa la operación del protocolo plasmado en la plataforma SNAP y responde al diagrama de tiempos, que se estableció en el apartado A de esta sección.

Fig. 4 Diagrama de flujo del presentador de estímulos. Fig. 2. Diagrama de tiempos de un ensayo.

B. Sistema de adquisición de señales EEG El sistema de adquisición se compone de dos elementos. El primero de ellos es el dispositivo Emotiv EPOC que se encarga de medir las señales que el cerebro humano genera mediante sensores. El segundo elemento es la herramienta OVAS y se encarga de adquirir señales electroencefalográficas a través de las librerías provistas por Emotiv Systems. Básicamente, OVAS hace uso de una de las librerías para acceder a las señales EEG. De esa manera, las señales cerebrales se encuentran disponibles en tiempo real para cualquier instancia que soporte el protocolo LSL. La “Fig. 3” esquematiza la operación del sistema de adquisición.

La “Tabla I” sintetiza el empleo de los marcadores para su identificación en la plataforma LSL TABLA I ESPECIFICACIÓN DE LOS MARCADORES. Marcadores 101 102 103 104 10 11

Descripción Inicio del ensayo Despliegue de la cruz en pantalla Despliegue de la flecha con dirección a la izquierda Despliegue de la flecha con dirección a la derecha Fin del ensayo del movimiento con dirección a la izquierda Fin del ensayo del movimiento con dirección a la derecha

Finalmente, la “Fig. 5” esquematiza el funcionamiento del entorno desarrollado en esta sección.

Fig. 3. Representación del funcionamiento del Sistema de Adquisición de Señales EEG.

C. Entorno de experimentación El entorno de experimentación está compuesto por el sistema de adquisición, anteriormente descrito, la herramienta BIO-003

Fig. 5 Representación del entorno de experimentación. Página 3 de 6

D. Entorno de entrenamiento El entorno de entrenamiento utiliza el resultado generado por el entorno de experimentación y consta de tres etapas. La primera etapa está dedicada al cálculo de los coeficientes para el filtrado temporal. La segunda etapa se encarga de la ejecución del algoritmo CSP para determinar los coeficientes del filtro espacial. Por último, la tercera etapa se encarga de la extracción de las características y ejecución del algoritmo LDA para determinar los parámetros del modelo lineal. Los resultados de las etapas en conjunto generarán un modelo que podrá ser aplicado a otros registros EEG. Tal como se advierte en la “Fig. 6”, el funcionamiento del sistema es secuencial y en cada etapa se rescatan variables que componen el modelo final. La conformación del modelo otorga la posibilidad de poder analizar nuevos registros EEG provenientes de un mismo sujeto.

Fig. 6 Esquema de operación del entorno de entrenamiento.

E. Entorno de evaluación Esencialmente, este entorno evalúa a qué tipo de movimiento corresponde un nuevo segmento de datos EEG en base al modelo calculado previamente y para ese propósito se define una función de predicción. La función de predicción es una asignación matemática que refleja la relación entre una observación (segmento de datos), y la salida deseada (estado cognitivo). Considerando que un sistema BCI, que opera generando respuestas deterministas, tiene memoria limitada del pasado se puede establecer que: (4) 𝑦 = 𝑓(𝑋) Donde 𝑋 es un segmento de datos, 𝑦 es el proceso cognitivo analizado y 𝑓 es la función que relaciona ambas variables. La forma funcional de la función de predicción es totalmente arbitraria. No obstante, dicha función puede basarse asumiendo cierto mecanismo generativo de las señales. Para los propósitos de este trabajo, la función de predicción sigue la siguiente regla: (5) 𝑦 = log{𝑣𝑎𝑟[𝑇(𝑋𝑆)]} 𝜃 + 𝑏 Donde 𝑇 es el filtro temporal, 𝑆 es el filtro espacial, 𝜃 y 𝑏 son los parámetros del modelo lineal. Cabe mencionar que para propósitos de clasificación se debe realizar una operación adicional que generará la salida binaria deseada. Por lo tanto, la función de predicción final es: (6) 𝑦 = 𝑠𝑖𝑔𝑛(log{𝑣𝑎𝑟[𝑇(𝑋𝑆)]} 𝜃 + 𝑏) Donde 𝑦 es la salida binaria que indica si el movimiento imaginario fue de la mano derecha o izquierda.

simulaciones de operación y diagramas de dispersión que corroboran el funcionamiento del prototipo propuesto. Con el propósito de verificar el correcto funcionamiento del prototipo, se empleó un set de datos provenientes de Dataset IVb de BCI Competition III [10]. Dicho set de datos está compuesto por un conjunto de entrenamiento y un conjunto de prueba. El conjunto de datos de entrenamiento contiene información etiquetada con dos clases (mano derecha y pie) de cinco sujetos que realizan 280 ensayos cada uno de ellos. El desafío para el mencionado set de datos es obtener respuestas de un clasificador para cada instante de tiempo, aunque es desconocido en qué momento cambian los estados mentales del sujeto. En el mismo sentido, se adquirieron señales electroencefalográficas con el dispositivo Emotiv EPOC de un solo sujeto sin entrenamiento en la generación de ritmos sensomotores y se formatearon dichas señales de igual manera que las señales del Dataset anteriormente mencionado. El formateo de las señales tiene como propósito establecer de alguna manera las mismas condiciones de evaluación entre el Dataset IVb de BCI Competition III y el set de datos generado por el Emotiv EPOC. De esta manera se intenta comparar el desempeño del prototipo para validar los resultados obtenidos. Cabe mencionar que los patrones de activación cerebrales que se muestran en los resultados tienen el atributo de mostrar cuál es la fuente de la actividad cerebral. En patrones de estas características un color cálido (rojo) indica una proyección positiva de una fuente de actividad cerebral. Opuestamente, un color frío (azul) indica una proyección negativa y los colores próximos al verde son aproximadamente cero. Las fuentes de actividad cerebral se reconocen por que se encuentran donde se produce el contraste entre las proyecciones positivas y negativas. A. Experiencia 1: Dataset IVb, BCI Competition III En la “Fig. 7”, se puede reconocer en el primer patrón actividad relativa al movimiento imaginario de los pies. No es posible identificar si la actividad pertenece al movimiento imaginario del pie izquierdo o pie derecho debido a que las fuentes de actividad eléctrica sobre la corteza cerebral se encuentran muy próximas. En el mismo sentido, el sexto patrón representa la actividad generada por el movimiento imaginario de la mano derecha que se genera en el lóbulo izquierdo de la corteza cerebral; este hecho se debe a que la actividad cerebral que se genera es contralateral al movimiento. Por lo tanto, se pudieron identificar los movimientos que fueron definidos en el experimento.

V. RESULTADOS En esta sección se muestran los resultados de la ejecución de los entornos diseñados. Se presentan mapas topográficos,

Fig. 7 Patrones de activación generados por CSP para el Dataset IVb de BCI Competition III (el primer y sexto patrón indican la actividad cerebral relacionada con el movimiento imaginario de los pies y el movimiento imaginario de la mano derecha, respectivamente).

BIO-003

Página 4 de 6

Derivado de la observación de la “Fig. 8”, se puede aseverar que las clases definidas (movimiento imaginario de la mano derecha y movimiento del pie) son perfectamente diferenciables con un modelo lineal. La razón por la que estas dos clases son claramente identificables se debe a que se generan en áreas cerebrales físicamente distantes; además los 118 sensores del dispositivo de captura permiten una resolución espacial lo suficientemente alta para detectar la activación de las regiones correspondientes a los movimientos establecidos.

Fig. 8 Diagramas de dispersión para las dos clases en el Dataset IVb de BCI Competition III (“x” corresponde a los movimiento imaginarios de los pies y “o” corresponde a los movimiento imaginarios de la mano derecha).

Tasa de error en la clasificación = 12.6 En la “Fig. 9”, se observa la señal resultante de la clasificación generada en cada instante de tiempo (azul), y las referencia donde “1” corresponde al movimiento de los pies, 0 corresponde al estado de descanso y “-1” corresponde al movimiento de la mano derecha. En dicha figura, se advierte que la señal resultante generalmente alcanza a la referencia, demostrando que este prototipo puede ser usado para la generación de respuestas determinísticas.

Fig. 9 Segmento de la simulación para el Dataset IVb de BCI Competition III (la línea azul son las respuestas determinísticas generadas por el prototipo y las líneas verdes son las referencias asociadas a las clases).

B. Experiencia 2: Dataset Emotiv EPOC A diferencia del anterior set de datos, en éste las clases definidas para el experimento fueron los movimientos imaginarios de la mano derecha e izquierda. De acuerdo a la “Fig. 10”, los patrones en los que se identifican la actividad eléctrica sobre la corteza relativa a los movimientos mencionados son el segundo y el quinto patrón. En el segundo patrón se observa que la actividad corresponde a los movimientos imaginarios de la mano derecha y, de igual manera, en el quinto patrón se

advierte que la actividad asociada a dicho patrón corresponde a los movimientos imaginarios de la mano izquierda. Naturalmente, no son tan evidentes como en el caso anterior debido, principalmente, a la cantidad de electrodos, ya que en el primer experimento se obtienen señales de 118 electrodos, y en este experimento la cantidad de electrodos es catorce (14). Además, cabe resaltar que ninguno de dichos electrodos se encuentra posicionado sobre la región de la corteza motora en el cráneo.

Fig. 10 Patrones de activación generados por CSP para el set de datos adquiridos por el Emotiv EPOC (el segundo y quinto patrón indican la actividad cerebral relacionada con el movimiento imaginario de la mano derecha y el movimiento imaginario de la mano izquierda, respectivamente).

En la “Fig. 11”, se pueden distinguir las dos agrupaciones relativas a las clases; no obstante, no son perfectamente discernibles como en el caso anterior, puesto que las características de algunos ensayos de una clase se encuentran en la región de la otra. Los factores que impiden que las clases definidas sean totalmente diferenciables son la reducida cantidad de sensores del Emotiv EPOC y la menor cantidad de ensayos realizados respecto al primer set de datos, lo cual se refleja en la tasa de clasificación.

Fig. 11 Diagrama de dispersión para los ensayos del set de datos adquiridos por el Emotiv EPOC (“x” corresponde a los movimientos imaginarios de la mano izquierda y “o” corresponde a los movimientos imaginarios de la mano derecha).

Tasa de error en la clasificación = 24.3 A pesar de los inconvenientes mencionados anteriormente, en la simulación realizada para este set de datos mostrada en la “Fig. 12” se puede observar que la señal resultante de la clasificación en cada instante de tiempo logra alcanzar la mayor parte de las referencias, donde “1” corresponde al movimiento de la mano izquierda y “-1” al movimiento de la derecha.

BIO-003

Página 5 de 6

línea]. Disponible: https://code.google.com/p/labstreaminglayer/wiki/LabRecorder. [Último acceso: 2 Octubre 2014]. [5] C. Kothe, «XDF (Extensible Data Format),» [En línea]. Disponible: https://code.google.com/p/xdf/. [Último acceso: 11 Noviembre 2014]. [6] C. Kothe, «New tools for neuroscience experiments in rich envoriments,» [En línea]. Disponible: http://cogsci.uniosnabrueck.de/NBP/PDFs Publications/ChristianKothe 201212.pdf. [Último acceso: 28 Septiembre 2014]. [7] F. Lotte y C. Guan, «Spatially Regularized Common Spatial Patterns for EEG Clasification,» de International Conference on Pattern Recognition (ICPR), Turkey, 2010. Fig. 12 Segmento de la simulación para el set de datos adquiridos por el Emotiv EPOC (la línea azul son las respuestas determinísticas generadas por el prototipo y las líneas verdes son las referencias asociadas a las clases).

VI. CONCLUSIONES En este artículo, se diseñó un prototipo capaz de procesar señales electroencefalográficas relativas a los ritmos sensomotores para dos clases de movimientos y se procesaron dos tipos de set de datos. El primer tipo de datos corresponde al Dataset IVb de BCI Competition III que sirvieron para verificar el correcto funcionamiento del prototipo y para contrastar los resultados obtenidos con el segundo conjunto de datos. El segundo conjunto de datos son los adquiridos con el dispositivo Emotiv EPOC y que permitieron determinar la factibilidad de empleo del dispositivo para la generación de consignas de control a partir de los ritmos 𝜇 producto de la imaginación de los movimientos. Dados los resultados que se presentaron anteriormente, se puede afirmar que es posible generar consignas de control a partir de los ritmos 𝛼 sobre la corteza motora utilizando el dispositivo Emotiv EPOC ya que la tasa de error en la clasificación es razonablemente alentadora considerando que el sujeto de prueba no tiene entrenamiento alguno para la generación de dichos ritmos. Por lo tanto, es altamente probable que una persona que entrene regularmente pueda obtener muchos mejores resultados. Finalmente, en términos financieros, el costo del proyecto, considerando tanto el dispositivo de adquisición y los insumos necesarios para su operación, asciende aproximadamente a $US 600, en contraste con equipamientos profesionales cuyo costo es casi el triple. Es así que el prototipo desarrollado es una propuesta asequible que está orientado a otorgar una interfaz de comunicación entre el cerebro y dispositivos externos, como motores, a través de los comandos generados que comandarán la operación de los mismos. VII. REFERENCIAS [1] C. Kothe, «Lab streaming layer. Distributed signal transport, time synchronization and data collection system for research use,» [En línea]. Disponible: https://code.google.com/p/labstreaminglayer/. [Último acceso: 15 Septiembre 2014]. [2] Y. Renard, F. Lotte, G. Gibert, M. Congedo, E. Maby, V. Delannoy, O. Bertrand y A. Lécuyer, «OpenViBE: An Open-Source Software Platform to Design, Test, and Use Brain–Computer Interfaces in Real and Virtual Environments,» Presence: Teleoperators and Virtual Environments , vol. 19, pp. 35-53, 2010. [3] C. Kothe, «Ovas. Using the OpenViBE acquisition server to stream data into LSL,» [En línea]. Disponible: https://code.google.com/p/labstreaminglayer/wiki/OVAS. [Último acceso: 17 Octubre 2014]. [4] C. Kothe, «Labrecorder. Recording data using the LabRecorder,» [En

[8] G. Dornhege, J. d. R. Millán, T. Hinterberger, D. J. McFarland y K.-R. Müller, Toward Brain-Computer Interfacing, The MIT Press, 2007. [9] A. Schloegl, K. Lugger y G. Pfurtscheller, «Using adaptive autoregressive parameters for a brain-computer-interface experiment,» Engineering in Medicine and Biology Society, 1997. Proceedings of the 19th Annual International Conference of the IEEE, vol. 4, pp. 15331535, 1997. [10] G. Dornhege, B. Blankertz, G. Curio y K. Muller, «Boosting bit rates in noninvasive EEG single-trial classifications by feature combination and multiclass paradigms,» Biomedical Engineering, IEEE Transactions, vol. 51, pp. 993-1002, 2004.

VIII. BIOGRAFÍAS Claudio César Claros Olivares, nació en La Paz, Bolivia el 12 de febrero de 1989. Recibió su grado de Ingeniero Electrónico con especialidad en Sistemas de Control, en la Universidad Mayor de San Andrés (UMSA) en 2015. La experiencia es a nivel académico en el ejercicio de auxiliar de laboratorio y pasante en el Instituto de Electrónica Aplicada (IEA) de la Facultad de Ingeniería en la UMSA, investigando sobre el procesamiento digital de señales cerebrales. Sus áreas de conocimiento son: Automatización de Procesos, Sistemas Embebidos, Procesamiento Digital de Señales, Máquinas de Aprendizaje, Sistemas de Computación, Teoría de Control y Redes de Computadoras. ([email protected]). Javier Sanabria García, nació en Potosí, Bolivia el 28 de marzo de 1964. Entre 1984 y 1989, estudió en la Universidad Mayor de San Andrés (UMSA). En 1993 recibió su título en provisión nacional de Ingeniero Electrónico, mención Control. Entre 1991 y 1993 fue encargado de tarifación en la regional Potosí de la Empresa Nacional de Telecomunicaciones. En esta época fue docente de programación ensamblador en la Universidad Autónoma Tomás Frías. En 1996 dejo la docencia y entre 1996 y 1998 realizó su maestría en Informática Aplicada a las Ciencias de la Educación en la Universidad Libre de Bruselas, Bélgica. Entre 1999 y 2006 trabajó como consultor en el Ministerio de Hacienda y se desempeñó como Responsable de redes y soporte, Coordinador de Seguimiento y evaluación, Responsable de comunicaciones y bases de datos. Desde 1999 accedió a la docencia en la UMSA y en la actualidad es docente titular en las áreas de Sistemas de Computación, Sistemas de Control y Sistemas operativos en Ingeniería Electrónica de la UMSA. Como docente es y ha sido asesor de proyectos de grado en las áreas de Control y Sistemas de Computación. Entre 2012 y 2015 fue Director de la carrera de Ingeniería Electrónica de la UMSA. ([email protected]).

BIO-003

Página 6 de 6