González CEF, Torres-García AA, Reyes-García CA, Villaseñor-Pineda L

Idioma: Español
Referencias bibliográficas: 24
Paginas: 233-247
Archivo PDF: 709.44 Kb.

RESUMEN

En años recientes la sonificación de electroencefalogramas (EEG) ha sido utilizada como una alternativa para analizar señales cerebrales al convertir el EEG en audio. En este trabajo se aplica la sonificación a señales de EEG durante el habla imaginada o habla no pronunciada, con el objetivo de mejorar la clasificación automática de 5 palabras del idioma español. Para comprobarlo, se procesó la señal cerebral de 27 sujetos sanos. Estas señales fueron sonificadas para después extraer características con dos métodos diferentes: la transformada Wavelet discreta (DWT); y los coeficientes cepstrales en la escala de Mel (MFCC). Éste último comúnmente utilizado en tareas de reconocimiento de voz. Para clasificar las señales se aplicaron tres algoritmos distintos de clasificación Naive Bayes (NB), Máquina de vectores de soporte (SVM) y Random Forest (RF). Se obtuvieron resultados usando los 4 canales más cercanos a las áreas de lenguaje de Broca y Wernicke, así como también los 14 canales del dispositivo EEG utilizado. Los porcentajes de exactitud promedio para los 27 sujetos en los dos conjuntos de 4 y 14 canales usando sonificación de EEG fueron de 55.83% y 64.14% respectivamente, con lo que se logró mejorar ligeramente los porcentajes de clasificación de las palabras imaginadas respecto a no utilizar sonificación.

REFERENCIAS (EN ESTE ARTÍCULO)

1. [1] T. M. Rutkowski, A. Cichocki, and D. Mandic, “Information fusion for perceptual feedback: A brain activity sonification approach,” Signal Processing Techniques for Knowledge Extraction and Information Fusion, pp. 261–273, 2008.

2. [2] G. Marco-Zaccaria, “Sonification of EEG signals: A study on alpha band instantaneous coherence,” Master thesis, 2011.

3. [3] E. Miranda, A. Brouse, B. Boskamp, and H. Mullaney, “Plymouth braincomputer music interface project: Intelligent assistive technology for music-making,” International Computer Music Conference, 2005.

4. [4] J. Eaton and E. Miranda, “Realtime notation using brainwave control,” Sound and Music Computing Conference, 2013.

5. [5] G. Baier and T. Hermann, “The sonification of rhythms in human electroencephalogram.” International Conference on Auditory Display (ICAD), 2004.

6. [6] T. Hermann, P. Meinicke et al., “Sonification for EEG data analysis,” Proceedings of the 2002 International Conference on Auditory Display, 2002.

7. [7] G. Baier, T. Hermann, S. Sahle, and U. Stephani, “Event based sonification of EEG rhythms in real time,” Clinical Neurophysiology, vol. 118, no. 6, pp. 1377–1386, 2007.

8. [8] T. Hermann, G. Baier, U. Stephani, and H. Ritter, “Kernel regression mapping for vocal EEG sonification,” Proceedings of the International Conference on Auditory Display, 2008.

9. [9] M. Elgendi, J. Dauwels et al., “From auditory and visual to immersive neurofeedback: Application to diagnosis of alzheimers disease,” Neural Computation, Neural Devices, and Neural Prosthesis, pp. 63–97, 2014.

10. [10] M. Wester and T. Schultz, “Unspoken Speech - Speech Recognition Based On Electroencephalography,” Master’s thesis, Institut fur Theoretische Informatik Universitat Karlsruhe (TH), Karlsruhe, Germany, 2006.

11. [11] A. A. Torres-García, C. A. Reyes-García, and L. Villaseñor Pineda, “Toward a silent speech interface based on unspoken speech,” BIOSTEC - BIOSIGNALS, pp. 370–373, 2012.

12. [12] A. A. Torres-García, C. A. Reyes-García, and L. Villaseñor-Pineda, “Análisis de Señales Electroencefalográficas para la Clasificación de Habla Imaginada,” Revista Mexicana de Ingeniería Biomédica, vol. 34, no. 1, pp. 23– 39, 2013.

13. [13] E. F. González-Castañeda, A. A. Torres-García, C. A. Reyes-García, and L. Villaseñor-Pineda, “Sonificación de EEG para la clasificación de palabras no pronunciadas,” Research in Computing Science, vol. 74, pp. 61–72, 2014.

14. [14] C. Anderson, “Sonification - Brain Computer Interfaces Laboratory,” Department of Commputer Science, Colorado State University, www.cs.colostate.edu/eeg/main/ projects/sonification, 2005.

15. [15] A. A. Torres-Garcia, “Clasificación de palabras no pronunciadas presentes en Electroencefalogramas (EEG),” Tesis de Maestría, 2011.

16. [16] Xuemin, Chi and Hagedorn, John and others, “EEG-based discrimination of imagined speech Phonemes,” International Journal of Bioelectromagnetism, vol. 13, no. 4, pp. 201–206, 2011.

17. [17] X. Pei, D. L. Barbour, E. C. Leuthardt, and G. Schalk, “Decoding vowels and consonants in spoken and imagined words using electrocorticographic signals in humans,” Journal of neural engineering, vol. 8, no. 4, p. 046028, 2011.

18. [18] J. Mourino, J. del R Millan et al., “Spatial filtering in the training process of a brain computer interface,” Engineering in Medicine and Biology Society. Proceedings of the 23rd Annual International Conference of the IEEE, vol. 1, pp. 639–642, 2001.

19. [19] M. A. Pinsky, Introduction to Fourier analysis and wavelets. Amer Mathematical Society, 2002, vol. 102.

20. [20] X. Hu, H. Zhang et al., “Isolated word speech recognition system based on FPGA,” Journal of Computers, vol. 8, no. 12, pp. 3216–3222, 2013.

21. [21] R. Kohavi et al., “A study of crossvalidation and bootstrap for accuracy estimation and model selection,” IJCAI, vol. 14, no. 2, pp. 1137–1145, 1995.

22. [22] G. H. John and P. Langley, “Estimating continuous distributions in bayesian classifiers,” in Proceedings of the Eleventh conference on Uncertainty in artificial intelligence. Morgan Kaufmann Publishers Inc., 1995, pp. 338–345.

23. [23] J. C. Platt, “Fast training of support vector machines using sequential minimal optimization,” in Advances in kernel methods. MIT press, 1999, pp. 185–208.

24. [24] L. Rokach, Pattern Classification Using Ensemble Methods. World Scientific, 2009.