Reconeixement d’esdeveniments d’encefalogrames (REE)

Abstract

Reconeixement d’esdeveniments d’encefalogrames, també anomenat REE, és un producte dissenyat amb l’objectiu de tractar, analitzar i predir esdeveniments que una persona pot pensar durant una sessió de lectura de la seva activitat cerebral. Des del punt de vista funcional, l’aplicació ha estat concebuda per poder tractar conjunts de dades relacionats amb esdeveniments d’imaginació motora produïts durant un període de temps determinat. Per exemple, pensaments relacionats amb els moviments de mans cap a l’esquerra o dreta generaran uns esdeveniments en el temps que, mitjançant uns lectors de senyals d’encefalogrames, produiran unes dades que l’aplicació haurà d’analitzar i classificar. REE és una solució implementada amb Python i ofereix una versió d’escriptori amb una interfície gràfica que permet seleccionar conjunts de dades de la BCI Competition per fer el tractament i aplicació d’algorismes d’aprenentatge computacional per obtenir les prediccions. El resultat de les prediccions generaran diverses mètriques com les matrius de confusió o corbes ROC per poder veure la qualitat de les prediccions obtingudes pel model. La solució esmentada anteriorment s’ha dissenyat mitjançant un cicle de vida incremental, on cada part s’ha anat dissenyant de manera iterativa, cosa que ha generat una solució que ha anat madurant amb el temps. En aquest sentit, s’han realitzat diferents proves en cada fase amb diversos conjunts de dades que han permès assegurar la qualitat dels lliurables. En conclusió, el producte és capaç de detectar diversos esdeveniments relacionats amb la imaginació motora amb un nivell d’encert d’entre el 50% i el 100% aproximadament.

Encephalograms event recognition, known as EER, is a tool developed to manage and predict events human thoughts in an electroencephalogram (EEG) reading session. This is an application designed to process motor imagery events within a time period. For instance, thoughts about moving the left or right hand may produce some specific events and data that will be registered through encephalogram signal readers. Those events must be analysed and classified by the application to make the predictions. EER has been made with Python code and it has a graphic interface that gives the opportunity to select the datasets to work with. Those datasets are from the BCI Competition and they will be processed to apply machine learning algorithms to get the predictions. As a result of that, some metrics will be generated, such as confusion matrices or ROC Curves. Those metrics will be useful to check que quality of the predictions obtained by the model. This software has been made using the incremental life cicle methodology and every part of it has been developed iteratively. Therefore, we have been working with a functional program almost every phase of the project and several tests have been performed with the aim of ensure the quality all the deliveries. To sum up, we have developed an application that is able to predict events about motor imagery with a precision between 50% and 100%. Moreover, a report with some metrics will be available to help to determine the quality of the prediction.

Reconocimiento de eventos de encefalogramas, también llamado REE, es un producto diseñado con el objetivo de tratar, analizar y predecir eventos que una persona puede pensar durante una sesión de lectura de su actividad cerebral. Des del punto de vista funcional, la aplicación ha sido concebida para poder tratar conjuntos de datos relacionados con los eventos de imaginación motora producidos durante un periodo de tiempo determinado. Por ejemplo, pensamientos relacionados con los movimientos de manos de izquierda a derecha generarán unos eventos en el tiempo que, mediante unos lectores de señales de encefalogramas, producirán unos datos que la aplicación tendrá que analizar y clasificar. REE es una solución implementada con Python y ofrece una versión de escritorio con una interfaz gráfica que permite seleccionar conjuntos de datos de la BCI Competition para hacer el tratamiento y aplicación de algoritmos de aprendizaje computacional para obtener las predicciones. El resultado de las predicciones generará diferentes métricas como matrices de confusión o curvas ROC para poder ver la calidad de las predicciones obtenidas por el modelo. La solución mencionada anteriormente se ha diseñado mediante un ciclo de vida incremental, donde cada parte se ha diseñado de manera iterativa, cosa que ha generado una solución que ha madurado en el tiempo. En este sentido, se ha realizado diferentes pruebas en cada fase con diferentes conjuntos de datos que han permitido asegurar la calidad de los entregables. En conclusión, el producto es capaz de detectar diferentes eventos relacionados con la imaginación motora con un nivel de acierto de entre el 50 y el 100% aproximadamente.